IT之家 10 月 14 日消息，据人民邮电报今日报道，中国移动近期实现了智算万卡池在长周期训练场景下持续稳定运行，训练稳定性达到行业领先水平，标志着我国在超大规模智算集群管控领域已具备领先水平，解决了超大规模算力集群调度、高可靠通信保障、故障智能诊断与快速自愈等业界难题。
据介绍，人工智能技术正迎来爆发式的发展，大模型参数规模正向万亿级升级，因此智算基础设施的算力密度、稳定性和协同效率面临挑战，万卡级规模协同训练场景是全球普遍面临智算集群稳定性问题。
中国移动基于哈尔滨数据中心智算集群，主导研发全调度以太网（GSE）技术体系，打造慢卡慢网络风险识别、断点续训、AI 运维智能体等新技术，攻克了超大规模智算基础设施运行的关键技术难题。在关键技术突破层面，团队重点攻关三大核心难题：
创新慢卡慢网络风险识别技术，实现典型场景故障全部感知、提升诊断准确率
研发断点续训机制，实现故障节点自动隔离后训练状态的分钟级回滚，硬件故障导致的断训量下降 50%
引入 AI 运维智能体，通过多层架构日志分析系统实现分钟级故障定界，覆盖 25 类软硬件故障解决方案，将故障处理时长从数天级降至分钟级
IT之家从人民邮电报报道获悉，长稳运行能力直接将大模型训练周期缩短近三分之一，资源利用率近 100%，为 AI 技术工业化量产奠定基础，可支撑自动驾驶、生物医药、新材料研发等前沿领域技术进步。此外，中国移动还在黑龙江、广东打造了智算运维样板间。
值得一提的是，在今年 10 月 11 日的 2025 中国移动全球合作伙伴大会主论坛上，中国移动宣布升级“AI+”行动计划，明确到 2028 年底，中国移动将持续加大对人工智能领域的投入力度，总体投入翻一番，建成国内规模最大、技术领先的智算基础设施，探索十万卡智算集群建设，全国产智能算力规模突破 100 EFLOPS。
相关阅读：
