國(guó)內(nèi)前列！移動(dòng)云智算管控平臺(tái)上線(xiàn)

5月31日，全新智算管控平臺(tái)在中國(guó)移動(dòng)智算中心（呼和浩特）上線(xiàn)。移動(dòng)云智算管控平臺(tái)專(zhuān)注提升智算中心AI業(yè)務(wù)穩(wěn)定性和運(yùn)行效率，打造了智算集群端網(wǎng)一體化性能監(jiān)控與調(diào)優(yōu)工具鏈能力，實(shí)現(xiàn)了對(duì)AI訓(xùn)練任務(wù)全面可視、可管的監(jiān)控管理，能夠做到訓(xùn)前集群健康狀態(tài)一站式檢查、訓(xùn)中任務(wù)粒度的實(shí)時(shí)監(jiān)控、訓(xùn)后故障快速定位恢復(fù)。

隨著大模型參數(shù)從千億增至萬(wàn)億，并從單模態(tài)擴(kuò)展至多模態(tài)，所需的算力集群規(guī)模也從千卡躍升至萬(wàn)卡級(jí)別，隨之而來(lái)的模型訓(xùn)練穩(wěn)定性降低和成本增加的問(wèn)題日益凸顯。

移動(dòng)云智算管控平臺(tái)通過(guò)健康巡檢一鍵化、訓(xùn)練任務(wù)可視化、故障診斷專(zhuān)家化等核心優(yōu)勢(shì)，有效提升訓(xùn)練穩(wěn)定性、降低訓(xùn)練成本，為大模型訓(xùn)練保駕護(hù)航。

大幅提升穩(wěn)定性

全生命周期守護(hù)大模型訓(xùn)練

千卡／萬(wàn)卡級(jí)別的算力集群匯聚了數(shù)百萬(wàn)個(gè)器件，其訓(xùn)練過(guò)程中任何單一器件故障都極易造成整個(gè)模型訓(xùn)練的中斷。據(jù)統(tǒng)計(jì)，由于故障頻發(fā)，大模型的實(shí)際有效訓(xùn)練時(shí)間僅達(dá)到30％至50％。

移動(dòng)云智算管控平臺(tái)可大幅提升訓(xùn)練任務(wù)穩(wěn)定性，在中國(guó)移動(dòng)內(nèi)部大模型訓(xùn)練中成功保障千卡集群穩(wěn)定運(yùn)行20天以上，處于國(guó)內(nèi)前列。

移動(dòng)云智算管控平臺(tái)具備健康巡檢一鍵化、訓(xùn)練任務(wù)可視化的核心優(yōu)勢(shì)，全程護(hù)航大模型穩(wěn)定訓(xùn)練。

健康巡檢一鍵化：

平臺(tái)共計(jì)提供100+健康檢查項(xiàng)，覆蓋端網(wǎng)一體的一鍵健康檢查，涵蓋全量及單模塊監(jiān)測(cè)，支持訓(xùn)前、訓(xùn)中、訓(xùn)后的全生命周期健康檢查和性能分析。實(shí)現(xiàn)故障節(jié)點(diǎn)的快速感知優(yōu)化，提升訓(xùn)練任務(wù)成功率。

訓(xùn)練任務(wù)可視化：

平臺(tái)打造了AI訓(xùn)練任務(wù)的監(jiān)管視圖，能夠可視化展示任務(wù)訓(xùn)練進(jìn)度、訓(xùn)練關(guān)鍵指標(biāo)，具備秒級(jí)時(shí)延的異常感知和上報(bào)能力，觸發(fā)任務(wù)訓(xùn)練平臺(tái)的斷點(diǎn)續(xù)訓(xùn)。

有效降低成本

構(gòu)建豐富的智算調(diào)優(yōu)知識(shí)儲(chǔ)備

基礎(chǔ)大模型的訓(xùn)練周期往往長(zhǎng)達(dá)數(shù)月，而業(yè)界大模型穩(wěn)定訓(xùn)練平均時(shí)長(zhǎng)僅達(dá)到天級(jí)。由于故障模式復(fù)雜多樣，難以迅速定位與界定，每次故障修復(fù)耗時(shí)可能長(zhǎng)達(dá)1至30天；且算力資源較為昂貴，一個(gè)萬(wàn)卡集群的閑置損失將超過(guò)300萬(wàn)元／天。

移動(dòng)云智算管控平臺(tái)不僅能夠提升大模型訓(xùn)練穩(wěn)定性、降低故障頻次，還具備故障診斷專(zhuān)家化的突出優(yōu)勢(shì)。

故障診斷專(zhuān)家化：

平臺(tái)精心構(gòu)建專(zhuān)家知識(shí)庫(kù)，深度整合了數(shù)百位訓(xùn)練調(diào)優(yōu)專(zhuān)家的實(shí)戰(zhàn)經(jīng)驗(yàn)，打通英偉達(dá)、昇騰等廠(chǎng)商開(kāi)源生態(tài)的知識(shí)數(shù)據(jù)，通過(guò)實(shí)現(xiàn)故障的高效定位，達(dá)到 90%的故障快速恢復(fù)，將訓(xùn)練成本降低三分之一。

一直以來(lái)，移動(dòng)云持續(xù)攻堅(jiān)智算領(lǐng)域關(guān)鍵核心技術(shù)、為我國(guó)人工智能產(chǎn)業(yè)發(fā)展構(gòu)筑強(qiáng)大數(shù)字底座。移動(dòng)云以大算力賦能大模型，規(guī)劃“N＋X”大規(guī)模智算基礎(chǔ)設(shè)施體系，全網(wǎng)智算規(guī)模達(dá)到17EFLOPS（FP16）。其中，在呼和浩特投產(chǎn)的全球運(yùn)營(yíng)商最大單體液冷智算中心，曾入選2023年度央企十大超級(jí)工程。同時(shí)，打造涵蓋IaaS／PaaS／MaaS／SaaS的全棧智算產(chǎn)品體系，為不同行業(yè)提供便捷高效的一體化算網(wǎng)服務(wù)。

未來(lái)，移動(dòng)云將繼續(xù)強(qiáng)化智算布局，深化技術(shù)研發(fā)與應(yīng)用創(chuàng)新，為新質(zhì)生產(chǎn)力發(fā)展貢獻(xiàn)力量。

關(guān)鍵詞：