近期，中國移動實現智算萬卡池在長周期訓練場景下持續穩定運行，訓練穩定性達到行業領先水平，有效解決了超大規模算力集群調度、高可靠通信保障、故障智能診斷與快速自愈等業界難題。

隨著人工智能技術的爆發式發展，大模型參數規模從百億級向萬億級躍升，對智算基礎設施的算力密度、穩定性和協同效率提出了前所未有的挑戰。針對萬卡級規模協同訓練場景，全球普遍面臨智算集群穩定性瓶頸問題。中國移動依托哈爾濱數據中心智算集群，主導研發全調度以太網（GSE）技術體系，打造慢卡慢網絡風險識別、斷點續訓、AI運維智能體等新技術，攻克了超大規模智算基礎設施運行的關鍵技術瓶頸。在協同管理機制上，中國移動以“五個一”卓越運維體系為指導，通過多輪流程優化攻堅，將故障處理流程大幅壓縮，實現客戶需求“一點響應”的端到端閉環。

中國移動“五個一”智算運維體系

在關鍵技術突破層面，團隊重點攻關三大核心難題。一是創新慢卡慢網絡風險識別技術，實現典型場景故障全部感知、提升診斷準確率；二是研發斷點續訓機制，實現故障節點自動隔離后訓練狀態的分鐘級回滾，硬件故障導致的斷訓量下降50%；三是引入AI運維智能體，通過多層架構日志分析系統實現分鐘級故障定界，覆蓋25類軟硬件故障解決方案，將故障處理時長從數天級降至分鐘級。訓練任務使用一萬余張NPU板卡，全程保持集群可用率、服務可用率達到三個九的超高穩定性，其中NPU故障占比、光鏈路故障率大幅降低，充分驗證了技術方案的有效性。

NPU端口異常導致性能劣化場景案例展示

在卓越運維能力方面，中國移動在黑龍江、廣東打造了智算運維樣板間，首創訓推一體的智算統一運維體系，率先構建了覆蓋應用、模型、算力全棧的智能運維能力，業界領先探索應用-模型-算力的最佳實踐與黃金運維指標體系，依托AI技術實現分鐘級智算業務故障智能處置修復和能效算效雙優，支撐黨政、金融、教育等十大行業優勢卡位，賦能智能制造、生態保護、智慧政務、隱私保護等社會關鍵領域，支撐外部客戶數百場智算樣板間參觀展示、近百次頂層規劃和解決方案設計，創造超10億元直接經濟效益。

中國移動智算運維樣板間正式發布

中國移動這一系列突破遠超技術層面，從行業維度看，智算萬卡池長穩訓練時長的大幅度提升，標志著我國在超大規模智算集群管控領域已具備領先水平，兩大智算運維樣板間也必將充分發揮產業示范和標桿作用，不僅在國內形成示范，更為全球超大規模智算集群的訓練與運維提供了中國方案和中國標準；從經濟價值看，長穩運行能力直接將大模型訓練周期縮短近三分之一，資源利用率近100%，為AI技術工業化量產奠定基礎；從社會價值看，穩定的智算底座可支撐自動駕駛、生物醫藥、新材料研發等前沿領域的突破，加速科技創新與產業升級，成為推動新質生產力發展和經濟社會數智化轉型的核心引擎。

未來，中國移動將持續引領智算先鋒產業，大力推動算力基礎設施從“通算為主”向“云智算”轉變，支撐多樣化、個性化、極致化計算需求，構筑新一代智能算力服務體系，從支撐大模型研發到賦能實體經濟，以領先的智算基礎設施為我國人工智能產業加速升級提供堅實可靠的算力底座，為中國數字經濟高質量發展注入澎湃動能。