我国超大规模智算集群管控达领先水平：中国移动实现智算万卡池在长周期训练场景持续稳定运行

【导语】10月14日消息，据人民邮电报报道，中国移动近期实现智算万卡池长周期训练持续稳定运行，攻克超大规模算力集群调度等难题，训练稳定性达行业领先；其主导(dǎo)研发的全调度以太网技术体系及系列新技术，大幅缩短大模型训练周期、提升资源利用率；此外，中国移动宣布升级“AI+”行动计划，明确2028年底总体投入翻番，探索十万卡智算集群建设。

　　10 月 14 日消息，据人民邮电报报道，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(fā)展(zhǎn)，大(dà)模(mó)型(xíng)参(cān)数(shù)规(guī)模(mó)正(zhèng)向(xiàng)万(wàn)亿(yì)级(jí)升(shēng)级(jí)，因(yīn)此(cǐ)智(zhì)算(suàn)基(jī)础(chǔ)设(shè)施(shī)的(de)算(suàn)力(lì)密(mì)度(dù)、稳(wěn)定(dìng)性(xìng)和(hé)协(xié)同(tóng)效(xiào)率(lǜ)面(miàn)临(lín)挑(tiāo)战(zhàn)，万(wàn)卡(kǎ)级(jí)规(guī)模(mó)协(xié)同(tóng)训(xun)练(liàn)场(chǎng)景(jǐng)是(shì)全球(qiú)普(pǔ)遍(biàn)面(miàn)临(lín)智(zhì)算(suàn)集群(qún)稳(wěn)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

　　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。