[中国，上海，2025年9月19日]在华为全联接大会2025期间，一场聚焦智算集群运维的专题论坛顺利召开。来自科大讯飞、广东电信以及华为的多位嘉宾在会上发表了精彩演讲，华为公共开发部总裁陆海鸥先生为论坛致开幕辞。本次论坛以“智能集群运维，点亮最强算力”为主题，紧随ai大模型技术发展的步伐，深入探讨了智算集群运维的未来方向。
过去一年中，AI大模型产业迅猛发展，DeepSeek等关键技术不断突破，加速推动通用人工智能（AGI）的到来，促使AI技术更深层次地融入各行各业，实现广泛应用的普及化。2025年，标志着人工智能进入大规模落地的新阶段。这一进程背后，是对算力需求的持续攀升，同时也对算力集群的运维能力提出了更高要求——不仅要保障大规模训练任务的实际可用性，还需确保推理生产环境的高可靠性，实现故障快速识别、自动隔离与闭环处理，从而支撑推理业务的高吞吐和低延迟运行。
华为鲁驰在分论坛现场
大模型引领运维革新：华为iMasterCCAE，激发集群极致性能
华为计算CCAE领域总裁鲁驰指出，随着大模型从单纯追求技术高度转向“技术突破+工程创新”双轮驱动，智算集群运维正面临两大转变：其一，训练方式由SFT逐步向强化学习（RL）演进，训推迭代频繁导致故障模式更加复杂，对训练作业的稳定性构成更大挑战；其二，推理场景中MoE架构和大规模专家并行成为主流，PD混部逐渐被PD分离取代，显著提升了对推理服务可靠性的要求。为此，华为提出“运管中台+集群自智引擎”的新型运维架构，并正式发布iMasterCCAE集群自智引擎，致力于构建高效智能的运维体系。鲁驰现场详细介绍了CCAE新增的三大核心能力——月度级故障模式库、源代码级运维大模型、超大规模集群管理能力，助力实现万卡规模训练作业可用率达99%，百至千卡推理业务可靠性高达99.99%。目前，CCAE已在超过60个集群中部署应用，覆盖运营商、互联网、金融、教育等关键行业，为业界提供了提升作业可用性与保障推理高可靠的成熟实践方案。
产品升级应对新挑战：技术创新打造高可用智算集群
华为CCAE产品首席架构师杜晓东表示，CCAE的产品设计始终紧跟AI硬件演进、智算范式变革及业务特征变化所带来的技术挑战，聚焦于提升集群的可用性与推理可靠性。依托磐石架构与运维大模型两大基石，CCAE实现了从被动响应到主动预测的转型，推动运维向高度自治迈进，达成集群高可用99%、高可靠99.99%的目标，最大化释放算力潜能。论坛上，杜晓东全面解析了CCAE的技术框架，并重点展示了多项创新功能：光模块亚健康状态提前预警、iSID集群智能拨测技术、推理业务分钟级主动故障感知与诊断机制、基于大模型的日志分析工具LogAnalyzer，以及面向超大规模集群的统一管理中台能力。展望未来，杜晓东提出运维将经历从传统模式向AgenticOPS的演进路径，逐步实现从“可管可维”到“主动自治”，最终迈向无人值守的智能运维新时代。
华为杜晓东在分论坛现场
运维大模型落地实践：科大讯飞携手华为，实现故障精准定位
科大讯飞AI工程院总监鲍中帅分享了企业在飞星一号集群训练与运维中的实践经验。他表示，科大讯飞的运维已从传统的基础设施监控逐步转向面向AI作业的智能化运维，面对新的业务挑战，尤其是在未覆盖故障场景下的定位准确率仍有待提升。为此，科大讯飞与华为深化合作，首次引入基于日志大模型底座的AI辅助分析引擎LogAnalyzer。该引擎能够全面解析计算、网络、存储各域日志数据，显著提升故障排查效率，整体诊断准确率提升至88%。鲍中帅强调，双方将继续联合探索，由LogAnalyzer向多AIAgent协同系统演进，共同打造行业领先的智算集群智能运维解决方案。
科大讯飞鲍中帅在分论坛现场
超节点运维实战：广东电信构建智能运维体系，打造先进超节点集群
广东电信ICNOC云智算团队总监刘光介绍，广东电信正积极建设先进算力基础设施，首个商用昇腾超节点已在中国电信粤港澳大湾区（韶关）算力集群正式上线，既服务于内部AI公司和研究院的模型自研训练，也对外支撑日益增长的算力需求。在昇腾超节点的运维实践中，广东电信采用华为CCAE系统，并与亿讯平台打通，有效解决了光模块故障、跨域协同难、集群稳定性等一系列关键问题。CCAE提供的集群健康检查、作业故障定界定位、高速总线网络管理、光链路异常分析、慢节点与慢网络识别等功能，已深度融入日常运维流程，持续优化工具链体验，全面提升超节点集群的可用性和运维效率。
广东电信刘光在分论坛现场
人工智能正在重塑当下，也在塑造未来！本次智算集群运维专题论坛为产业界搭建了一个开放交流、协同创新的重要平台。通过持续的技术突破与生态协作，有望推动集群运维能力迈上新台阶，充分释放算力价值，助力中国计算产业高质量发展。
