国内前列！移动云智算管控平台上线

5月31日，全新智算管控平台在中国移动智算中心（呼和浩特）上线。移动云智算管控平台专注提升智算中心AI业务稳定性和运行效率，打造了智算集群端网一体化性能监控与调优工具链能力，实现了对AI训练任务全面可视、可管的监控管理，能够做到训前集群健康状态一站式检查、训中任务粒度的实时监控、训后故障快速定位恢复。

随着大模型参数从千亿增至万亿，并从单模态扩展至多模态，所需的算力集群规模也从千卡跃升至万卡级别，随之而来的模型训练稳定性降低和成本增加的问题日益凸显。

移动云智算管控平台通过健康巡检一键化、训练任务可视化、故障诊断专家化等核心优势，有效提升训练稳定性、降低训练成本，为大模型训练保驾护航。

大幅提升稳定性

全生命周期守护大模型训练

千卡／万卡级别的算力集群汇聚了数百万个器件，其训练过程中任何单一器件故障都极易造成整个模型训练的中断。据统计，由于故障频发，大模型的实际有效训练时间仅达到30％至50％。

移动云智算管控平台可大幅提升训练任务稳定性，在中国移动内部大模型训练中成功保障千卡集群稳定运行20天以上，处于国内前列。

移动云智算管控平台具备健康巡检一键化、训练任务可视化的核心优势，全程护航大模型稳定训练。

健康巡检一键化：

平台共计提供100+健康检查项，覆盖端网一体的一键健康检查，涵盖全量及单模块监测，支持训前、训中、训后的全生命周期健康检查和性能分析。实现故障节点的快速感知优化，提升训练任务成功率。

训练任务可视化：

平台打造了AI训练任务的监管视图，能够可视化展示任务训练进度、训练关键指标，具备秒级时延的异常感知和上报能力，触发任务训练平台的断点续训。

有效降低成本

构建丰富的智算调优知识储备

基础大模型的训练周期往往长达数月，而业界大模型稳定训练平均时长仅达到天级。由于故障模式复杂多样，难以迅速定位与界定，每次故障修复耗时可能长达1至30天；且算力资源较为昂贵，一个万卡集群的闲置损失将超过300万元／天。

移动云智算管控平台不仅能够提升大模型训练稳定性、降低故障频次，还具备故障诊断专家化的突出优势。

故障诊断专家化：

平台精心构建专家知识库，深度整合了数百位训练调优专家的实战经验，打通英伟达、昇腾等厂商开源生态的知识数据，通过实现故障的高效定位，达到 90%的故障快速恢复，将训练成本降低三分之一。

一直以来，移动云持续攻坚智算领域关键核心技术、为我国人工智能产业发展构筑强大数字底座。移动云以大算力赋能大模型，规划“N＋X”大规模智算基础设施体系，全网智算规模达到17EFLOPS（FP16）。其中，在呼和浩特投产的全球运营商最大单体液冷智算中心，曾入选2023年度央企十大超级工程。同时，打造涵盖IaaS／PaaS／MaaS／SaaS的全栈智算产品体系，为不同行业提供便捷高效的一体化算网服务。

未来，移动云将继续强化智算布局，深化技术研发与应用创新，为新质生产力发展贡献力量。

关键词：