视频 | 首批万卡集群成了!上海这群青年为算力自由打样

算力是人工智能的底座，而算力集群好比AI世界的“发电机”，其高效调度与稳定运维，直接决定了大模型等产业的发展速度。在上海仪电，一支平均年龄仅32岁的智算科技万卡集群青年突击队，从零起步、边干边学，不仅建成了国内第一批万卡集群，更实现了集群99.99%的高可用性，在算力这一全新领域跑出了属于自己的速度。

最近一段时间，万卡集群团队一直在“养”一只“龙虾”，这只“龙虾”并非OpenClaw，而是他们自主开发、面向技术领域工业场景的智能体。这一智能体将服务于企业的智算运维平台，使其能更高效地应对故障。

上海智算科技系统平台部负责人翟雨佳指解释，芯片具有高附加值，一分钟甚至一小时的故障都可能造成数百万元的损失，这一成本对任何企业而言都难以承受，因此他们的任务就是确保有限的资源发挥出最大的效能。

走进上海仪电智算中心的机房，数万张GPU设备整齐排列，高速网线交织运行。每张芯片每秒执行67万亿次运算，它们汇聚的能量相当于三峡水电站一台机组一小时的发电量。团队的主要任务，就是调度这些芯片，让一万张不同架构、不同代际、不同技术参数的GPU精确协同。其难度好比让上万架无人机在密集的空域中高速穿梭。更难的是，这一万张卡组成的集群必须全天不间断提供服务，因为在大模型训练过程中，哪怕仅一分钟的故障中断，都可能导致数十小时的训练成果付诸东流。

上海智算科技系统工程中心总监、万卡集群攻坚团队负责人胡宝群表示，他们的客户主要是上海知名的AI企业以及一些科研机构，而他们是这些客户的基座，只有自己做好了，客户才能在此基础上进行科研突破。为此，团队成员常常连续两三个月泡在机房里不断调试，不断寻找最优解。

在团队的努力下，目前万卡集群已实现99.99%的高可用性，相当于全年总故障时间缩短到1小时以内。这有力支撑了多模态大模型保持全球领先的训练进度，保障了自动驾驶模型每天100万公里的虚拟路测数据进化，以及气象大模型提前7天预警极端降雨。

仪电集团人工智能产业发展部副总经理、智算科技董事长孙跃介绍，除了打造更高效率的基础设施，他们还将构建一个更加弹性、更加灵活的智算云平台，从而更好地赋能千行百业。

作为一家平台型链主企业，团队还在生态建设上持续发力，希望牵引产业链上下游，共同构建自主可控的算力生态。