HUAWEI X HUXIU在通往通用人工智慧（AGI）的路上，如何像其他領域一樣實現彎道超車，是業界繞不開的話題。在過去的十餘年時間裡，各項單點技術飛速演進，但隨著單點技術演進的邊際效應遞減和系統複雜度的提升，系統性能的天花板逐步從單點技術的上限演變成系統工程上限：單點優勢越來越像是精緻的零件，提升空間有限；但採用系統工程創新，各個部分完美配合、高效協同，實現整個系統的效能最優，才有更積極的現實意義。如何在發揮單點技術優勢的同時，以整體視角重新建構路徑，通過對複雜系統的極致把控與再組織、找到新的突破可能？解決這個看似不可能的問題，就有望為我們獨立引領最前沿技術發展創造條件。近期，虎嗅將推出《華為技術披露集》系列內容，通過一系列技術報告，首次全面詳述相關技術細節，為業界提供參考價值。我們期待通過本系列內容，攜手更多夥伴共同建構開放協作的生態系統，助力昇騰生態在中國的蓬勃發展。《華為技術披露集》系列 VOL.13 ：萬卡叢集你是否注意到，現在的 AI 越來越 "聰明" 了？能寫小說、做翻譯、甚至幫醫生看 CT 片，這些能力背後離不開一個默默工作的 "超級大腦工廠"——AI 算力叢集。隨著人工智慧從簡單規則判斷進化到能處理兆參數的大模型，單台電腦的算力就像小舢板面對汪洋大海，而算力叢集則是把上萬台甚至幾十萬台電腦像搭積木一樣連接起來，形成一艘能承載巨量計算任務的 "算力航空母艦"。當我們把上萬台電腦整合成一個有機整體時，需要解決一系列世界級難題：如何讓它們像精密鐘錶一樣協同工作？如何在部分裝置故障時依然保持高效運行？如何快速修復大規模訓練中的中斷問題？接下來我們將逐一揭秘這些支撐 AI 算力叢集的關鍵特性，看看華為團隊如何用工程智慧馴服這頭算力巨獸。01 超節點高可用：24 小時不停工的智能工廠就像醫院的急診系統必須時刻線上，AI 訓練和推理也不能輕易中斷。算力叢集裡每台電腦都有 "備用替身"，當某台機器出現故障（比如突然斷電或硬體損壞），系統會立刻啟動備用機接管任務，就像接力賽中接力棒無縫傳遞，確保自動駕駛訓練、語音識別等任務持續運行，不會因為個別裝置故障而全盤停止。針對CloudMatrix 384超節點，華為團隊提出面向整個超節點的故障容錯方案，分為“系統層容錯”、“業務層容錯”，以及後續“維運層容錯”，核心思想就是 將故障問題轉為亞健康問題，通過維運手段優雅消除:(1) 系統層容錯：通過超時代答欺騙OS+網路路由切換，防系統藍色畫面，同時避免整個超節點級故障。(2) 業務層容錯：租戶無感知下，通過重試容忍網路閃斷，將系統故障轉為亞健康。(3) 維運層容錯：主要構築亞健康感知和優雅恢復技術，通過主動方式將消減亞健康事件影響。02 叢集線性度：人多力量大的完美協作理想情況下，100 台電腦的算力應該是 1 台的 100 倍，1000 台就是 1000 倍，這就是 "線性度"。算力叢集通過精密的任務分配演算法，讓每台電腦都像 orchestra（交響樂團）的樂手一樣各司其職，避免出現 "三台和尚沒水喝" 的混亂。比如訓練一個需要兆次計算的模型時，萬台電腦能像整齊劃一地划槳的龍舟隊，讓算力隨規模增長而幾乎同步提升。華為團隊提出華為團隊提出拓撲感知的協同編排技術TACO、網路級網存算融合技術NSF、拓撲感知的層次化集合通訊技術NB、無侵入通訊跨層測量與診斷技術AICT等四項關鍵技術，實現盤古模型訓練線性度提升。實驗及理論分析結果顯示，訓練Pangu Ultra 135B稠密模型時，4K卡Atlas 800T A2叢集相比256卡基線，線性度為96%。訓練Pangu Ultra MoE 718B稀疏模型時，8K卡A2叢集相比512卡基線，線性度95.05%；4K卡CloudMatrix 叢集相比256卡基線，線性度96.48%。03 萬卡叢集訓練快速恢復：帶 "存檔功能" 的訓練師當用上萬個計算單元（俗稱 "萬卡"）訓練超大規模模型時，偶爾有幾台機器 "罷工" 是難免的。這時系統會像遊戲存檔一樣，自動記錄最近的訓練進度。一旦檢測到故障，能快速定位出問題的計算單元，跳過故障部分，從最新的存檔點繼續訓練，避免從頭再來的巨大浪費。比如訓練一個需要 30 天的模型，即使中間有裝置故障，也能在幾分鐘內恢復進度，就像影片播放可以隨時續播。為了使萬卡叢集訓練可以達到分鐘級快恢，華為團隊提出了以下多個創新：(1) 處理程序級重調度恢復：正常節點通過參數面網路將臨終CKPT傳遞到備用節點上，完成參數狀態恢復後繼續訓練，能夠有效縮短訓練恢復時間到3min以內。(2) 處理程序級線上恢復：針對硬體UCE故障，通過業務面昇騰CANN軟體、框架軟體、MindCluster軟體配合實現故障地址線上修復，進一步縮短訓練恢復時間到30s以內。(3) 算子級線上恢復：針對CloudMatrix 384產品HCCS網路、ROCE參數面網路提供HCCL算子重試能力，容忍更長時間的網路異常，實現網路故障影響的通訊算子秒級重執行，訓練任務不中斷。04 超大規模MoE模型推理分鐘級恢復：各路英豪來幫忙隨著千億MOE模型架構演進，實例部署的組網架構從傳統的一機八卡演進為大EP組網架構，將多且小的專家部署在多個伺服器節點上緩解視訊記憶體頻寬壓力，目前在大EP組網架構下主要面臨部署規模擴大導致的故障機率數量增大、故障爆炸半徑變大的可靠性問題，任意硬體故障都會導致整個Decode實例不可用，進而導致推理業務受損，甚至中斷。針對當前超大規模MoE模型帶來的大EP推理架構的可靠性難題，我們提出三級容錯方案，實例間切換、實例內重啟恢復、實例內無損恢復，從硬體驅動層、框架層、平台層相互協作，構築端到端可靠性體系。在不同的故障場景下，採用不同的容錯恢復手段，可以最小化使用者損失。(1)實例內快速重啟恢復技術：根據實際環境測試驗證，該技術將實例恢復時間從20min降低5min。(2)TOKEN級重試：基於DeepSeekV3在CloudMatrix 384超節點場景下，驗證30~60s實現實例恢復。(3)減卡彈性恢復技術：作為當前進行工作，解決硬體故障下業務中斷問題，通過專家遷移，實現故障時推理處理程序不退出，以減卡為容錯手段，動態調整推理實例規模，在使用者無感知情況下秒級恢復。05 故障管理與感知診斷：24 小時線上的裝置醫生算力叢集裡有一套即時監控系統，就像給每台電腦安裝了 "健康手環"，持續監測溫度、算力利用率、資料傳輸速度等指標。一旦發現某台裝置運行異常（比如散熱不良導致速度變慢），系統會立即發出警報，並像醫生一樣分析故障原因 —— 是硬體老化？網路擁堵？還是軟體 bug？快速定位問題並啟動修復機制，防止小故障演變成大停機。針對面向算力叢集的硬體故障管理，華為團隊提供了一套完整的解決方案：基於CloudMatrix 384超節點的裝置物理形態和組網方案的昇騰AI硬體災備高可靠架構設計、涵蓋基礎檢錯糾錯能力、故障隔離能力、故障容錯能力以及深度巡檢與故障預測能力的昇騰RAS統一故障管理容錯框架、進一步提升光鏈路的可靠性的網路自診斷可靠性管理、以及綠色低碳、穩定可靠和安全可信的雲資料中心管理體系。針對面向算力叢集的故障感知能力，華為團隊建構了大規模叢集線上故障感知（全端可觀測）和故障診斷（全端故障模式庫、跨域故障診斷、計算節點故障診斷、網路故障診斷）技術：(1) 全端可觀測能力：建構了大規模叢集的故障感知能力，主要由叢集運行檢視、告警檢視、網路鏈路監控、告警接入和配置、網路流可觀測能力組成。(2) 故障診斷能力：包括全端故障模式庫、跨域故障診斷、計算節點故障診斷、網路故障診斷。06 建模模擬：算力底座的“數位化風洞”在正式開展複雜AI模型的訓推之前，算力叢集可以先在虛擬環境的“數位化風洞”中 "綵排"。比如研發一個新藥篩選模型時，先通過模擬不同的演算法參數、資料輸入和計算資源分配方案，預測模型在真實場景中的表現，就像電影導演用動畫預演複雜鏡頭。這種 "先模擬後實戰" 的方式，能提前發現計算系統的瓶頸點和邏輯漏洞，並提出相應最佳化手段，節省大量真實訓推的時間和資源。華為團隊創新性提出系統化、可擴展的馬爾科夫建模模擬平台，圍繞對訓練、推理、高可用三大核心領域實現多維度系統性建模分析與性能預測調優，實現叢集資源高效配置與動態最佳化，達成算力極致利用與系統長期穩定可靠運行。(1)Sim2Train訓練建模模擬：馬爾科夫訓練叢集建模模擬平台，AdaptPack編排最佳化長序列PP空泡，吞吐提升4.5%-8.24%。通訊與計算協同場景，引入AdaptS/R技術，通訊暴露時間降89.84%，單步總時長縮短3.25%；MoE通過AdaptExpert提升端到端性能7.5%。(2)Sim2Infer推理建模模擬：面向昇騰複雜推理系統的馬爾科夫建模模擬平台，實現了從高層算子描述到底層硬體指令的自動化對應與模擬，平均誤差低至6.6%。(3)Sim2Availability高可用建模模擬：馬爾科夫高可用建模模擬框架，通過離散時間步長模擬，建模單步時長內的故障性能劣化影響與恢復耗時，模擬複雜系統訓練任務中的故障場景及維運響應，實現對訓練過程性能表現與故障恢復狀態的全周期監控模擬。07 框架遷移：給模型跑車換更酷炫輪胎自從2020年3月全面開源以來，華為推出的全場景AI框架昇思MindSpore一路高歌猛進，開發者生態迅速成長。除了為基於昇騰+昇思的自主創新外，昇思MindSpore也提供了擁抱主流生態的相容方案，適應大模型時代的挑戰和需求。(1)訓練階段，MindSpore建構了MSAdapter生態適配工具，覆蓋90%以上PyTorch介面，實現第三方框架的無縫遷移，並針對動態圖執行效率的問題，通過多級流水線技術與即時編譯（JIT）最佳化顯著提升執行效率。(2)推理階段，MindSpore基於主流生態的HuggingFace權重配置，無需修改即可實現一鍵部署，通過vllm-MindSpore外掛對接vLLM框架，支援大模型推理服務化能力。實現盤古72B模型快速部署，實現推理性能提升。08 寫在最後綜上所述，華為團隊針對昇騰算力叢集基礎設施，提出了針對超節點高可用、叢集線性度、萬卡叢集訓練快速恢復、兆MoE模型推理容錯、叢集故障感知及感知診斷、叢集模擬建模、框架遷移等方面的全維度的創新方案。隨著新型應用快速變化，硬體系統持續創新，系統架構不斷演進，工程能力走向智能化，未來算力基礎設施的演進將走上演算法-算力-工程協同進化的道路，有可能形成形成“應用需求→硬體創新→工程反哺”的閉環，演算法層驅動算力專用化（如復合AI需異構加速），算力層通過架構革新（如光電混合）釋放性能潛力，工程層以智能化手段（如AI維運）彌合複雜度鴻溝，最終實現高效、彈性、自癒的下一代算力基礎設施。 (虎嗅APP)
