《科创板日报》4月6日讯（记者黄心怡）走进位于上海松江的仪电智算中心，机房内风扇轰鸣不止，上万张GPU设备整齐排列，与纵横交错的高速网络线缆共同编织出一张庞大的算力网络。每张芯片每秒可执行数十万亿次运算，它们两天汇聚的计算能量，相当于三峡水电站一台机组一小时的发电量。
算力是AI发展的根基，而要让上万张GPU卡高效协同为一个集群运转，绝非易事。《科创板日报》记者了解到，目前上海仪电旗下智算科技团队已成功实现集群99.99%的超高可用性，相当于全年总故障时间缩短至1小时内。
《科创板日报》记者获悉，该万卡集群已适配多种国产算力卡，具备多元异构算力的融合与优化调度能力。
▍万卡级GPU集群稳定运行
2023年，上海仪电成立智算科技，牵头布局“万卡集群”，搭建智算云平台和公共服务体系。
算力集群不仅是加速卡的堆叠，还需要复杂的高速网络和强大的调度软件，它与AI大模型的关系好比“电与发电机”。“要让接近万卡算力的芯片配上高效的通讯网络，再结合相应的存储设备，能够像一台电脑这样，成为一个集群整体高效运转，难度相当大。”智算科技董事长、总经理孙跃坦言，“而更难的是，这1万张卡组成的集群，还要7×24小时不间断地提供算力服务。”
据了解，AI算力底座中算力芯片的故障率远超传统的IT设备。而在大模型训练时，哪怕仅仅1分钟的算力中断，都可能会造成几十个小时的训练结果损失。调度万卡，就像是让上万架无人机在密集的空中高速穿梭，每张芯片都容不得一毫米的误差。
面对万卡级GPU集群稳定运行难的痛点，智算科技这支平均年龄仅32岁的“梦之队”爆发出极强的战斗力。团队曾连续79天吃住在机房驻守，为了0.1%的性能提升每天熬红双眼反复打磨代码，开展算法攻坚。面对紧急任务，他们打破常规，将线性流程优化为“并行施工+边测边调”，抢占每一秒进度。
据悉，团队成功实现了集群99.99%的超高可用性，相当于全年总故障时间缩短至1小时内，这有力支撑了某大模型公司等多模态大模型领先全球的训练，成功避免了算力中断可能造成的巨大损失。
▍融合异构芯片把国产算力用起来
据了解，智算科技万卡集群已成功适配多种国产算力卡，实现了多元异构算力的融合与优化调度。孙跃介绍，在很多任务中，国产设备发挥了至关重要的作用。
“不同业务、不同行业对芯片的需求各不相同，而各类国产算力芯片在细分领域也各具优势。通过异构算力的融合，我们把国产算力真正用了起来，可以在同一底座、同一云平台的基础上，更好地满足不同垂类客户对算力基础设施的差异化需求，进一步发挥国产软硬件基础设施的潜力。”
目前，智算科技万卡集群的使用率已接近100%，基本实现建成即满负荷运转。在某新型科研机构项目中，团队仅用一周便完成近千卡集群的建设与交付，跑出行业领先速度，随后又成功部署万卡集群算力，有力保障国家重点科研任务的推进。截至目前，已具备万卡规模高性能算力集群的部署与交付能力。
智算科技还首创“动态感知调度方案”，使训练效率飙升91%，每年为国家节省的算力成本相当于新建3个数据中心，实现了混合架构万卡集群调度技术的自主可控。
今年全国两会上，“算电协同”首次被写入政府工作报告，成为国家级战略性新基建工程。智算科技也在这一领域积极开展探索。
孙跃透露，“在基础设施和机房建设过程中间，我们进一步扩大对绿电的使用比例，并通过液冷集群，提高整个能源的使用效率，降低PUE值。另一方面，我们也在和上下游的合作伙伴进行探索。比如，结合淞沪地区海上风电资源，实现风电直接驱动的海底数据中心，从而来降低算力成本，也是当前开展的算电协同的重要尝试。”
▍推动国产算力生态协同
当前，新一代人工智能快速发展，算力需求持续激增。“越来越多的算力不仅渗透到千行百业，甚至开始走进千家万户。从近期备受关注的AI Agent、智能体工作流到OpenClow等，发展速度往往超出想象。这不是一个线性的过程，而是阶跃式演进，未来虽难以准确描述其具体目标，但发展的节奏只会越来越快。”孙跃称。
谈及未来规划，孙跃表示，一方面要提高算力基础设施的建设效率，以及万卡集群的使用效率，这是在基础设施侧需要重点攻关的方向。
另一方面，上海仪电将打造开放、灵活、弹性的智算云服务平台。“去年在世界人工智能大会上，我们发布了智算平台YI CLOUD，旨在面向各类不同领域的用户，提供更普惠、更便捷的算力服务。这种算力服务依托于智算云，提供的不仅是算力，还包括行业所需的语料、模型、智能体等能力的适配，帮助用户在单一垂直领域更高效地使用算力。”孙跃称。
此外，上海仪电还在生态建设上发力。
“作为一家平台型的链主企业，上海仪电希望发挥生态链接的作用，牵引产业链上下游软硬件厂商，包括GPU企业、网络通讯、模型企业、智能体企业等，带动合作伙伴实现国产算力生态协同的创新方案，以赋能国产大模型以及相关AI+应用，这是我们未来发展的另一重点。”孙跃表示。
