在“人工智能+”行動深入推進的當下，算力基礎設施已成為國家戰略競爭力的核心，而超大規模集群的運維管控難題卻日益凸顯。中科曙光scaleX萬卡超集群打造的智能管理體系，正以“能管住-管得穩-用得好”的進階邏輯，重塑超大規模算力基礎設施的運行范式，讓萬級節點協同從行業痛點變為高效常態。

集群管理的基石，始于數字孿生構建的“鏡像世界”。曙光將物理集群的業務、節點、網絡、供配電等全鏈路映射至數字空間，實現全域透明可視與精準管控。在此基礎上，智能運維助手以“實時分析-智能診斷-根因定位-故障恢復”四步流程，為運維人員提供一體化視圖，讓集群狀態“看得見、摸得著”。

三層閉環架構的智能化運維平臺，推動集群從“可觀測”升級為“可決策、可執行”。

在數據可觀測層，全量采集指標與日志等數據，通過CMDB清晰呈現資產拓撲；在知識與算法層，結構化沉淀專家經驗，以“規則+數據”雙驅動實現精準異常檢測；在場景自動化層，針對常見和關鍵場景，定義標準化流程，通過自動化工具實現故障自愈與復盤。

這套體系最終將集群長期可用性鎖定在99.99%，意味著30天內不可用時間不足4分鐘，將“故障”變成系統自動化處理的日常狀態。

穩定性是底線，算力效率是核心競爭力。scaleX萬卡超集群已實現單集群支撐15000+節點、服務12萬+用戶，每秒并發調度萬級任務，背后離不開三大關鍵調度能力。數據親和性算法優先“讓任務找數據”，規避冗余遷移；智能調度引擎動態匹配任務與資源，平衡優先級、公平性與成本；多元融合調度則兼容HPC、AI、云原生任務，兼顧吞吐與隔離，配合存算傳緊耦合優化，使AI加速卡利用率提升55%。

值得關注的是，這套管理體系與硬件創新深度協同。依托單機柜640卡的超高密度設計、浸沒相變液冷技術及自主研發的高速網絡scaleFabric，管理系統可充分釋放5EFlops總算力，同時將PUE控制在1.04，實現高效能與低能耗的統一。作為“AI計算開放架構”成果，scaleX萬卡超集群兼容多品牌加速卡，適配400+主流大模型，覆蓋大模型訓練、金融風控等多元場景。

曙光用技術實踐證明，超大規模智算集群的終極目標，不是節點數量的堆砌，而是構建自感知、自診斷、自修復、自優化的智能算力基礎設施，期待與更多產業伙伴攜手，突破算力瓶頸，共建中國AI計算開放的新生態。