前沿大模型每一代算力需求指数级增长，超大规模集群是人工智能强国竞争战略的大国重器。下一代自主计算系统方案选型基于可扩展、高可用、国产化原则，从硬件层、平台层和业务层实现 GPU 解耦、网络解耦、自主可控软件，通过自研通信库、拥塞控制和负载均衡优化策略、高效能算力调度、自动化集群运维、国产 AI 通信系统、算存协同广域调度等技术构建超大规模自主智算集群，解决算力基础设施卡脖子问题，为前沿大模型发展提供算力支撑。

演讲提纲

1. 基础设施发展趋势

• Scale out、Scale up 层面实现超大规模集群建设
• 大模型基础设施全景图
• 大规模智算集群核心痛点及工程要求

2. 超大规模自主计算集群方案

• Galaxy 自主智算集群构建要点
• 可扩展设计：架构设计、通信库、网络优化、并行框架等关键技术
• 高可用设计：自研高效能算力调度、自动化算力运维平台
• 国产化设计：基于国产AI通信系统实现开放通用设计、垄断方案解耦

3. 十万卡智算集群解决方案

• 算存协同广域组网调度
• 长距离大模型训练实践

您认为，这样的技术在实践过程中有哪些痛点?

• 在 GPU 解耦层面，基于国产芯片的迁移适配、多元异构混合训练需要联合 GPU 厂商支持，且国产 GPU 在 Scale up 层面进展较慢，构建基于国产 GPU 的下一代自主智算系统难度较大
• 在国产 AI 通信层面，目前基于国产交换芯片的交换机最大交换容量是 25.6 T（64 个 400 G 端口），三层组网最大支持 65536 张卡，需要创新设计十万卡集群架构。

演讲亮点
 

• 国产全栈端到端 AI 通信系统方案：在交换机、集合通信库、拥塞控制调优、网络运维平台、长距和异构通信等方面，通过软硬件协同设计，形成全国产智算网络全栈产品和解决方案
• 丰富的大规模集群项目实施经验：方案中的关键技术累积应用在超过多个大规模智算集群，集群规模累积超过 4 万张国际先进 GPU 卡