首发计算运维智能体，华为CCAE为万卡集群点灯

一座城市的规模，决定了它需要什么样的守夜方式。

小城镇的夜里，一个打更人提着灯笼走一遍街巷，遇到什么处理什么，靠的是脚力和经验。等这座镇子长成了大都市，街道从几条变成几千条，人口从几百变成几百万，一个打更人就算跑断了腿，也巡不完一个零头。他得有地图、路灯，最好还能有人帮他把该处理的麻烦先处理掉。

算力集群正在经历这样的膨胀。而这座城市的守夜人——运维团队，正面临着前所未有的压力。

过去三年，万卡规模的AI训练集群还是行业天花板，今天万卡已经不是新闻。一个万亿参数的大模型需要数万张加速卡，模型参数再往上走，算力需求跨入十万卡量级，光模块数量突破百万，相当于一座中等城市所有路灯的总数，要做到每一盏都实时可控、故障秒级响应。

旧的守夜方式走到了头，新的方式正在敲门。今年9月，华为全联接大会发布了业界首个计算运维智能体算小维，集群数字地图同步升级到2.0。

这套组合拳要回答的，正是那个越来越紧迫的问题：万卡之城，到底该怎么守夜？

2024年初，中国一天消耗的token大约是1000亿。到2026年，这个数字变成了140万亿。两年，一千倍。

中国信通院的数据显示，截至2026年6月底，我国智能算力规模已达2185EFLOPS。同时，投运的标准机架超过1373万架，已建成42个万卡级智算集群。

只看这条曲线，你会以为这是一个关于“更多”的故事：更多的卡、更多的机架、更多的电。但只要把镜头从曲线拉回机房，规模膨胀带来的直接挑战是运维复杂度的指数级上升。

算力不是跑起来就行，真正的挑战是算力利用率和可靠性。一座集群建成投运，只是算力价值的起点。它能不能持续输出、能不能稳定输出、能不能高效输出，才是决定这笔投资回报的关键。

不过，当集群规模从千卡迈向万卡，运维的难度也指数级翻倍。一个1024卡的超节点会生成8万多个数字对象，对应千万级监控指标。打更人的灯笼照得再勤，也照不全这座城的每一个角落。

并且，有些“火情”不是靠肉眼能看见的。光模块脏污松动、器件老化等隐性问题不会直接报警，却可能在训练任务跑到关键节点时突然发作。

同时，业务侧对算力基础设施的可靠性要求达到了前所未有的高度。金融推理场景，千卡集群的服务可靠性需要达到99.95%，意味着全年可控业务中断时长不能超过4.4小时；万卡训练场景里，集群每停一天，就是数百万乃至上千万的算力成本蒸发。守夜人打一个盹，代价可能是整座城市停摆。

告警看不完、隐患看不见、故障等不起……产业发展到这一步，靠人巡夜的时代显然已经翻篇了。新守夜人该长什么样？

万卡之城需要怎样的守夜人？

我们或许能从华为CCAE最新成果计算运维智能体算小维一窥究竟。

而要理解智能体对运维意味着什么，不妨先回顾一下计算运维的演进脉络。

最早的运维是人肉时代，工程师登录服务器，逐条命令排查。随后进入自动化时代，监控、告警、脚本批量执行，工具链不断完善，但决策依然依赖人。而智能体的出现就是为了解放人工巡检。

简单来说，智能体是具备感知、决策、执行能力的智能运维工程师。华为CCAE计算运维智能体算小维有两个核心能力。第一是故障诊断，沉淀了1400多种故障模式，依托华为CCAE在全球海量运维场景中持续积累和迭代。第二层是智慧节能，系统可实时感知整机设备运行状态、业务负载潮汐与空闲时段，通过动态调频、智能负载调度、硬件精细化降频等策略，在不影响AI训推业务性能的前提下，实现集群空闲态能耗降低10%。

以故障分析为例，在算力集群的故障排行榜上，光链路脏污长期占据榜首。万卡集群里，一根光链路闪断，可能引发连锁反应：同一链路在3秒内上报3条LINK DOWN，再加上30条IPv6链路状态改变等衍生告警。传统模式下，运维人员需要逐条查告警、查性能、查连接，在6个页面之间来回切换，大约需要1小时才能判断出是光模块收光功率异常和链路劣化，而且准确率只有70%左右。

而智能体算小维接手后，这一过程被压缩到分钟级，准确率也大幅提升，它不再需要人在告警海洋里“捞针”，而是直接给出根因判断和修复建议。

这种能力的背后是华为CCAE在数据与经验上的长期积累。具体来看，华为CCAE首发的计算运维智能体，对各代际新设备同步建模，逆向从7000多个现网真实故障案例中总结规律，形成故障分类诊断Skills的专业know-how。不同skills按照类别划分，按照类别覆盖场景，覆盖率可以达到95%以上。

从人转移到工具，再从工具转移到智能体……万卡之城的守夜人从一群熬红了眼的工程师变成一套能感知、能思考、能行动的智能系统。技术最大程度地解放了人，但只有巡逻的智能体，真的能为万卡集群保驾护航吗？

万卡集群之所以难以维护，不仅在于数量多，更在于链路复杂、故障传播快、根因藏得深。

一个万卡规模的集群内部交织着数万条高速链路、数十万个光模块、成千上万个交换节点。一个光模块的收光功率轻微劣化就会引发链路闪断、RDMA重传等连锁反应。守夜人需要一张足够精细、足够实时、足够可交互的“底图”来支撑。

华为CCAE同步升级的集群数字地图2.0要解决的就是这个问题。

它的本质是将物理集群一比一映射为运维系统内的逻辑对象。大到数万卡规模的集群对象，小到单颗NPU的UDIE端口，全部完成数字化建模。

同时，集群所有连接也完成了建模，NPU/CPU等计算单元通过灵衢总线互联，互联包括POD内的电互联和POD间的光互联。这意味着，每一颗芯片的实时状态都会被监控，哪个器件、哪条链路异常，在数字地图上就可以快速定位。

这就像给一座城市画了一张实时更新的巡检地图。以前运维人员面对的是一排排机柜、一根根线缆，只能靠经验和运气去判断哪里出了问题。现在，每一盏路灯都有了坐标，每一条线路都有了标签，运维人员拥有了全局的、实时的、可交互的视野。

进一步看，数字地图和智能体算小维之间形成了一种眼睛与大脑的配合关系：数字地图负责“看见”，把物理世界的复杂状态翻译成数字世界可计算、可推理的结构化信息；智能体算小维负责判断，在这张地图上做根因分析、做决策、做执行。

没有地图，智能体就是盲人摸象；没有智能体，地图就只是一张好看的静态图纸。两者结合，才让万卡之城的守夜从人海战术真正走向系统化的智能运维。

但是，这张地图将会供谁使用？它照亮的是一座算力小镇还是千家万户的算力城池？

一座城的安全，不能只靠一个守夜人。

华为CCAE计算运维智能体算小维的意义不仅在于交出了一份技术答卷，更在于划出了一条产业分界线。在此之前，智能运维是单点工具的比拼。算小维发布之后，竞争将走向体系化能力和生态格局。而服务的集群越多，见过的故障越丰富，智能体就越智能。

换句话说，运维就像算力价值的放大器。同样的卡，同样的电，运维水平差一个档次，产出可能差出一大截。一次非计划停机带来的损失，可能远超一年的运维投入；而一次成功的隐患预判，省下的可能是整批训练任务的宝贵时间。

从芯片到集群、从硬件到软件的全栈运维经验，加上每年在集群自智引擎上超过亿元的研发投入，华为CCAE搭建了一道很难被短期复制的护城河。

经过全球海量复杂场景实战验证，华为CCAE目前已服务全球超350个AI集群，万卡级AI训练集群可用度达98.5%。可用度从98%提升到98.5%看起来只是0.5个百分点，对于一个年产值数亿的集群来说却意味着数百万的增量收益。

不过，华为CCAE并没有选择把这些能力攥在手里。在计算管理软件分论坛《集群运维智能体，智启运维新时代》上，华为计算管理软件产品线总裁鲁驰提出，明年将逐步参与行业标准建设。智能运维还处在早期，行业缺乏统一的技术规范和评估体系。标准的建立意味着产业从各自为战走向协同进化，最终受益的是整个算力生态。

回过头看，守夜的方式一直在变。小城镇的夜靠一个打更人的脚力和经验；大都市的夜靠地图、路灯和一套自动运转的巡夜系统。万卡之城的守夜人则正在从人变成一群智能体，靠的是一整套能被复制、被共享、被共建的守夜体系。

华为CCAE升级后，数字地图把城照亮，智能体替人巡夜，技能库把经验传下去，开放生态让更多城能跟着亮起来。

一盏灯照着一条街，万盏灯亮着一座城。当所有的城都亮起来的时候，才算真正走进了智能运维的时代。