在华为全联接大会2025上，华为组织的面向智算集群运维的专题论坛成功举行。来自科大讯飞、广东电信、华为的嘉宾在论坛上发表专题演讲，华为公共开发部总裁陆海鸥先生作开场致辞。论坛以“智能集群运维，点亮最强算力”为主题，紧跟AI大模型发展趋势的变化，与会嘉宾共同探讨智算集群运维新方向。

一年以来，AI大模型产业快速发展，DeepSeek等一系列技术的突破，加速AGI的到来，让AI能深入各行业，加速AI应用的大众化。2025年，可以说迎来了AI人工智能大规模应用的时代。这背后是对算力持续增长的巨大需求，同样也对算力集群运维提出了很多新的要求。集群运维要兼顾大规模集群训练的实际可用度，和推理生产场景的可靠性，实现快速诊断故障，进一步做到故障自隔离自闭环，保障推理业务高吞吐和低时延。

大模型驱动运维理念换新：华为iMaster CCAE，释放集群澎湃算力

华为计算CCAE领域总裁鲁驰表示，基于大模型从技术摸高走向“技术摸高+工程创新”并行的发展新趋势，集群运维出现两大变化：一是训练从SFT向RL强化学习演进，训推反复迭代带来故障模式变化，对训练作业可用度提出更大挑战；二是推理场景MoE模型和大规模专家并行成为主流，从PD混部走向PD分离推理方式，对推理业务可靠性提出极高挑战。华为提出基于“运管中台+集群自智引擎”的运维架构，并发布iMaster CCAE集群自智引擎，构筑高效智算运维。鲁驰现场详细解读CCAE新增的三大核心能力，通过月度级故障模式库、源代码级运维大模型、超大规模集群管理，实现万卡训练作业可用度99%、百/千卡推理业务可靠性99.99%。目前CCAE已经在60+集群上进行了部署和应用，行业涵盖运营商、互联网、以及金融、教育等国计民生。iMaster CCAE为业界提高集群作业可用度、保障推理高可靠提供了实用的解决方案。

华为鲁驰在分论坛现场

产品升级应对运维新场景：CCAE技术创新铸就集群高可用

华为CCAE产品首席架构师杜晓东表示，CCAE产品系统设计始终围绕AI硬件、智算范式、业务特点变化，对集群可用度、推理可靠性带来新的技术挑战。CCAE以磐石架构和运维大模型为基石，变被动响应为主动运维，驱动运维高度自治，达成集群高可用99%，高可靠99.99%，极致释放集群效能。在论坛现场杜晓东向业界全面解读了CCAE技术框架，并重点介绍光模块亚健康/失效问题提前感知、iSID集群智能拨测、推理业务分钟级主动故障感知和诊断、LogAnalyzer日志大模型技术，以及超大规模集群管理中台技术。展望智算运维的演进，杜晓东提出由传统运维到AgenticOPS的模式变革，逐步实现从可管可维到主动自治，最终实现无人值守。

华为杜晓东在分论坛现场

运维大模型实践：科大讯飞应用LogAnalyzer运维大模型快速诊断疑难故障

科大讯飞AI工程院总监鲍中帅表示，科大讯飞在飞星一号集群的训练和运维积累了较丰富经验，从面向基础设施的智能运维，逐渐走向面向作业的智能运维，业务挑战有了新的变化。在故障模式库已覆盖场景诊断准确率85%+，在未覆盖场景面临需要加强未知故障定位准确率的难题。科大讯飞和华为持续合作，今年首次引入基于日志大模型底座的AI辅助分析引擎LogAnalyzer，基于大模型全面分析算网存各域日志，显著提升故障定位效率，整体准确率达到88%。鲍中帅表示，双方还将持续联合创新，从LogAnalyzer走向多AI Agent系统，打造业界领先的智算集群智能化运维解决方案。

科大讯飞鲍中帅在分论坛现场

超节点运维实践：广东电信布局智能运维，打造领先的超节点智算集群

广东电信ICNOC云智算团队总监刘光表示，广东电信构筑先进算力中心，首个商用昇腾超节点在中国电信粤港澳大湾区（韶关）算力集群正式发布，对内满足AI公司、研究院模型自训，对外承接快速增长的算力需求。在昇腾超节点运维上，广东电信使用CCAE运维，对接亿讯平台，解决光故障、跨域协同和集群可靠性等关键运维问题。CCAE提供集群健康检查、作业故障定界定位、高速总线网络管理、光故障分析、慢节点慢网络识别等能力，融入广东电信运维团队日常运维流程中，持续提升工具链易用性，使能超节点集群高可用性。

广东电信刘光在分论坛现场