商湯大裝置成功適配昇騰384超節點，共創AI基礎設施新未來

（來源：華為計算）

近日，商湯攜手昇騰AI基於商湯大裝置SenseCore與昇騰384超節點合作創新，在集羣適配、功能性能上全面達成預期目標，雙方團隊緊密合作，在調度優化、系統穩定性以及故障恢復等方面取得多項技術創新突破，為大模型高效訓練與推理，進一步釋放昇騰AI澎湃性能，全面加速昇騰384超節點在各行各業的創新和應用落地提供了堅實支撐。

超節點（SuperPod）是一種通過高速互聯技術，將多個GPU/NPU整合為統一計算單元的新型架構，解決AI大模型訓練中的算力協同與通信效率問題。

今年5月，在鯤鵬昇騰開發者大會上，華為推出了昇騰384超節點（Atlas 900 A3 SuperPoD），實現高速互聯總線的關鍵突破——把總線從服務器內部擴展到整機櫃、甚至跨機櫃，最終將CPU、NPU、DPU、存儲和內存等資源全部互聯和池化，形成一臺「超級計算機」，實現更大的算力密度和互聯帶寬。

與此同時，這一全新方案架構，也對軟件棧的升級和平臺調度優化提出了更高要求，讓它能「跑得快、跑得穩」。

作為AI雲原生平臺，商湯大裝置SenseCore致力於為用户提供敏捷、靈活、可靠的全棧AI基礎設施服務，以極致性價比推動大模型技術的高效落地與規模化應用。

基於商湯大裝置SenseCore與昇騰384超節點的特點，雙方團隊聯合攻關，在調度優化、系統穩定性以及故障恢復等方面提出多項技術創新：

調度優化：在調度能力上，除了支持POD內單機和多機調度、跨POD多機調度、親和性調度等基礎能力，SenseCore平臺配合模型並行策略實現了邏輯超節點自動劃分，使EP/TP等大通信策略可以充分利用高速互聯總線，提升模型訓練效率。

跨POD訓練穩定性：另外SenseCore團隊提交了多個MR修復多POD場景下master/work任務rank亂序問題，從根本上解決了跨POD訓練任務概率性失敗的問題。

多維度故障檢測與恢復：在故障檢測能力上覆蓋了從服務器硬件、高速互聯總線、RoCE網絡到任務、進程軟硬件多維度檢測，結合檢測能力實現Job/Pod/進程多級恢復機制，全面提升昇騰384超節點在訓練場景下的可靠性與容錯性。

此次商湯與昇騰AI的深度合作，讓多租户、大規模、彈性AI雲服務成為可能。

商湯科技大裝置事業羣CTO宣善明表示：「商湯大裝置非常重視並深度參與中國算力生態建設。SenseCore成為首批完成昇騰384超節點適配的AI雲平臺，不僅得益於SenseCore平臺的開放性、完善的功能和豐富的應用實踐，更是中國AI基礎設施融合發展的重要里程碑。SenseCore通過與昇騰的深度融合，充分釋放昇騰算力潛能，為產業界提供更加敏捷、智能、可靠的算力底座，商湯也將在此基礎上打造面向各行業的AI解決方案，共同推動千行百業的智能化升級。」

未來，雙方還將探索更多應用場景，包括大模型推理加速、智能體應用部署、面向垂直行業的大模型訓練與推理優化等，進一步加速基於SenseCore的昇騰384超節點在各行各業的應用落地。