想象一下，你正在用手机导航规划长途路线，背后可能有几十个 AI 模型同时在分析路况、预测 拥堵；医院用 AI 辅助诊断癌症时，系统需要瞬间处理成百上千张 CT 影像。这些看似简单的智 能应用，背后都依赖着像 "超级大脑" 一样的 AI 算力集群在 24 小时不停运转。 如果把 AI 算力集群比作一个大型工厂的生产线，高可用性就相当于让这条生产线具备 "永不 罢工" 的能力，给 AI 算力集群上了一份 "保险"，让这个支撑智能时代的 "数字发动机" 既能 承 受 日 常 的 " 小 磕 小 碰 " ， 又 能 在 遇 到 突 发 故 障 时 保 持 稳 定 运 行 。 只 有 确 保 算 力 资 源 随 时 可 用、持续输出，才能让 AI 真正成为驱动业务创新的可靠引擎，而不是随时可能熄火的 "半成 品"。 高可用核心基础——面向超节点的故障感知、管理及容错 AI大集群问题定位复杂，系统规模大、软硬技术栈复杂、调用链长，先要跨域故障定界，然 后各域内部故障定界定位，故障诊断面临巨大挑战；当前定位时间从数小时到数天，技能要 求高 ，难以找到故障设备和根因。华为团队为了让集群运维工具能够快速找到问题原因，有 效提升 ...

想象一下，你正在用手机导航规划长途路线，背后可能有几十个 AI 模型同时在分析路况、预测拥 堵；医院用 AI 辅助诊断癌症时，系统需要瞬间处理成百上千张 CT 影像。这些看似简单的智能应 用，背后都依赖着像 " 超级大脑 " 一样的 AI 算力集群在 24 小时不停运转。 超节点需要做大超节点规模，才能充分发挥超平面网络的优势，目前业界没有使用光链路来构建超节 点的成功案例，因此华为团队提出了相应的超节点光链路软件容错方案。通过多层防护体系，借助超 时代答，绿色通道等关键技术实现无超节点级故障，通过链路级重传，光模块动态升降 Lane ， HCCL 算子重执行，借轨通信，双层路由收敛， Step 级重调度等特性，实现光模块闪断的故障率容 忍度 >99% 。在新增 10 倍 + 光模块后，通过软件可靠性措施，以及光链路压测技术等，实现光模 块闪断率低至电链路水平，保障了超平面的可靠性。通过构建 Step 级重调度能力，高频的 HBM 多 比特 ECC 故障恢复时间 缩短至 1min ，对于因为故障造成的用户的算力 损失下降 5% 。 高可用助力业务——万卡集群上千亿模型的线性度和训推快恢 线性度指标用于衡量训练 ...

秒级快恢、超95%线性度，华为如何让算力集群高效稳定工作？ 编辑丨李希 01 引言 想象一下，你正在用手机导航规划长途路线，背后可能有几十个 AI 模型同时在分析路况、预测拥堵；医院用 AI 辅助诊断癌症时，系统需要瞬间处理成百上千张 CT 影像。这些看似简单的智能应用，背后都依赖着像 "超 级大脑" 一样的 AI 算力集群在 24 小时不停运转。 高可用核心基础 ——面向超节点的故障感知、管理及容错 AI大集群问题定位复杂，系统规模大、软硬技术栈复杂、调用链长，先要跨域故障定界，然后各域内部故障定 界定位，故障诊断面临巨大挑战；当前定位时间从数小时到数天，技能要求高 ，难以找到故障设备和根因。 华为团队为了让集群运维工具能够快速找到问题原因，有效提升现网问题的闭环效率，提出了 全栈可观测能 力，构建了大规模集群的故障感知能力，主要由集群运行视图、告警视图、网络链路监控、告警接入和配置、 网络流可观测能力组成；同时还提出了包括全栈故障模式库、跨域故障诊断、计算节点故障诊断、网络故障诊 断等四大能力的故障诊断技术。 当前行业水平下，万卡级别的 AI集群平均每天会出现一次甚至多次故障，这不仅严重影响了训练效率，还 ...

HUAWEI X HUXIU 在通往通用人工智能（AGI）的路上，如何像其他领域一样实现弯道超车，是业界绕不开的 话题。 在过去的十余年时间里，各项单点技术飞速演进，但随着单点技术演进的边际效应递减和系 统复杂度的提升，系统性能的天花板逐步从单点技术的上限演变成系统工程上限：单点优势 越来越像是精致的零件，提升空间有限；但采用系统工程创新，各个部分完美配合、高效协 同，实现整个系统的效能最优，才有更积极的现实意义。 如何在发挥单点技术优势的同时，以整体视角重新构建路径，通过对复杂系统的极致把控与 再组织、找到新的突破可能？解决这个看似不可能的问题，就有望为我们独立引领最前沿技 术发展创造条件。 近期，虎嗅将推出《华为技术披露集》系列内容，通过一系列技术报告，首次全面详述相关 技术细节，为业界提供参考价值。 01 高可用核心基础： 面向超节点的故障感知、管理及容错 AI大集群问题定位复杂，系统规模大、软硬技术栈复杂、调用链长，先要跨域故障定界，然 后各域内部故障定界定位，故障诊断面临巨大挑战；当前定位时间从数小时到数天，技能要 求高 ，难以找到故障设备和根因。华为团队为了让集群运维工具能够快速找到问题原因，有 ...