润和软件探索智算集群与异构算力治理新路径

9月16日，“面向Agent时代的


AI


Infra技术趋势Workshop”于上海举办。本次Workshop作为华为全联接大会2026“Day 0”系列活动之一，以“共筑生态 聚智全球”为主题，旨在凝聚共识，寻找Agent时代AI Infra产业出海同心同路人，通过梳理Agent/MaaS生态伙伴、定义AI Infra 2.0标准架构，为未来中东、中亚AI


DC


技术白皮书及WAICO技术路线奠定基础。江苏润和软件股份有限公司（以下简称“润和软件”）受邀参会，围绕大规模智算集群全链路运维与算力资产增效开展主题分享，介绍面向万卡级场景的智算集群与异构算力治理技术思路，同时围绕国产AI基础设施出海展开行业探讨。

研讨会上，润和软件智算事业部解决方案总监巩远波发表《润和软件Token工厂：AI Infra全链路智能运维的探索与实践》主题演讲。他指出，大规模集群运维的核心难点不在于单点设备监控，而在于芯片驱动、容器运行时、网络总线、硬件带外管理、能效控制、负载编排、训练自愈七层对象的全链路协同，任何一层出现割裂，都可能造成集群整体Token产出下降。

当前万卡级智算场景快速演进，行业发展同时面临六大现实痛点：

故障常态化：集群规模越大硬件故障概率越高，直接侵蚀有效训练时长

五维异构难题：多品牌算力硬件混跑，带来算力混池效率损耗

网络瓶颈：大规模集群中网络建设成本高，同时容易成为业务性能短板

推理性能墙：MoE等模型场景下推理吞吐存在明显差距

训推冲突：训练、推理任务争抢算力资源，小作业资源利用率偏低

电力空耗问题：即便业务负载不高，硬件依旧维持峰值功耗，推高智算


中心


运营成本

针对上述行业痛点，润和软件基于openEuler开源底座，打造Token工厂AI Infra全链路智能运维技术方案，分层破解大规模智算集群的各类挑战。

异构基础层，化解算力“碎片化税”

依托超节点


操作系统


基座与iSulad统一容器运行时，屏蔽多厂商软硬件异构差异，完成驱动、固件、AI框架的统一基线治理；基于KubeOS实现操作系统的云原生生命周期编排，支持节点OS在线升级、镜像重装、故障回滚，夯实万卡智算集群稳定运行底座。

统一高速网络层，释放集群


通信


效能

完成灵衢总线适配优化，结合AI场景RoCE拥塞控制、DPU卸载能力，实现多厂商网络设备统一纳管，提升集群通信效率，降低网络综合投入。

硬件监控遥测层，实现故障自动闭环处置

采用带外监控方案，近乎零业务开销采集硬件健康指标，实现秒级故障识别；联动调度组件完成任务自动迁移与训练续训，减少硬件故障带来的算力损失。

能效管理层，打造负载自适应的智算中心

搭建“预测-执行-反馈-修正”的能效闭环，根据训推业务潮汐特征动态调节功耗；结合电价、绿电、碳排放约束调度可延迟任务，在保障业务SLA前提下降低算力运营成本。

负载自动化编排层，实现异构算力统一池化调度

打造AI原生调度器，支持拓扑感知调度、训推混部、多约束资源放置、故障自愈，实现各类异构算力统一调度管理，提升整体资源利用效率。

未来，润和软件将持续依托openEuler开源生态，迭代完善Token工厂AI Infra全链路智能运维相关技术，持续探索Agent时代 AI Infra 建设新思路，携手产业伙伴共同推进智算产业创新发展。

江苏润和软件股份有限公司（简称“润和软件”）成立于2006年，2012年在深圳证券交易所创业板上市（证券代码：300339），是首批国家规划布局内重点软件企业、全国文明单位。公司总部位于南京，在北京、上海、深圳、香港等22个国内主要城市设有研发中心或分子公司，在日本、新加坡、越南等国设有海外分支机构，全球员工约17000人，拥有全球化的技术整合、客户响应与服务到达能力。

秉承“做民族软件脊梁，担世界进步责任”使命，润和软件以“AI转型共建者、AI落地护航者、AI价值兑现者”为核心定位，致力成为中国数智技术与服务创新的引领者。公司依托多年深耕行业的深厚积累、软硬件一体化解决方案与全生命周期服务能力，助力客户数字化转型与智能化升级。