业界首个服务器异构加速器故障信息转储团体标准立项，浪潮信息牵头

01 智算中心规模持续扩大 异构加速器故障定位复杂度随之上升

随着大模型训练、推理及智能体应用加速发展，智算中心集群规模持续扩张，算力基础设施呈现多元化发展趋势，GPU、FPGA及各类新型加速器并存部署成为常态。

集群规模扩大增加了故障频次，而芯片类型、硬件架构和软件栈日益多元，进一步提高了故障定位和跨平台运维的复杂度。据业内公开信息，在一次万卡级大规模AI训练任务中，历时近两个月的连续运行周期内，累计记录到逾数百次非计划中断事件，其中超过一半的中断由硬件问题引发。

异构加速器故障信息转储缺乏统一标准，并非某一类芯片的个例问题，而是多元异构平台面临的共性难题：

02 围绕机制、范围、生态三方面，构建异构加速器故障信息统一管理规范

针对上述问题，《服务器异构加速器故障信息转储要求》围绕转储机制、转储范围和转储格式建立统一规范，确保故障现场信息在各类场景下都能被完整捕获、统一读取。

■ 首先，规范故障信息转储机制，提升极端场景下的信息留存能力。标准将规范操作系统与带外管理系统的协同机制，明确故障触发条件、信息采集流程和紧急通信方式。即使在系统崩溃等极端场景下，也能通过跨平台紧急通信完成故障信息转储，避免关键现场信息随系统重启丢失。

■ 其次，扩大故障信息覆盖范围，实现故障现场完整还原。针对“底层数据抓不全”问题，标准将打破传统采集方式仅覆盖基础信息的局限，将加速器内部状态、显存错误、固件运行日志、互连链路数据等统一纳入转储范围，为运维人员提供完整的故障现场全景，降低反复复现成本。

■ 最后也是最重要的，打破生态壁垒，统一数据规范。标准针对“异构平台标准割裂”问题，统一GPU、FPGA等各类异构加速器故障转储的数据内容、触发机制与格式要求。不同品牌的加速器可按同一套规范完成信息采集，解决多品牌混布时的信息孤岛问题。

03 从故障定位到智能运维管理，提升智算基础设施可靠性

对于智算中心而言，该标准的价值不仅在于提升单次故障处理效率，更在于推动AI基础设施可靠性能力升级。作为该项标准的牵头方，浪潮信息此前已在元脑服务器 NF5668与主流加速卡上实现“GPU黑匣子”功能，可在GPU驱动异常、PCIe致命故障等系统崩溃瞬间，联动OS内核与BMC自动留存GPU日志、告警、异常指标及系统故障信息，并支持一键查看。此次牵头标准立项，正是将这一实践验证的技术能力沉淀为行业通用规范。

对于芯片、服务器及系统厂商，该标准的价值贯穿产品全生命周期。研发阶段，明确的转储过程、范围和格式要求，为产品可靠性与可维护性设计提供了技术依据；适配阶段，统一规范有助于降低整机、BMC与不同硬件架构之间的对接成本；售后阶段，准确的故障证据和根因定位能力，可减少“盲目换卡”及无缺陷退货（NTF）现象，降低服务成本，提升客户服务效率与专业性。

未来，浪潮信息将在故障预测、智能诊断与快速修复等方向持续投入，打造覆盖硬件监控、固件管理和系统运维的全栈能力。此次牵头制定该项标准，是将经过实践验证的软硬件技术经验沉淀为行业通用规范，推动智算基础设施可靠性和运维效率的系统性提升。