从云计算到智算：TCE的渐进式基础架构演进

作者：王丙茹

腾讯专有云 TCE 专家产品经理

负责智算产品的私有云规划与落地。拥有 10 余年云计算从业经验，先后负责多款公有云/混合云存储与智算产品从 0 到 1 的规划与建设，具备非常深厚的技术功底与产品思维。

导读：在人工智能技术狂飙突进的今天，基础算力正经历一场从“通用计算”到“智能计算”的深刻变革。这不只是硬件升级，更是计算范式、服务模式与产业生态的系统性重构。

面对数字化转型与大模型浪潮，云计算亟需从资源虚拟化走向智能化。作为这一进程的参与者和推动者，腾讯专有云 TCE 如何通过“公私有云同源同构”的技术路线和渐进式创新路径，为重点行业提供平滑、可靠的智算转型新范式？

需求变革：从"通算"到"智算"的范式转移

大模型时代的到来彻底重塑了算力需求结构，从行业特定需求和云计算技术架构演进两个维度，都发生了结构性变化。

• 行业特定应用需求：金融、医疗等行业对数据本地化处理的迫切需求，如何帮助客户进行私有化落地，成为重中之重。
• 云计算基础架构：在应对AI训练与推理任务时，对GPU算力调度、高性能网络和高性能数据存储提出了更高要求。在现有专有云架构下，如何平滑演进到智算架构，成为客户重点关注的目标。

TCE 破局之道：同源同构、统一底座、渐进演进

为应对上述需求变革，TCE 坚持“公私有云同源同构”的技术路线，致力于打造通算智算统一底座，并通过渐进式迭代实现平滑演进。

• 开放兼容，一云多芯：智算套件从操作系统到物理硬件全面支持一云多芯，满足安全合规要求，为企业提供合规选择和供应链主动权。
• 全栈智能：基于腾讯公有云技术输出的智算套件，与公有云同架构，可根据客户选择与云、大数据、人工智能全栈产品搭配使用。
• 为行业赋能：依托 TCE 多年积累，具备完备的计量计费、多租户管理、资源池化等能力，支持组建大型智算中心或构建行业云赋能上下游。
• 完整运维运营能力：蕴含公有云和专有云大规模稳定运营的最佳实践，提供从资源规划、备份容灾到安全管理的完整产品能力，保障智算基础设施安全稳定高效运行。

TCE 核心引擎：智算基础设施三大支柱

TCE 的核心优势在于，在同一套云平台控制面上，融合管理通用计算与AI算力，提供包括通用计算、高性能计算、AI计算、高性能网络、高性能存储、容器调度以及机器学习/大模型平台在内的多租户服务化能力。

1. 高性能计算集群 (HCC)：构建极致并行算力底座

1. 高性能计算集群(HCC)：构建极致并行算力底座

高性能计算集群(HCC)以搭载GPU的高性能服务器为节点，通过RDMA(Remote Direct Memory Access)技术实现节点间高速互联，提供高带宽、极低延迟的网络通信。这使其能够高效支撑大规模AI训练、科学计算等需要海量并行计算的任务。

• 一云多芯：适配兼容NVIDIA、昇腾、昆仑芯、海光、沐曦、天数等多种GPU硬件，为关键行业提供完善智算底座。
• 高性能VPC网络(HARP)：支撑HCC网络性能的关键是腾讯自研的HARP(High Available Reliable Protocol)协议。HARP旨在构建高可用、高可扩展、高性能的统一网络传输服务。

2. 智能高性能网络(IHN)：打造零丢包、低时延AI网络

腾讯云智能高性能网络(IHN)是企业级的高性能网络平台，基于腾讯云成熟的运营体系构建。它为AI训练等高要求场景提供高吞吐、低延时、零丢包、横向可扩展的网络连接，并具备智能调度和精细化的业务级运营运维能力，是保障AI集群高效运转的“高速公路”。

• 超大规模多轨道架构：采用全栈自研交换机，支持100G/200G/400G高速接口；网络架构设计深度优化AI流量特征，路径时延降低40%；支持高冗余bonding组网；通过创新的多轨道组网技术，可弹性支撑高达10万张GPU卡的超大规模集群。
• 高性能通信库TCCL：自研TCCL(Tencent Collective Communication Library)通信库，能够感知网络拓扑结构，智能调度流量以实现最优路径传输，将关键通信操作(如AllReduce)的链路负载率提升至90%以上，大幅提升分布式训练效率。
• 全链路智能拥塞调度：内置拥塞调度器，实现对全局业务流的精准监控、智能选择、决策和调度，可在3分钟内快速识别并消除网络拥塞，保障关键业务流畅。
• 分钟级故障自愈：具备毫秒级时延监控能力，可精细监控到每个网络队列(QP)。能快速定位网络或GPU故障节点，实现集群自愈。网络故障处理达到“1分钟发现、3分钟定位、5分钟自愈”的高效水平。

3. 高性能文件存储 (TurboFS)：满足海量数据吞吐与极致性能需求

腾讯云高性能文件存储TurboFS，专为处理AI生成内容(AIGC)、高性能计算(HPC)、大规模媒体处理等场景下的海量数据而设计。它将云平台的存储资源与统一运维管理能力下沉到私有化环境，为用户提供兼具极致性能、数据安全、高可用性和弹性扩展能力的存储解决方案。

• 高性能：按需扩展，提供整集群TB/s存储带宽、千万级IOPS、百us级延迟，满足AI训练及高性能计算需求。
• 智能分层降本：支持基于访问热度(atime)的冷热数据自动分层，提供主动沉降/预热支持，对业务透明。在AI训练场景，可自动沉降低频checkpoint和样本文件，降低存储TCO。

TCE 客户案例： 生态共建，互利共赢

广州尚航科技公司是国内领先的IDC及IT基础设施服务提供商，为金融、制造、零售等多个行业提供IDC建设方案、机房及相关网络服务。尚航与腾讯深度合作，采用腾讯专有云 TCE 智算套件作为算力云平台的核心基座，搭建行业领先的算力平台。

• 平台纳管多种主流GPU硬件，为尚航云终端用户提供一站式自助用云、弹性用云、大规模并行计算以及联机大模型训练服务。
• 除智能算力场景外，平台同时覆盖云原生、数据库等通算场景，满足客户多种场景诉求，减少重复建设成本。
• 通过智算套件的租户管理、计费/账单等行业属性的能力，打造智算行业云服务，为行业用户提供高性能的算力服务，推动了行业云属地AI产业的发展。
• 随着平台的投产和运营，尚航算力平台凭借其卓越的运营效能和技术先进性，获得了2024年工信部主办的可信云大会“一云多算”最佳案例殊荣。

TCE 未来展望：云智一体的"数字神经中枢"

当云计算完成向智算的终极跃迁，企业竞争力的核心将从“拥有多少算力”转向“创造多少智能”。

腾讯专有云 TCE 的演进不会止步于强大的智算基础设施。未来，我们将持续深化整合腾讯云在智算加速引擎、训练与推理平台等领域的领先产品和技术积累，逐步构建覆盖从底层智算基础设施到上层AI应用的全栈式解决方案。

腾讯专有云 TCE 的终极愿景，是超越传统资源提供者的角色，进化为深度融合高效算力调度、智能数据流通和模型智能涌现能力的“数字神经中枢”，成为驱动千行百业智能化创新与价值创造的核心引擎。

END

关注腾讯专有云公众号，了解更多云与 AI 应用的最佳实践！