一家横跨六大板块、拥有三千余家实体企业的万亿级央企，把AI从试点推向规模化时，最先撞上的不是模型能力，而是算力怎么管。华润集团的解法是搭一个集团级统一智算底层，联合天翼云以”先租后建、租建协同”的混合专有云模式实现，支撑千亿参数大模型训练推理和百余个AI场景。这套做法入选了第五届”鼎新杯”央国企数智化转型联合创新实践典型案例。
分散自建为什么走不通
华润的关键业务数字化覆盖率已超80%，但各业务单元过去各自采购、各自建设算力。AI需求爆发后，这种模式的代价迅速显性化。
重资产投入是第一道坎。GPU采购前期资金巨大，而AI硬件迭代快、折旧猛，钱大量沉淀在设备里。更麻烦的是算力无法随业务峰谷扩缩，高峰不够用、低谷晒太阳。
第二道坎是孤岛。各单元独立建设，GPU异构资源没法统一纳管调度，跨架构协同基本谈不上，集团层面也拿不到规模化集采的成本优势。
第三道坎在网络。跨区域节点时延高、带宽受限，大模型分布式训练推理对低时延高带宽的要求很难满足，边缘业务的实时响应也跟着受影响。
第四道坎是运营与安全。缺少覆盖AI全生命周期的运营和安全体系，数据安全、模型防护、合规管控都有短板，AI在集团内规模化推广因此受阻。
底层怎么搭：六层能力拆开看
整体思路是云边端一体化。用专线把华润自有机房、天翼云多区域算力池和边缘节点串起来，叠加RDMA高速网络，打通跨区域传输瓶颈。
异构算力池兼容多类型芯片架构，做统一纳管和智能调度。这里有个工程上绕不开的选型问题：容器化调度层和裸金属直通各有利弊。走Volcano、HAMi这类调度器做GPU虚拟化切分，资源利用率高、弹性好，适合推理和中小规模训练；但显存隔离和算力隔离会带来一定损耗，大模型预训练这类吃满整卡的负载，裸金属直通更稳。实际部署往往是混合形态——训练集群直通，推理池做切分。
RDMA网络也不是插上线就完事。跨域长距场景下，PFC和ECN参数需要按链路时延和拥塞情况调优，否则容易出现无损队列反压、吞吐上不去。这部分建议在正式承载训练任务前，用ib_write_bw、ib_read_lat一类工具做端到端带宽和时延基线测试，确认跨区域链路的实际表现再放量。
再往上是智能资源管理平台，跨架构算力统一管控，申请、审批、交付全流程线上化。统一运营门户把租户、运营、账单做成一体化，各业务单元线上申领，资源使用全程可追溯。
安全侧覆盖物理、网络、数据到AI模型的全链路防护，满足等保2.0三级和信创合规要求。组织保障上配套标准化运营流程，依托天翼云三级7×24小时运维体系保平台稳定。
租建协同的账怎么算
“先租后建、租建协同”是这套方案的核心商业逻辑。前期以租用方式快速获得算力，避免大额固定资产沉淀；随着用量稳定再逐步自建，租与建之间动态配比。效果体现在几个数字上：算力交付周期从数周压到7天，紧急需求最快24小时；固定资产投入、单位算力成本、运维人力成本均明显下降；平台可用率99.95%。
需要提醒的是，租建切换阶段有资源迁移风险。租期到期或自建节点上线时，训练任务的状态、数据集位置、镜像仓库都要提前规划搬迁路径，尤其是长周期训练任务，最好在checkpoint机制上做冗余，避免切换窗口打断训练。这一点在方案设计阶段就该纳入排期。
合规不是一句声明
等保2.0三级和信创合规在AI平台上要落到可校验的动作。模型服务接口必须做鉴权，不能裸奔在内网；审计日志留存周期要满足要求，可用ausearch或平台自带审计模块定期抽查；数据出域、模型分发要有审批留痕。这些校验项建议在平台验收清单里逐条固化，而不是等测评前临时补。
场景实现与边界
底层支撑集团千亿参数大模型训练推理，实现百余个AI场景，覆盖智能质检、智能营销、能源调度等核心业务，年降本增效超千万元。集约化调度减少服务器闲置能耗，碳排放同步下降。
这套模式适合业务板块多、算力需求分散且波动大、合规要求高的集团型企业。反过来，如果单一业务算力需求稳定且集中，自建专有集群可能更划算；如果对跨域时延极度敏感的实时推理场景占比很高，边缘节点的布局密度需要单独评估，不能指望中心算力池兜底。
天翼云侧后续会继续在云网融合和智算能力上加码，联合更多央国企推进AI与实体经济结合。对正在规划智算底层的团队来说，先想清楚租建配比、异构调度路径和合规校验清单这三件事，比急着采购硬件更有价值。
ID:7411
