在人工智能技術飛速發(fā)展、科研創(chuàng)新需求持續(xù)攀升的當下，算力已成為科研攻關的核心基礎設施。當前算力行業(yè)存在資源分布不均、調(diào)度模式落后、使用成本偏高、服務穩(wěn)定性差等問題，優(yōu)質(zhì)算力節(jié)點閑置與科研任務排隊擁堵現(xiàn)象并存，加上傳統(tǒng)方案規(guī)則適配弱、高質(zhì)量訓練數(shù)據(jù)匱乏，大幅抬高了高校課題組與中小研發(fā)團隊的創(chuàng)新門檻，成為行業(yè)發(fā)展亟待解決的難題。

項目的誕生，源于團隊親身經(jīng)歷的算力使用困境。團隊開展大模型相關實驗時，使用通用線上算力平臺進行模型訓練，單輪訓練耗時久、按量計費成本高昂。反復調(diào)試實驗讓經(jīng)費快速消耗，實驗被迫中斷。由于無力購置專屬服務器，團隊轉(zhuǎn)而使用第三方接口服務，又遭遇節(jié)點掉線、任務崩潰、數(shù)據(jù)丟失等問題，疊加中間商加價，使用成本依舊居高不下。切身感受到廣大科研群體的算力痛點后，團隊確立了“打造普惠算力，讓算力像水電一樣便捷平價”的目標，立足現(xiàn)實需求與行業(yè)痛點，大連理工大學科研團隊正式推出“數(shù)衡算力”——普惠智能算力調(diào)度平臺。團隊成員深耕數(shù)理優(yōu)化、機器學習、長上下文建模等領域，依托多項高水平學術成果，聚焦算力普惠方向，全力攻堅核心技術，致力于打造低成本、高穩(wěn)定、高適配的新一代算力調(diào)度方案。

團隊調(diào)研發(fā)現(xiàn)，市面主流算力調(diào)度方式均存在明顯短板：傳統(tǒng)調(diào)度依賴人工配置，規(guī)則變更后適配難度大；深度學習、強化學習類模型泛化能力不足，規(guī)則調(diào)整后需重新訓練；同時行業(yè)普遍缺少可信標注數(shù)據(jù)，人工標注最優(yōu)調(diào)度動作也難以落地。

針對上述痛點，團隊搭建起完整的“大模型智能算力調(diào)度技術體系”，形成“規(guī)則理解-動作生成-迭代優(yōu)化-長上下文擴展-預判分流”的閉環(huán)鏈路。團隊將大語言模型融入調(diào)度核心，依靠語義理解能力快速適配新規(guī)則，無需重復訓練；自研“LinearARD線性內(nèi)存注意力蒸餾技術”，聯(lián)合字節(jié)跳動工程師完成產(chǎn)業(yè)驗證，解決長上下文場景下模型運行不穩(wěn)、內(nèi)存占用過高的問題，相關方法論已收錄于《IEEE COMST》。

團隊在數(shù)據(jù)訓練環(huán)節(jié)突破瓶頸，創(chuàng)新采用“SFT+GRPO”訓練框架，徹底擺脫對標準標注數(shù)據(jù)的依賴，讓模型依靠環(huán)境反饋自主優(yōu)化調(diào)度策略，這套技術原型也已在權威期刊《IEEE TMC》完成有效性驗證。同時團隊提出的“COLA局部學習規(guī)則”，有效解決長序列訓練梯度不穩(wěn)定問題，相關成果被CCF-A類會議ICML 2026錄用，為負載預判、主動分流提供技術支撐。團隊核心成員付夢陽說道：“多重技術成果相互配合，構(gòu)建起了我們項目堅實的技術底座?！?/p>

平臺搭建多維度獎勵函數(shù)體系，綜合平衡算力利用率、任務時效、使用成本、用戶公平性等指標。經(jīng)仿真測試，對比傳統(tǒng)調(diào)度方案，“數(shù)衡算力”GPU利用率提升8.8個百分點，單位算力成本下降6.0%，任務排隊時長、SLA違約率均明顯降低，新規(guī)則零樣本適配成功率達91.6%，規(guī)則上線適配時間壓縮至數(shù)小時。

團隊成員吳靜嫻介紹：“目前項目已完成理論驗證、算法打磨與仿真測試，整體技術路線成熟可行，我們也制定了清晰的產(chǎn)業(yè)化推進計劃?！眻F隊規(guī)劃分三步推進落地：首先依托校內(nèi)場景完成試點部署；其次迭代算法、豐富知識產(chǎn)權儲備；最終面向全行業(yè)輸出智能調(diào)度解決方案，打造算力服務新業(yè)態(tài)。

“數(shù)衡算力”是大連理工大學學子產(chǎn)學研融合、以科創(chuàng)回應現(xiàn)實需求的實踐成果。項目以算法創(chuàng)新盤活存量算力資源，助力算力產(chǎn)業(yè)向智能化、普惠化轉(zhuǎn)型。未來，團隊將堅守初心，持續(xù)打磨技術，為我國人工智能產(chǎn)業(yè)與數(shù)字基礎設施建設貢獻青春力量。