AI 集群扩容应以可重复的计算与网络单元为基础，提前规划 Pod 或等效单元的节点数、交换层级、故障域、机柜、电力、制冷、光纤和管理资源。若只预留空端口而没有上层容量，新节点可能让原有收敛比和故障边界失效。
定义可重复的扩容单元
为每个单元固定节点类型、每节点网络接口、Leaf 数量、上联数量、机柜位置和管理地址范围。允许硬件代际变化，但变化时必须重新验证互连、功耗、软件和性能。单元边界还应说明故障会影响多少训练任务。
预留要覆盖完整路径
除交换机空端口外，还要检查 Spine 容量、模块与光纤、配线架、线槽、机柜 U 位、配电、制冷、部署服务、许可证和监控规模。长交付周期项目应区分已安装、已预留空间和仅有规划三种状态，避免把图纸上的位置当成可用资源。
扩容后必须重新验证全局行为
新增 Leaf、Spine 或路由路径可能改变散列和故障影响，软件版本差异也可能引入配置分叉。扩容验收应重跑链路、路由、RDMA、NCCL、存储和管理测试，并比较扩容前后的基线，确认旧节点没有出现性能或稳定性回退。
项目核验要点
- 为当前与下一阶段分别建立端口、电力、制冷和空间表。
- 确认 Spine、配线、地址、许可和管理平台可承接目标规模。
- 记录新旧硬件与软件组合的兼容和差异。
- 扩容后同时验证新增节点与既有节点的业务基线。
分阶段扩容的目标是让每次增加容量都成为可预测的工程变更。通过标准单元、完整预留和扩容后回归测试，可以避免规模增长把局部临时方案放大成全局风险。
WeChat
Profile