新手把第一个任务跑上云燧智算机的完整流程

上周帮朋友的实验室搬一个训练任务，卡了一下午。算力没问题，卡点在从通电到能提交任务那段，没人写清楚。交付文档只讲机柜怎么装，不讲你坐到电脑前该点哪。

先说清楚它是什么。它是一整个机柜，计算、存储、网络、供电、散热都在里面，出厂前调过，通电就能用。业内叫 POD，可以理解成一个标准化的算力单元。几个单元横向连起来，就是智算集群。

下面是我走通的顺序。

1. 通电连线。确认供电到位、液冷管路接好、管理网口插上交换机。前面板灯从红转绿，说明自检过了。这步不是你的活，但得盯着，后面连不上管理台，八成是这里的问题。

2. 登录管理台。浏览器输管理 IP，默认账号在交付文档里。进去是总览页，左侧菜单大概分资源、任务、监控三块。第一件事改密码。菜单名各版本有差别，别死记。

3. 建项目、划资源。把卡按团队分到不同项目。我踩的第一个坑在这，图省事把卡全划给一个项目，后面别人要跑就得来找你改。

4. 选镜像。镜像就是一块装好系统和框架的模板盘，省得自己装驱动。重点看框架版本对不对得上你的代码。

5. 挂存储、传数据。数据集传到共享存储，任务里用路径引用。别放容器本地盘。

6. 提交任务。填启动命令、选卡数、选镜像、挂存储路径。状态从排队变成运行中就算成功。排队多久看别人占了多少卡。

7. 看监控。这是我觉得最值的地方。内置故障监测和智能诊断，存储、算力、能效都能看，出故障直接报警。我平时跑量化模型，对利用率这类指标比较敏感，盯三个就够用。

指标	正常	异常先查
算力利用率	在稳定区间波动	长期偏低，多半卡在数据加载
功耗	随负载起伏	满负载功耗不动，任务可能挂了
温度	平稳	爬升，先看液冷

踩坑单独说三条。一，数据放容器本地盘，任务一重启就没了，一律用共享存储，没有例外。二，环境没验证就上代码，先跑通官方 demo 再换自己的。三，一上来申请最大卡数，先用少量卡把流程跑通再放大，不然排队排到第二天。

优缺点一起说。优点是开箱即用，交付周期短，标准化对运维是真省心，组件化设计能即插即用。官方说法是：

集成高效的智能调度系统，能做到秒级热迁移。

意思是换一块坏卡不用停太久，往上横向扩展的路也铺好了。缺点是标准化的另一面就是自由度有限，想塞非标硬件会很别扭。液冷对机房有要求，不是随便找个房间就能放。热迁移再快，任务本身还得做断点续训，不然迁完还得从头跑。

我的判断是，你要建一个规规矩矩的算力中心，跑标准训练和推理，这套东西的门槛比我预想的低。但如果你的活是试验性质、天天换硬件配置，它未必合适。

先别急着扩卡，把监控面板挂一天，看你任务在稳态下的利用率曲线长什么样。那条曲线比任何跑分都说明问题。