专题演讲嘉宾：贾珂

AI时代，大模型训练面临稳定性、效率与成本的三重挑战，而超大规模集群的管理更是难上加难。本次分享将系统解读阿里云人工智能平台PAI的训练服务架构：管理数个超大规模AI训练集群，总规模达数十万张GPU卡。目前该平台已支撑多个行业的大模型训练任务，覆盖不同规模的训练需求与应用场景。

演讲提纲：

1. PAI平台全景：阿里云PAI 整体设计框架和介绍，"1个构建平台+2大核心服务"架构解析：最佳开发平台 + 超大规模训练 + 推理服务
2. 云上服务的挑战和设计思路，服务多租户，需要兼具架构设计领先型和使用灵活性。
3. 超大规模训练的调度，通过多级配额、抢占式调度、竞价实例等机制实现极致性价比。
4. 超大规模训练的高稳定： 容错训练与自动自愈、秒级模型保存恢复、全链路健康检测与可观测性
5. 超大规模训练的易用性：深度学习容器化体验；预集成主流框架；一键提交训练任务
6. 多行业多客户使用场景

听众收益：

• 可以了解云上大模型商业化产品的深度解析