ComputeLoop 智算异常闭环台

Pitch 72 · AI Factory Exception Closure

AI 工厂不缺 GPU，缺的是把每次异常关成可验证恢复。

ComputeLoop 是智算中心异常闭环台，把 GPU/NPU、RoCE 网络、调度队列、液冷、漏液、电力、PUE、机器人巡检、工单和 SLA 影响打成同一个异常 ID：少停训、快定位、控 PUE、保 SLA、可上报。

看 Pitch 逻辑 看安全样机

01 · Problem

智算中心已经有很多监控，却没有一个系统负责“恢复已被验证”。

一次推理 p99 飙升或训练中断，可能同时表现为 GPU 掉卡、RoCE 重传、存储抖动、CDU 流量下降、PDU 告警、漏液传感器报警、热像异常、调度队列堆积和客户 SLA 风险。DCIM 看机电，AIOps 看指标，SRE 看作业，设施团队看能耗，客户成功看赔付。大家都看见了一部分，但没人拥有完整闭环。

告警很多

DCIM、BMS、EPMS、Prometheus、Grafana、ServiceNow、CDU 和 GPU telemetry 都会响。

结论很慢

设施、平台、网络、硬件、客户成功和供应商之间需要人工拼图。

动作很散

迁移任务、隔离节点、工单、巡检、复拍、降载和上报经常不是同一条时间线。

复盘很贵

事故后才补截图、日志、工单、温度曲线和责任结论，训练数据也随之丢失。

02 · Why We Solve It

稳定算力已经是收入问题、能源问题和监管问题。

新增一批 GPU 很贵，稳定已有算力更便宜。对智算运营方来说，一次异常不只是设备告警，它会影响可售 GPU 小时、客户续约、训练进度、推理 SLA、能源审查、液冷安全和全国算力监测调度上报。

停训停推理

单点组件故障可能拖垮训练任务，推理延迟会直接进入客户 SLA。

液冷新风险

高密机柜把热、流量、压力、漏液和维护流程变成新的运营变量。

算电协同

算力、用电、绿电、PUE、需求响应和容量降额需要同一证据链。

客户信任

客户要看到事故时间线、影响范围、恢复证据和复发预防，而不是一句“已处理”。

上报审计

国资、运营商、园区和行业云需要可上报、可审计、可追责的运行记录。

03 · Why Now

AI 工厂正在从“建得快”转向“用得稳、用得绿、用得满”。

2026 年的智算竞争不是普通云计算扩容。高密液冷、千卡万卡集群、推理 SLA、缺电缺网、绿电/PUE 约束和政府算力调度平台同时到来。既有 DCIM 和 AIOps 能看见局部，客户缺的是跨 GPU、网络、液冷、电力、作业和工单的异常闭环。

$400B+ IEA 口径：五大科技公司 2025 年资本开支超过 4000 亿美元，AI 工厂容量在 18 个月内快速扩张。
~950TWh IEA 预计全球数据中心用电到 2030 年接近 950 TWh，AI 类数据中心增长更快。
188万PFLOPS 国家数据局 2026 年披露，全国智能算力规模已达 188 万 PFLOPS FP16。
1.5 PUE 中国绿色低碳数据中心行动计划要求平均 PUE、上架率、绿电和节能改造成为硬指标。

04 · Insight

AI 数据中心的最小商业单位不是告警，而是“已验证恢复事件”。

监控工具卖的是看见，闭环系统卖的是恢复。ComputeLoop 把一次异常从发现、合并、影响评估、责任分配、SOP、巡检证据、人工批准、恢复验证到复盘标签连接起来。每一次关闭，都是下一次更快恢复的数据。

Alert-to-Impact

把一组告警压成一个影响图：哪些机柜、哪些卡、哪些作业、哪些客户受影响。

Impact-to-Action

给出可审批动作：迁移任务、隔离节点、开工单、派机器人、通知设施。

Action-to-Proof

用 p99、利用率、失败率、热像、漏液、流量、PUE 和工单状态证明恢复。

05 · Solution

ComputeLoop 不替代 DCIM、AIOps 或液冷控制，它关闭它们之间的运营断点。

ComputeLoop 是 AI 工厂的异常闭环层。它只读接入 DCIM/BMS/EPMS、CDU、漏液、PDU/UPS、GPU telemetry、K8s/Slurm、Prometheus/Grafana、ServiceNow/CMMS 和机器人巡检，生成一个跨 IT 与设施的异常 ID、影响图、处置卡和验证证据包。

  • Detect：接入作业、节点、GPU、网络、存储、PDU、UPS、CDU、漏液、热像、工单和机器人。
  • Correlate：按站点、房间、机柜、节点、作业、客户、冷却环路、电力链路和时间窗口合并。
  • Dispatch：给出 owner、SOP/MOP/EOP、审批路径、风险等级、证据要求和回滚条件。
  • Verify：用业务指标、设施指标、机器人复拍、人工验收和工单状态证明恢复。
  • Learn：把误报、有效动作、复发模式和最终 verdict 写回事故图谱与训练数据。
智算中心异常闭环平台，AI 机柜、液冷管路、巡检机器人、热像、漏液、气流、功耗和证据时间线

06 · First Product

第一版只打高密液冷 pod 的跨层异常闭环。

最佳切口不是超大云厂自研系统，也不是小机房。首单应选 500-5000 卡、正在上液冷的企业私有智算、地方智算中心、neocloud、运营商云池或行业推理平台。规模足够痛，流程还没有完全固化，闭环价值能在 90 天内被量化。

GPU / Job

掉卡、降频、作业失败、队列堆积、p99 飙升和客户 SLA 风险。

Liquid Cooling

CDU、流量、压差、温差、漏液、冷却容量和阀组/支路异常。

Power Chain

PDU、UPS、电池、瞬时负载、容量降额和算电协同响应证据。

Robot Evidence

机器人热像、漏液托盘、气流、指示灯、线缆和维护标签复拍。

Closure

工单、SOP、人工批准、复核指标、审计导出和复盘训练标签。

07 · Market

中国版本服务东数西算和算电协同，海外版本服务 AI factory uptime。

同一个内核，两套话语。中国客户买安全可靠、绿色低碳、算力有效性、国产适配、全国一体化算力监测调度和可上报台账。海外客户买 AI factory reliability、liquid cooling assurance、capacity recovery、SLA evidence 和 audit-ready incident reports。

中国智算版本

卖给运营商云、地方数据集团、国资智算中心、园区算力平台、行业云和 EPC/O&M 集成商。采购语言是算力互联纳管、监测调度、运营、算电协同、告警收敛、自动诊断、液冷漏液检测、PUE 可视可管可控、综合运维健康度评估。

海外 AI Factory 版本

卖给 colo、neocloud、企业 AI 基础设施、主权 AI、推理服务商和高密改造项目。采购语言是 uptime、capacity forecasting、energy performance、power availability、liquid-cooling risk、incident evidence、insurance and compliance reporting。

08 · Business Model

按站点、MW、机柜、液冷域和闭环模块收费。

ComputeLoop 的商业理由不是“AI 运维很酷”，而是“每一次恢复都更快、更可证明、更少影响可售算力”。首单用影子模式和辅助闭环证明 ROI，再扩展到多站点、液冷安全、SLA 证据、能耗异常和托管闭环。

中国试点

90 天，人民币 30万-80万，覆盖 1 个 pod、20-60 个高密柜、3-5 类异常。

中国生产

每站人民币 80万-300万/年；多站运营版 500万-2000万/年；集成与驻场另计。

海外试点

75k-200k 美元，覆盖 1 个 AI hall/pod，重点验证液冷、SLA、工单和事故证据。

海外生产

按站点 250k-1M 美元/年，或按 MW/机柜收费，附加托管闭环和成功费。

09 · ROI

试点验收只看能不能减少“不可售算力小时”和事故复盘成本。

年化收益 = 训练/推理中断减少 + MTTR 缩短 + 可售 GPU 小时恢复 + 容量降额减少 + 能耗异常小时减少 + 人工巡检和远程手工时减少 + SLA 赔付和客户流失风险下降。首年费用必须低于经验证收益的 15%-25%，目标 12 个月内回本。

告警压缩

P1/P2 异常的重复告警下降 30%，每个事件有唯一异常 ID 和影响图。

响应时间

MTTA 下降 30%-50%，P1/P2 MTTR 下降 10%-20%。

证据完整率

90%+ 关闭事件包含指标、工单、责任人、时间线、复拍和验证结果。

算力恢复

统计可售 GPU 小时、容量降额、作业失败率和客户 SLA 风险变化。

能耗异常

跟踪 PUE 漂移、异常能耗小时、液冷支路异常和节能改造证据。

10 · Go-To-Market

用“液冷安全 + SLA 保障 + 算电协同上报”进入，而不是用泛 AIOps 进入。

中国从运营商、地方国资数据集团、智算中心 EPC/O&M、液冷 OEM、动环/DCIM 厂商和能源服务公司进入。海外从 colo/neocloud、AI infrastructure operators、液冷改造项目、EAM/ITSM 伙伴和机器人巡检厂商进入。

先影子模式

不接管真实配电、制冷、消防或调度，只读接入、告警收敛、影响图和证据包。

先高密液冷区

液冷、漏液、热像、功率和 GPU 降频的业务影响最容易讲清楚。

先对接工单

ServiceNow、Maximo、CMMS、钉钉/企微、ITSM 和值班系统是第一批连接器。

再多站复制

从一个 pod 的闭环率扩到站点、园区、多城算力网络和算电协同报送。

11 · Competition

DCIM、AIOps、液冷厂商和机器人都重要，但它们没有共同拥有异常闭环。

Schneider、Vertiv、Eaton、Johnson Controls、Sunbird、Nlyte、Device42、ServiceNow、Datadog、Prometheus/Grafana、CoolIT、Submer、LiquidStack、EkkoSense、ANYbotics、Boston Dynamics 和超大云厂自研系统都触达一部分问题。ComputeLoop 的位置是它们之上的跨系统异常闭环。

DCIM / 动环

擅长设施、资产、容量和机电监控，但通常不拥有 GPU 作业和客户 SLA 影响。

AIOps / ITSM

擅长告警关联和派单，但对液冷、功率链路、机柜物理证据和设施 SOP 不够深。

液冷 / 传感器

擅长局部检测和控制，但不天然连接客户、作业、工单、复盘和多厂商责任。

ComputeLoop

统一异常 ID、影响图、审批 runbook、机器人证据、验证指标、审计导出和训练标签。

12 · Moat

护城河是客户自己的 AI 工厂事故图谱。

上线越久，ComputeLoop 越懂这个站点的机柜命名、GPU 批次、液冷支路、PDU/UPS 链路、调度队列、客户 SLA、SOP、供应商责任、误报模式和有效动作。这个闭环数据不是公开数据集，也不是通用 DCIM 能自动拥有的资产。

Operations Graph

site、room、rack、server、GPU、job、power chain、cooling loop、owner、SLA。

Runbook 库

SOP/MOP/EOP、审批策略、回滚条件、验证指标和人工 verdict 沉淀成动作资产。

Evidence Pack

热像、漏液、rosbag、日志、工单、时间线、模型版本和人工结论可回放。

Local Trust

私有化、数据驻留、权限、日志、国产适配、等保和审计要求带来真实粘性。

13 · Architecture

边缘看机柜，闭环引擎看影响，人工批准关键动作。

工程原则是只读、隔离、人审、本地优先和可禁用执行入口。所有真实配电、制冷、消防和调度动作仍由合格人员与既有系统完成；ComputeLoop 提供关联、建议、证据、复核、报表和训练数据。

  • Signal Layer：metrics/logs/events/traces、K8s/Slurm、BMC、PDU、UPS、CDU、漏液、热像、机器人。
  • Impact Graph：连接作业、GPU、机柜、冷却环路、电力链路、客户、工单和 SLA。
  • Closure Engine：告警压缩、probable cause、runbook、审批、工单、巡检、验证和复盘。
  • Edge Evidence：Qualcomm edge 上做热斑、漏液、气流、机柜识别和证据打包。
  • Training Loop：LeRobotDataset 记录机器人巡检图像、状态、动作、人工 verdict 和最终标签。
智算中心异常闭环架构，站点边缘、AI 机柜、液冷、机器人巡检、影响图、runbook 和证据包

14 · Demo

比赛样机是低压 AI rack twin，演示闭环，不演示真实机房控制。

桌面样机只使用 5V/12V 限流电源、保险丝、物理急停、透明护罩、3-5 个假加速卡 sled、低压泵、密封透明管路、漏液托盘、风扇、LED 假负载、温度/流量/电流传感器和巡检小车。AI 可以建议，确定性 safety supervisor 才能执行演示动作。

Baseline

小车巡检 rack mockup，采集 RGB、热像、流量、漏液、电流、风扇和位姿。

Thermal / Flow

模拟风扇下降、流量受限或轻微假负载升温，边缘模型给出风险候选。

Leak Trip

湿润漏液垫后确定性 supervisor 立即切断泵和假负载，AI 不可覆盖。

Evidence

ROS 2 topics/actions、timeline、media、rosbag2、decision 和 evidence hash。

Export

导出 LeRobot episode、QNN 候选模型结果、人工 verdict 和复盘报告。

15 · Why Qualcomm

Qualcomm 正在进入 AI 数据中心，ComputeLoop 把高能效推理变成可运营的 AI 工厂。

Qualcomm AI200/AI250 叙事强调 rack-scale inference、能效、tokens/watt、液冷和数据中心 TCO。ComputeLoop 给这个叙事补上运营层：边缘视觉、机器人巡检、事故图谱、证据闭环和可验证恢复，让高能效硬件不只是跑得快，也能被客户信任地运维。

Edge AI Evidence

热斑、漏液、气流、机柜识别、指示灯和巡检证据适合站端本地推理。

AI Hub / QNN

把传感时序模型、MobileNet/UNet 类视觉模型编译和 profile 到 Qualcomm 目标设备。

AI200 Context

使用低压桌面样机表达 rack-scale inference 的运维闭环，绝不电气模拟真实 AI200 机柜。

Robot Flywheel

巡检失败、人工干预、最终 verdict 和恢复结果持续进入 LeRobot 数据集。

16 · Ask

请支持 ComputeLoop 成为“AI 工厂异常闭环 + 边缘机器人”的 Qualcomm 参考样机。

我们需要把低压桌面样机推到可信的行业方案：边缘开发板、AI Hub/QNN 评测、数据中心导师、液冷/机房集成伙伴和 2-3 个设计客户。

开发板与模型

Qualcomm edge 开发板、AI Hub/QNN profiling、视觉/热像/时序多传感模型建议。

联合 Rack Twin

1 个低压 rack twin，覆盖热、漏、流量、功耗、机器人和证据闭环。

设计客户

2-3 个智算中心、neocloud、液冷 pod 或企业私有算力平台访谈/试点。

生态目录

进入 Qualcomm AI infrastructure 和 edge robotics 伙伴方案叙事。

17 · Claims & Sources

把事实、试点指标和安全边界分开说。

ComputeLoop 主张低压桌面样机、只读系统集成、人审 runbook、机器人证据、LeRobot 数据导出和 Qualcomm edge/QNN 候选路径。它不主张自动控制真实配电、制冷、消防或安全系统，不替代 DCIM/BMS/消防报警/漏水检测，不承诺零误报、零停机或认证合规。

一句话 pitch：ComputeLoop 把智算中心异常从“报警很多、结论很慢”推进到“影响清楚、动作明确、恢复可验证、结果可上报”。

IEA Key Questions on Energy and AI IEA Energy and AI electricity demand LBNL 2024 U.S. Data Center Energy Usage Report EPRI Powering Intelligence executive summary Uptime Institute 2025 Annual Data Center Survey Uptime Institute Annual Outage Analysis 2026 NDRC national integrated compute network guidance 中国数据中心绿色低碳发展专项行动计划 AI+能源高质量发展实施意见 国家数据局全国智能算力与监测平台披露 CAICT 智算基础设施发展研究报告 Qualcomm AI200 product page Qualcomm AI200 and AI250 announcement Qualcomm AI Hub compile documentation Hugging Face LeRobot ROS 2 Actions design