让算力说同一种管理语言:共建 XPU 带外管理标准
1. 摘要
本文阐述了阿里、字节跳动、腾讯三家云计算及 AI 服务商联合推动的 XPU 带外管理规范化建设。随着算力产品形态日益多元,异构算力设备在管理协议、数据含义和操作行为上缺乏一致约定,导致运维团队需为每一厂商编写专门处理流程。
- 为此,三家公司共同发布三份规范:《XPU 模组标准化 Redfish 接口设计规范》统一模组管理接口;
- 《XPU 卡 PLDM 及 PDRs 定义规范》统一卡级协议与数据描述;
- 《XPU(不带 xMC)带外能力标准规范》明确设备应提供的管理能力。
- 这些规范分别从能力要求、协议与数据表达、管理接口三层面构建相互补充的标准化基础,为跨厂商管理提供共同基线。
- 文章还强调,规范化不仅降低了重复适配成本,还为差异化创新留下空间,最终目标是让更多算力产品以一致、可验证的管理能力进入不同基础设施,推动产业协作持续迭代。
2. 主要内容
- 异构算力管理复杂度上升
随着 GPU、NPU 等算力单元承载的管理对象从芯片本身扩展到健康状态、链路质量、功耗温度等维度,不同厂商设备的协议差异导致运维需编写专用脚本和文档,增加集成成本。 - 联合推出三份 XPU 带外管理规范
《Redfish 接口规范》统一模组管理,《PLDM/PDRs 规范》统一卡级协议与数据描述,《能力标准规范》明确设备应提供的五类管理能力,形成从能力到接口的完整链条。 - 标准化降低集成成本
通过统一的数据语义和操作约定,服务器与 BMC 厂商可复用采集流程,云计算服务商可统一资产管理和升级编排,XPU 厂商可专注于产品可靠性提升。 - 保留差异化创新空间
规范仅约定共同能力和表达方式,硬件访问、驱动适配和内部实现仍由各方根据产品特点完成,为厂商在芯片架构、诊断深度等方面的创新提供空间。 - 面向开放共建与持续迭代
以草案起步,欢迎更多厂商参与能力定义和实现验证,目标是推动规范演进为业界广泛认可、共同采用的管理标准。

摘要: 从算力模组到加速卡,从数据采集到诊断与升级,异构算力需要共同的带外管理语言。阿里、字节跳动、腾讯共同推动三份规范联合发布,以共同能力、协议与接口约定,降低跨厂商管理成本,面向业界开放共建、持续迭代。

XPU 模组标准化接口:共同语言,开放共建
一套算力集群接入了不同厂商的加速模组与加速卡。温度能读、功耗能看,设备也各有管理工具。可当链路降速、设备异常或需要批量升级时,运维团队仍然要翻阅不同的文档、切换不同的工具,为每一家厂商编写专门的处理流程。
这样的场景,揭示了异构算力基础设施的一道现实门槛: 硬件形态和管理协议各有选择,但共同能力、数据含义和操作行为缺少一致约定,仍会带来反复适配。
围绕这一问题,阿里,字节跳动,腾讯三家云计算及AI服务商共同推动三份 XPU 带外管理规范的联合发布与开放共建,覆盖模组 Redfish 接口、卡级 PLDM/PDRs 定义,以及不带独立管理控制器的 XPU 带外能力。三份规范以真实工程需求为牵引,面向不同硬件形态,为跨厂商管理建立共同基线。
这项工作的目标很具体:让更多厂商、更多代际的算力产品,能够以一致、可验证的管理能力进入不同的基础设施,并在产业协作中持续完善,逐步形成业界广泛采用的标准。
3. 算力越来越多元,管理复杂度也在增加
今天,一块加速卡或一个算力模组承载的管理对象,已经远远超出计算芯片本身。计算核心与显存是否健康?高速互联有没有降速?PCIe 链路是否出现错误?功耗、温度与保护状态是否正常?故障发生后,能否获取诊断证据并安全完成维护?这些信息共同决定着算力能否稳定交付。
XPU 是 GPU、NPU 及其他专用加速计算单元的统称。随着产品形态、供应来源和硬件代际增加,管理平台需要面对的差异也在累积:有的模组通过独立管理控制器提供服务,有的加速卡由服务器 BMC 直接管理;同一项指标可能有不同的名称和统计口径,同一种故障可能有不同的诊断能力,同一次升级也可能有不同的完成判定。
这些差异最终变成服务器集成、BMC 固件和运维平台中的厂商分支、专用脚本与重复验证。新产品接入要重新适配,旧产品升级要重新回归,故障分析还要重新拼接证据。
硬件多样性带来的价值,需要一套能够承接它的管理基础。
4. 三份规范,让能力、表达与管理流程都有共同基线
此次一同推出的三份规范,从不同层面回应同一个问题:XPU 应具备哪些带外能力,这些能力如何被描述,又如何被管理系统一致地使用。
4.1. 《XPU 模组标准化 Redfish 接口设计规范》:统一模组管理接口。
面向带有模组管理控制器的场景,规范基于 DMTF Redfish 技术体系,约定主机 BMC 与模组 BMC 之间的资源模型和操作行为,覆盖资产与健康、互联状态、事件通知、日志采集及固件升级等管理流程。通过共同的资源关系、数据语义和任务结果,帮助主机侧减少逐厂商适配,让模组状态可理解、维护过程可追踪。
4.2. 《XPU 卡 PLDM 及 PDRs 定义规范》:统一卡级协议与数据描述。
面向 PCIe 标卡、OAM 等形态,规范明确带外通信通道与 PLDM 协议要求,覆盖部件资产信息、固件升级、加速器管理及诊断文件传输等内容。PLDM 是平台级数据模型协议;PDRs 是平台描述记录,用于描述管理对象、传感器和控制项,以及它们之间的关联。
规范进一步约定实体、传感器和控制项的标识与描述方式,使 BMC 能够按照共同规则识别、读取和使用设备能力,减少数据已传上来、含义却还需逐家解释的问题。
4.3. 《XPU(不带 xMC)带外能力标准规范》:明确设备应提供的管理能力。
面向 PCIe 标卡,以及不带独立管理控制器、由服务器 BMC 直接管理的 XPU 场景,规范提出数据采集、固件升级、日志收集、电源与功耗管控、稳定性五类能力要求,并区分强制与推荐条目。它关注的是设备应提供什么能力,不定义 BMC 北向接口。
除了温度、功耗、显存错误和链路状态等采集需求,规范还明确升级包校验、升级结果查询、故障码与芯片诊断数据获取等要求,并约束高频访问、消息超时恢复及带外访问对带内业务的影响,让管理能力既可用,也能经受持续运行的检验。
三份规范分别明确能力要求、协议与数据描述、模组管理接口,形成相互补充的标准化基础。 不同硬件形态可以采用相应的管理路径,共同管理需求则有机会在更清晰的约定下实现和验证。
5. 把共同能力标准化,为差异化创新留下空间
带外管理通过业务操作系统之外的管理路径完成状态采集和维护。对于模组,可以由模组管理控制器提供 Redfish 服务;对于卡级设备,可以通过 PLDM 等协议完成交互。不同形态有各自适合的实现方式,共同能力和语义则需要保持清晰。
三份规范的协作价值,在于把设备能力要求、通信与数据表达、管理接口约定分别明确,让固件侧、XPU 侧和运维侧能够围绕共同边界开展工作。硬件访问、驱动适配和内部实现仍由各方根据产品特点完成。
这也为创新保留了空间。厂商可以继续在芯片架构、互联技术、诊断深度和可靠性设计上投入,同时让共同管理能力以一致方式呈现。确需扩展的能力,应在相应规范的扩展与兼容约定下演进,保持已有数据和操作含义稳定。
规范的突破意义,在于把跨厂商管理从项目经验沉淀为产业共同能力。 共同约定越清晰,新产品进入基础设施所需的重复工作就越有机会减少。
6. 让管理成本更可控,让更多算力进入开放生态
对于 XPU 厂商,共同能力与协议约定有望降低重复对接成本,让研发投入更多用于产品能力和可靠性。对于服务器与 BMC 厂商,更稳定的管理基线有助于减少逐型号分支,积累可复用的采集与维护流程。
对于云计算及AI服务商和最终运维,更一致的数据含义与操作结果,有助于统一资产管理、告警分析、诊断采集和升级编排。供应商选择也更有机会基于算力、可靠性和服务能力展开,减轻专用管理方式带来的集成负担。
管理标准化还可以为自动化运维提供更可信的数据基础。当状态、拓扑、错误与操作结果具有共同含义,规则系统和智能运维工具才能更稳妥地关联证据、提出处置建议,并核对处置是否生效。
共同规范不会自动消除所有硬件差异,也不会替代各家的驱动和软件生态。它能够做的是,让差异被清晰表达,让共同能力能够复用,让产业协作更容易持续。
7. 三家云计算及AI服务商共同推动,让需求形成合力
阿里、字节跳动、腾讯长期面对大规模部署、持续维护和多供应商接入,其管理需求具有鲜明的工程特征:设备要能被发现,状态要可比较,故障要有证据,升级要可追踪,处置要能验证。
三家厂商共同推动这组规范,是把不同部署场景中的共性需求汇聚起来,为 XPU 厂商、服务器与 BMC 厂商提供更一致的实现方向。产业伙伴可以围绕共同基线建设能力,减少分别对接、分别验证的重复投入。
此次联合推出规范,也是面向长期共建的起点。未来,希望通过更广泛的产品实践和产业参与,推动规范的持续演进。
8. 欢迎更多厂商参与,把规范变成能够运行的共同能力
一份规范的生命力,来自真实产品的实现、真实场景的检验,以及持续参与的建设者。此次三份规范将以草案为起点,在评审、实现与验证中不断完善。
欢迎 XPU 与模组厂商参与能力定义、协议实现和资源映射,将器件特性、诊断能力与边界条件带入规范;欢迎服务器、固件厂商贡献适配经验、参考实现和互操作用例,推动共同约定落地。
欢迎云计算及AI服务商、标准组织、行业伙伴与开发者参与评审、提出建议,推动规范走向更广泛的产业应用。
三家厂商的共建是起点,更多参与者的实践将决定标准能够走多远。期待通过开放协作与持续迭代,让这组规范逐步成长为业界共同认可、共同采用、共同维护的管理标准。
让不同的算力产品说同一种管理语言,让更多创新以更低的集成成本走向规模化应用。