大型 AI 智算集群里
有个普遍却常被忽视的情况
GPU 被占用
并不等于它在全力工作
在传统资源管理系统中
只要一张 GPU 被某个任务申请
它就被视为“已占用”
但实际大量时间处于空闲状态
因此，成千上万张 GPU
就这样零散的十分钟、半小时
空闲窗口不断叠加
形成了一座规模可观
却一直被闲置的虚拟算力池
为了将这些闲置算力充分利用起来，中国电信集团 CTO、首席科学家、中国电信人工智能研究院（TeleAI）院长李学龙教授带领团队，创新研发了一套“算力流动”技术，把计算任务和数据通过集群高速网络快速搬运到正处于空闲窗口的 GPU 上，让任务主动“流”向算力，而不是让算力空等任务，从而突破 GPU 静态绑定的限制。
原本零散、无法单独承接大任务的碎片算力，被网络编织成一个可以统一感知、统一调度的整体，随时随地都能被高效"拼"出来投入使用。
在传统 GPU 管理系统中，只要一张 GPU 被分配给某个任务，它就被视为“已占用”；而算力流动技术从“资源是否被分配”升级到“资源是否真正参与计算”，通过秒级频率采集 GPU 利用率和任务状态，精准识别空闲时间窗口。
当占用了资源的任务经过保护期后仍持续低利用，这部分资源就会被纳入虚拟算力池，以供新的弹性任务使用。
这些资源的归属关系并不会改变：新的弹性任务可以暂时使用它们，一旦原任务重新需要计算，弹性任务便让出资源，GPU 重新回到原来的业务。
于是，一张 GPU 在一天之中可以同时承担两种角色：它首先服务自己的核心业务，同时利用原本被浪费的时间，为其他弹性业务提供计算能力。
算力服务器没有凭空增加，但有效算力增加了。
单张 GPU 的短暂空闲看似微不足道，但当集群规模达到数百、数千张 GPU 时，各个任务的空闲时段交错出现，几乎任意时刻，都存在可调用的空闲算力。
在这种规模效应下，TeleAI 构建了一个弹性、动态变化的虚拟算力池。
算力流动技术持续跟踪这些时间窗口的变化，为弹性任务动态分配合适的资源和时间窗口，并通过支持弹性任务迁移，让资源的动态变化对弹性任务的影响降到最低。
算力流动不再以整张 GPU 作为调度最小单元，而是创新地把调度粒度进化为：一张 GPU × 一段可利用的时间窗口。
更进一步，在传统 GPU 管理系统中，弹性任务资源被回收后就会被中止，导致业务中断甚至数据丢失；而算力流动技术通过弹性任务迁移和碎片整理，让弹性任务持续追逐动态出现的 GPU 时间窗口，将大量不可直接使用的碎片算力组织成稳定、可消费的虚拟算力池，最大程度保证弹性任务的业务连续性。
在一个由 13 台服务器组成的小规模集群实测验证中：仅仅一周，就挖掘出超 1600 卡时的新增弹性算力。这些算力全部来源于过去被浪费的时间碎片，无需添置硬件，拥有极低的成本。
虚拟算力池所提供的算力有一个天然特点：
成本低廉，但资源随时可能被收回。
它不适用于长周期不间断模型训练，却非常适配可中断、可恢复的计算工作：算法调试、批量数据处理、模型效果评测，以及当下快速增长的 Token 生产业务。
借助算力流动，Token 生产任务可以跑在一个个碎片化 GPU 时间窗口之上。曾经毫无产出的空闲时间，转化为实打实的 AI 产能。
不止局限单一集群。当算力流动能力跨越多地数据中心，不同地域、不同集群的碎片算力能够汇聚一体。
弹性任务跟随空闲算力走，计算任务优先流向电价更低、绿电更充沛的节点。算力就此跳出静态硬件资源的定位，转变为可感知、可调度、精细化运营的新型生产资料。
