哪里电便宜，算力就往哪里跑？没那么简单

“从连接GPU到协调电力，分布式算力网络有了新用途。”

作者丨魏溶

编辑丨包永刚

候鸟迁徙，是为了追逐适宜生存的气候。

一项AI计算任务的迁徙，则可能因为另一座数据中心拥有更充足、更便宜的电力，被送往数百甚至上千公里之外。

过去，算力的运行位置大多随着机房选址而确定。如今，电力供给的变化，开始成为计算任务选择落脚点的新理由。

“用电需求通常不能移动，但计算任务却可以迁移。”共绩科技创始人兼CEO付智说。

只是，与候鸟不同，AI任务无法独自完成这场迁徙。它所依赖的模型、数据与运行环境，也需要在另一座集群中得到妥善安排。

算电协同想让算力随电而动，但这场迁徙，远没有候鸟振翅那么轻盈。

01

算力不必搬家，任务却有迁移成本

据此前公开报道，一项跨区域算电协同实测在三天内累计调度28万余次AI推理请求，单位Token的算力用电成本下降约31%。

类似的探索也出现在海外，Google、英伟达和Emerald AI共同发起AI能源管理联盟，尝试让数据中心根据电网状态灵活调整用电负荷。

当电力系统开始尝试调动计算任务，另一批企业则正在建设让任务跨集群流动的基础设施。

雷峰网在共绩科技办公室见到了创始人兼CEO付智，这位有着“00后创业者”标签的年轻创始人，谈起行业频繁提及的算力调度，措辞相当直接。

“调度这个词，已经被用烂了。”付智说。

在他看来，行业里不少企业所说的算力调度，主要围绕单个集群展开，更偏向已有GPU资源的管理。而共绩关注的是不同集群之间的任务流转，两者虽然都属于算力调度的范畴，但侧重点并不相同。

计算任务的迁移，付智用了一个简单的比喻：“比如我需要调用你大脑的计算能力，我当然不可能把你的大脑借走，那我就把数学题给你，你算完再把计算答案给我。”

分散在不同地方的计算资源，也是如此——机器留在原地，任务和结果通过网络传输。

共绩科技创始人兼CEO 付智（共绩科技供图）

在过去，这种跨集群调度主要是为了撮合算力供需。一边有闲置资源，另一边有计算需求，任务可以被分配到其他集群执行。

而算电协同又给跨集群调度增加了一项用途：当不同地区、不同时段的电力供给、电价和电网负荷出现差异，任务的执行地点可以按需进行调整。

自2023年起，共绩科技开始探索分布式算力。付智当时判断，随着AI应用增加，未来的推理任务不会全部集中在大型集群，一部分需求可能由不同地区、不同主体建设的中小集群承担。要把这些分散的资源组织起来，就需要让计算任务能够跨集群分配。

付智提到，自己从2023年开始思考另一个问题：中国一些地区的风电、光伏存在消纳、传输和储存难题，如果电力不方便送到需要计算的地方，能不能反过来，把计算任务送到有电的地方？

他把这一思路概括为“用网线代替电线”。

在付智的设想里，未来分布式算力网络可以进一步与分布式风光电结合。哪里新能源供应充裕，就更多调用当地算力；电力紧张时，则减少安排在当地执行的任务。（关于分布式算力的更多信息，欢迎添加作者微信treelog10交流）

随着算力用电占比继续提高，付智认为，随着AI算力用电需求增加，算力调度与能源系统之间的联系还会进一步加深。

不过，要让算力真正跟随电力流动，仅仅能够把任务发送到另一座集群，还远远不够。

02

任务迁得快，功夫却花在迁移之前

一道数学题，发给别人只需要一张写着题目的纸。那一项AI任务的迁移，需要调度系统提前做多少准备？

在付智看来，算电协同可以沿着两条路径展开：一是在不同地区之间迁移任务，利用各地电力供给和价格的差异；二是在单个数据中心内部调整计算负荷，使其适应电网的供电节奏。

雷峰网向付智提出一个假设问题：如果一座智算中心收到电网指令，需要在五分钟内降低10%的用电负荷，该怎么办？

付智给出了两种办法：如果有其他机房协同，可以将部分计算任务转移出去；如果只能依靠自身调节，则可以适当降低任务的吞吐速度，减少功率需求。他更倾向于前者，因为对用户体验的影响相对较小。

但要让其他机房在短时间内接手任务，首先需要把分散在不同地方的算力组织起来。

共绩科技CTO许钟子珩向雷峰网介绍，不同集群的接入条件差异很大。不同集群可能运行在裸金属服务器、云平台或第三方企业的生产环境中，开放的接口、管理权限和硬件条件各不相同。

调度平台必须根据这些差异完成接入，并尽量避免干扰原有业务。“这件事其实决定了你到底能连接到多少GPU。”许钟子珩说。

共绩科技CTO 许钟子珩（共绩科技供图）

获得使用权限是第一步，任务能否迅速运行，则取决于模型和数据是否已经准备好。

“任务配套的数据，它可能不是能自由调度的数据，是有很强的引力的。”许钟子珩表示。

例如，一项AI业务可能需要几十GB的软件镜像。如果等到任务抵达另一座集群后才开始下载，就难以迅速启动。共绩采用镜像预热、模型分发和缓存等方式，提前在目标集群准备所需文件。

许钟子珩还提到，共绩接触的一家AI创作平台拥有超过10TB的模型仓库，包含成千上万个模型。要让业务在不同集群之间切换，需要提前完成模型分发，并让目标集群能够及时访问所需文件。

这些准备完成后，部分在线推理任务的迁移便可以主要通过切换后续请求流量实现，而不必每次重新传输大量模型文件。“这个网络带宽成本我们已经提前付过了。”许钟子珩说。

不同硬件之间的切换也依赖事先准备。共绩已针对英伟达、昇腾、海光等计算平台开展模型适配。许钟子珩认为，异构调度最繁重的工作发生在适配阶段，完成之后，资源分配本身相对简单。

对共绩而言，提前完成模型和硬件适配只是第一步。要让更多任务能够在不同集群之间流动，调度平台还需要持续扩大可连接的算力资源范围。

付智把今天的数字世界形容为“田园时代”。“今天我们现实世界已经是钢筋丛林，高楼大厦，非常现代化了。但虚拟世界还属于田园时代，它的高速公路，它的网络都还没修。”付智说。

在他看来，建设分布式算力网络可能是一门持续几十年的生意，但行业早期的机会窗口或许只有两三年。

谁能率先连接足够多的算力资源、占据网络中的关键位置，谁就更有机会在未来的竞争中获得优势。

03

电价变了，调度平台未必感知

建设分布式算力网络是一场争取先机的竞争。但即使这张网络逐渐建成，能否让计算任务真正跟随电力供给变化，仍取决于参与者能从中获得多少商业收益。

对于算电协同的商业化困境，付智首先谈到了数据中心参与负荷调节的经济动力。他认为，在国内，不少机房目前通过调节计算负荷获得的收益尚不明显。

如果相关设备和调度投入超过节省的电费，运营商就缺乏主动参与的动力。在付智看来，这也是国内算电协同尚未形成大规模商业闭环的原因之一。

中美市场的差异，也让算电协同走向了不同的探索路径。

许钟子珩也向雷峰网谈到了这一差异，他介绍，国内不少数据中心目前采用协议电价。在他看来，美国市场当前更关注如何应对电力供应限制，国内则可能随着电力市场机制进一步完善，以及价格信号向算力运营环节传导，更加关注电价预测、负荷预测，以及如何降低算力运营的平均用电成本。

技术上，付智此前提出的“以算代储”，除了跨区域转移计算负荷，也包括调整任务的执行节奏，在时间维度上适应电力供给变化。但技术上能够实现负荷调节，并不意味着调度平台已经具备根据电价变化分配任务的能力。

许钟子珩介绍，目前共绩在分配任务时，主要考虑集群剩余资源和计算实例成本。如果某座集群有空闲算力，租用价格又比较低，平台就可能优先将任务安排到那里。

不过，这里的成本仍是算力使用价格，而非电网实时电价。“目前还没有实现真正的，就是让卡时成本能感知电网的实时电价。”许钟子珩说。即便某地电价下降，如果这一变化没有反映在算力实例报价中，调度平台也未必有动力将任务转移过去。（关于算电协同中电价对企业的影响，欢迎添加作者微信treelog10交流）

随着国内电力现货市场等机制逐步发展，不同时段、不同地区的电价差异可能为算力调度提供新的成本优化空间。但要让这些差异真正影响任务去向，还需要电力价格变化进一步传导至算力运营和交易环节。

许钟子珩认为，未来算力运营商可能需要结合电价和负荷预测，决定何时增加计算、何时降低运行速度，或者将部分任务安排到电力成本更低的地区。

届时，算力调度能否进一步考虑能源成本，将取决于电价变化能在多大程度上传导至算力运营和交易环节。

秋风习习，候鸟已经踏上迁徙的旅途。

而算力要真正追随电力流动，还需要跨过技术之外的成本与市场门槛。

（关于算电协同的更多资讯，欢迎添加作者微信 treelog10 分享、交流。）