6.4 供电可靠性与能效

6.4 供电可靠性与能效

上百千瓦的电喂进一个机柜，光"喂得饱"还不够，还要"喂得稳、喂得省"。这一节收束到供电的两个质量维度——可靠性与能效。

6.4.1 可靠性：为什么 AI 集群比普通服务器更怕断电

供电可靠性的核心问题是"不掉电"。对普通服务器，一次短暂断电可能导致服务重启，影响有限；但对 AI 集群，一次断电的代价可能是灾难性的。

原因在于大模型训练的状态庞大且脆弱。训练过程中，模型参数、优化器状态、梯度、数据加载位置等信息分布在成百上千张卡上，这些状态需要持续保持。一旦断电，所有这些易失状态全部丢失——即使有 checkpoint（检查点）保存，恢复到最近检查点也要重新跑一段，浪费大量算力和时间。如果断电发生在两次检查点之间，损失可能高达数小时甚至数天的训练成果。

断电代价对比：

普通服务器断电：服务重启，影响有限
AI 集群断电：  训练状态全失，需回滚到检查点
              代价 = 重训数小时~数天的算力成本
              （大模型训练成本以百万美元计）
​

⚠️ 真实世界的代价：业内有估算，一次大规模训练的中断可能造成数十万甚至数百万美元的损失。所以 AI 集群对供电可靠性的投入（多重后备、双路市电、柴油发电机）不是奢侈，而是经济必需。

6.4.2 多重冗余：保证不断电

为保证供电可靠性，AI 数据中心普遍采用多重冗余设计：

• 双路市电接入：从两个独立变电站引入市电，任一路故障另一路顶上。
• UPS + BBU 两级后备：UPS 保证机房级整体供电，BBU 保证机柜级瞬间顶上（见 6.2 节）。
• 柴油发电机：长时间市电中断时，柴发承担持续供电，直到市电恢复。
• N+1 或 2N 冗余：关键设备（变压器、UPS、配电柜）都有冗余备份，任一设备故障不影响整体。

这套多重冗余的设计目标是"任何单一故障都不会导致训练中断"。它的代价是成本高昂——冗余设备的投入可能占数据中心总成本的相当比例。

供电可靠性金字塔：

        柴油发电机（长时间后备）
         ↑
        UPS（机房级不间断）
         ↑
        BBU（机柜级瞬间顶上）
         ↑
        双路市电（互为备份）
         ↑
        GPU/NPU（永不断电）

任一层故障，下层顶上，层层兜底。
​

6.4.3 能效：从芯片到机房的整体视角

供电的另一个质量维度是能效——"用最少的电，算最多的活"。能效要从芯片到机房整体看，包括三层：

• 芯片能效：每瓦电每秒能做多少运算（算力/瓦）。这是芯片架构决定的，回顾第 2 章，达芬奇架构的高能效是其优势之一。
• 供电变换能效：每一级电压变换（机房→机柜→芯片）都有损耗（主要是发热）。多级变换的累积损耗不容忽视。
• 制冷能效：把芯片产生的热量搬出机房要耗电（PUE 的来源）。液冷相比风冷能显著降低这部分能耗。

这三层合起来，决定了一个 AI 集群的"总能耗效率"。优化能效需要三层协同——光优化芯片能效而忽略供电损耗和制冷能耗，整体未必更优。

能效三层：

芯片层：  算力/瓦（架构决定）
供电层：  变换损耗（VRM/PSU 效率）
制冷层：  PUE（液冷 vs 风冷）

总能耗效率 = 三层相乘，任一层短板都拉低整体。
​

💡 能效优化的协同性：举例来说，把芯片功耗降低 10%，看似省了 10% 的电，但实际上还省了"用来散掉这 10% 热量"的制冷电——所以总节能可能超过 10%。反之，芯片能效差不仅多耗电，还多耗制冷电，损失是放大的。这就是为什么能效在 AI 集群里如此重要——它的影响是连锁的。

6.4.4 动态功耗管理

AI 集群的功耗不是恒定的——训练的不同阶段、不同算子，功耗波动很大。如果按峰值功耗设计供电，大部分时间供电设备利用率很低，浪费成本；如果按平均功耗设计，峰值时可能供电不足。

动态功耗管理（Dynamic Power Management）就是为平衡这对矛盾而设计的。它通过实时监测各节点的功耗，动态调节供电分配、CPU/GPU 频率、风扇/水泵转速等，在保证不超限的前提下最大化算力利用。

一个典型场景是"功率封顶"（Power Capping）——当机柜总功耗接近供电上限时，系统主动降低部分节点的频率，把功耗控制在安全范围内。这虽然牺牲了单节点性能，但避免了过载跳闸这种全局性灾难。

动态功耗管理的权衡：

峰值性能 ◄────────────────► 供电安全
   ▲                           ▲
   │  功率封顶                  │
   │  动态调频                   │
   │  智能调度                   │
   └───────────────────────────┘
        在两者之间找平衡
​

6.4.5 供电的产业意义

把本章的供电讨论上升到产业层面，能看到几个值得关注的点：

第一，供电是 AI 集群成本的重要组成。百千瓦级机柜的供配电设备（变压器、UPS、BBU、母线、电缆）成本高昂，且需要专业设计和施工。这部分成本在 AI 集群总成本里占比不容忽视。

第二，供配电的供应链对国产替代有意义。变压器、UPS、电缆、配电柜等设备，国内产业链相对成熟，是国产 AI 集群里自主化程度较高的环节。这与芯片（依赖先进制程）形成对比——昇腾路线在"体"层面的自主性，其实比"芯"层面更强。

第三，供电决定了 AI 算力的天花板。一个国家或地区的电力供应能力，最终限制了它能部署多少 AI 算力。这是比芯片更上游的"算力基础设施"约束，也是为什么 AI 算力竞赛背后，电力和能源政策如此重要。

💡 从"芯"到"电"的视角跃迁：前面五章我们都在讲芯片和网络，但本章提醒我们——AI 算力的最终约束可能不在芯片，而在电力。一个国家即使造得出最好的芯片，如果没有足够的电力去驱动它，也算不出算力。这是算力基础设施最底层的物理约束。

思考与延伸

1. 大模型训练的检查点保存频率是个权衡——保存太频繁浪费算力，保存太稀疏断电损失大。你会如何设计一个动态检查点策略？
2. 动态功耗管理会牺牲单节点峰值性能。在"功率封顶"场景下，应该优先封顶哪些节点（数据并行节点？张量并行节点？）？为什么？
3. 假设某国电力供应紧张但芯片产能充足，它会优先发展 AI 算力的哪个方向——更高能效的芯片，还是更大规模的电力基础设施？

第 6 章小结

• AI 集群机柜采用严格的物理分区（计算、交换、电源、液冷），是高度集成的"机架级计算机"。
• 百千瓦级供电靠三级架构（机房→机柜→芯片）+ 柜顶母线 + 多相 VRM + BBU 后备实现，纹波控制关乎计算正确性。
• 功率密度（百千瓦/柜）远超传统机房（千瓦/柜），对机房配电、PUE、选址都构成硬性反向约束。
• 供电可靠性与能效通过多重冗余和动态功耗管理保障，断电代价极高使得可靠性投入是经济必需。

读完本章，你理解了"电"怎么进机柜、怎么分配、怎么保证可靠。但上百千瓦的电最终都会变成热——下一章我们就讲这些热怎么被液冷搬出机柜。

本节关键词：供电可靠性、多重冗余、能效、动态功耗管理、功率封顶、电力约束　返回：第 6 章支柱页　下一篇：第 7 章 · 体(二)：液冷散热系统