智算中心不是更大的机房：算力、网络、存储与运维的系统账

过去两年，智算中心建设速度很快。各地都在上马项目，机柜、GPU、液冷和“万卡集群”成为高频词。但一个更值得关注的问题是：建成的算力，有多少真正被用起来了？

行业调研给出的答案并不轻松。多家机构测算，全国智算中心的平均利用率大约在三成左右，部分地方平台的实际利用率更低；与此同时，头部互联网公司和运营商的自建集群又接近满负荷。算力并不缺，缺的是把算力变成可用服务的能力。

这也是“东数西算”进入第二阶段后最现实的问题：智算中心不是更大的机房，而是一套由电力、制冷、网络、存储、调度和运维共同组成的系统。

一、高密机柜先改写机房边界

传统数据中心的单机柜功率通常在 5-10kW，而 GPU 训练机柜可以到 30kW、50kW 甚至更高。功率密度一变，机房的好几个前提都要重算：

液冷因此从“可选项”变成高密场景的必选项。但液冷不是装几根管子那么简单，它带来新的运维对象：冷板、快接头、冷却液、漏液检测、水质和流量。任何一个环节出问题，损失都可能比一台服务器更大。

智算中心的建设决策，首先要从“买多少卡”转成“能承载多少功率、能排出多少热、能保证多长的连续运行”。

在 AI 训练集群里，网络不是配套，而是算力的一部分。GPU 之间的东西向流量远高于传统业务系统，拥塞、丢包和链路抖动都会直接变成 GPU 空等。万卡集群里，一个慢节点或一条不稳定链路，可能拖慢整个训练任务。

这带来两个运维要求：

InfiniBand 和 RoCE 是当前两条主要路线。IB 的生态和确定性更好，RoCE 的成本和开放性更有优势，但对网络配置和运维能力要求更高。选型时不能只看峰值带宽，还要看现有团队能否运维、故障能否定位、备件能否保障。

很多智算项目把预算集中在 GPU 上，存储按传统业务的比例配置，结果训练时 GPU 等数据。AI 负载对存储的要求与办公系统完全不同：

存储不能只看容量，还要看吞吐、IOPS、元数据性能和数据流动性。更重要的是，数据要离算力足够近。把数据放在远端、训练时反复跨地域拉取，网络成本和等待时间都会吞掉算力收益。

在智算中心里，存储不是“配套设备”，而是算力利用率的一部分。

智算中心的利用率，取决于它能不能持续获得任务。这里有几个现实约束：

国家发展改革委等部门在《关于深入实施“东数西算”工程加快构建全国一体化算力网的实施意见》中提出，要推动通用算力、智能算力、超级算力一体化布局，并探索东中西部算力交易结算机制。政策方向很明确，但落到单个智算中心，仍然要回答“我的客户是谁、他们为什么把任务放在这里”。

智算中心的运维对象比传统机房更复杂：GPU、IB 交换机、光模块、液冷管路、存储集群、调度平台和训练框架，任何一个环节都可能成为故障点。

一套可用的运维体系至少包括：

智算中心的可用性，不是由最贵的设备决定的，而是由最薄弱的运维环节决定的。