算力跨集群调度受迁移动力限制，尚未实现基于实时电价的自动化任务流转

一句话结论

算力跨集群调度虽能降低用电成本约31%，但因电价信号尚未传导至算力交易环节，任务未能真正随电力低价区流动。

关键要点

• 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%。
• 共绩科技等企业提供跨集群任务流转服务，核心逻辑是“机器留原地，任务走网络”，需提前完成模型预热与硬件适配。
• 目前调度决策主要基于集群剩余资源和算力实例租用价格，尚未实现让计算时延成本直接感知电网实时电价。
• 不同集群硬件条件差异大，已针对英伟达、昇腾、海光等平台开展适配，异构调度中最繁重的工作集中在适配阶段。
• Google、英伟达和Emerald AI已共同发起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。

背景与事实

据雷峰网报道，随着人工智能应用规模扩大，计算任务不再局限于单一机房，而是开始向电力供给更充足、成本更低的地区迁移。过去算力位置由机房选址决定，如今电力供给变化成为任务选择落脚点的新变量。共绩科技创始人兼CEO付智指出，用电需求无法移动，但计算任务可以迁移，这种差异为算力与电力协同提供了空间。该公司自2023年起探索分布式算力，判断未来推理任务不会全部集中于大型集群，而是由不同地区、不同主体建设的中小集群分担。

在技术实现上，共绩科技CTO许钟子珩介绍，不同集群接入条件差异显著，可能运行在裸金属服务器、云平台或第三方生产环境中，开放的接口、管理权限和硬件条件各不相同。调度平台必须适应这些差异，并避免干扰原有业务。任务迁移并非简单发送请求，而是依赖大量前置准备：例如一项AI业务可能需要数十GB软件镜像，若等到任务抵达目标集群才下载，则无法快速启动。共绩科技采用镜像预热、模型分发和缓存机制，提前在目标集群备好所需文件。其接触的一家AI创作平台拥有超过10TB模型仓库，包含成千上万个模型，业务切换前必须完成模型分发。许钟子珩强调，一旦这些准备工作完成，部分在线推理任务的迁移只需切换后续请求流量，无需重复传输大量模型文件。

在经济机制上，国内不少数据中心目前采用协议电价，参与负荷调节的经济动力不足。如果调度投入超过节省电费，运营商缺乏主动参与意愿。相比之下，美国市场当前更关注应对电力供应限制，而国内则期待电力市场机制完善后，价格信号能向算力运营环节传导。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，若某集群有空闲算力且租用价格较低，平台优先安排任务，但这里的成本是算力使用价格，而非电网实时电价。

影响分析

对中文开发者与从业者而言，这一趋势意味着未来选择算力服务商时，不能仅看GPU单价，还需关注其跨集群调度能力与模型预热机制。具备异构适配能力、能提前完成模型分发的服务商，将在需要快速响应电力负荷调节指令的场景中获得优势。但需注意，当前市场仍处于“田园时代”，高速网络与统一调度标准尚未建成，企业自建算力集群仍需考虑长期兼容性。对于依赖实时电价优化成本的用户，现阶段调度平台尚无法自动感知电网实时电价变化，因此“算力随电而动”更多是理论可行，而非实际可落地的默认选项。

适用边界

本结论适用于关注算力用电成本优化的AI推理场景，尤其是分布式推理任务。它不适用于对延迟极度敏感、要求毫秒级响应的实时交互任务，因为跨地域网络传输必然引入额外延迟。同时，该分析基于国内电力市场机制现状，若未来电力现货市场全面普及且价格信号实时传导至算力交易平台，结论中的成本传导限制可能被打破。此外，本文所述适配工作主要面向英伟达、昇腾、海光等主流平台，未覆盖小众或定制化硬件场景。

孤本观察

这是基于行业早期基础设施尚未成熟的判断。当前算电协同的核心瓶颈不在调度算法本身，而在于电价信号能否穿透算力交易层，以及分布式算力网络能否在窗口期完成资源连接。

来源：雷峰网