祝融说。

如果说第一篇“建好”是在铸造一柄锋利的宝剑，那么第二篇“管好”则是在探讨如何掌握这柄宝剑的剑法。剑再锋利，若使用者章法混乱、心术不正，轻则伤己，重则为祸。国家智算中心这柄“算力之剑”，同样如此。

一个硬件堆砌得再先进、PUE再低的智算中心，如果运营治理失当，其结果可能是灾难性的。它可能沦为少数巨头的“私人矿场”，加剧数字鸿沟；它可能因为资源错配，导致巨大的算力空转和浪费；它甚至可能因为算法滥用，引发严重的社会伦理问题。

“管好”的核心，是为这台强大的“收敛引擎”安装上一个精密、可靠、且符合国家战略意图的“操作系统”。这个操作系统，负责将底层的硬件资源，合理地分配给上层的万千应用，确保算力这股新时代的“生产力”，能够真正地、公平地、高效地赋能整个社会。

而这个操作系统的内核，就是算力调度。

算力调度，这个听起来颇为技术的术语，其本质却是一个深刻的经济学和治理学问题。它回答的是一个资源分配的经典命题：有限的、宝贵的算力资源，应该优先分配给谁？以什么价格分配？遵循什么样的规则分配？

对这个问题的不同回答，将直接决定一个智算中心的性质和命运。它究竟是一个追求短期利润最大化的商业地产，还是一个以培育区域创新生态为己任的公共基础设施？它究竟是数字时代的“加速器”，还是“马太效应”的放大器？

如果我们采取一种完全放任自流的市场化逻辑，其结果是确定无疑的，也是我们最不愿看到的——“算力霸权”的形成。

3.1 拒绝“大户包场”：算力世界的“公地悲剧”与解法

在一个纯粹的市场环境中，最稀缺的资源，永远会被出价最高者所垄断。在今天的中国，谁对高端AI算力的需求最迫切，支付能力也最强？答案毫无疑问，是那几家头部的互联网科技巨头和人工智能独角兽。

它们正在进行一场军备竞赛式的大模型研发，动辄需要数千张、上万张顶级GPU，进行长达数月的连续训练。为了抢占市场先机，它们愿意为此支付高昂的溢价。

此时，作为国家智算中心的运营方，如果我们仅仅以“出租率”和“短期营收”作为核心KPI（关键绩效指标），那么最理性的商业选择，就是与这些“大户”签订长期包场协议。将中心80%甚至90%的算力，一次性、打包出售给它们。

这样做的好处是显而易见的：

• 财务报表好看：瞬间实现高出租率，获得稳定、可预期的现金流，能够快速覆盖巨额的建设成本和运营开销，向上级和投资方有一个漂亮的交代。
• 运营管理省心：服务少数几个大客户，远比服务成百上千个小客户要简单。需求明确、技术能力强、沟通成本低。

这看起来是一笔“双赢”的交易。但如果我们把视线从短期的财务报表，拉长到区域数字经济的长期健康发展，就会发现，这其实是一剂包裹着蜜糖的毒药。

“大户包场”模式，将不可避免地导致以下三大恶果：

1. 扼杀中小企业创新：

   人工智能时代的创新，不再仅仅是“一个天才在车库里的灵光一闪”。算法的迭代、模型的优化，高度依赖于大规模的算力进行实验和验证。一个拥有优秀算法idea的AI初创团队，如果没有算力，就如同一个F1赛车设计师，却没有风洞和赛道来测试他的设计一样，其创意永远只能停留在纸面上。

   当智算中心的算力被巨头包场后，本地成千上万的科技型中小企业、高校的科研团队、甚至医院里希望用AI辅助诊疗的医生团队，将面临“一卡难求”的绝望境地。他们或者因为价格过高而无法承受，或者因为根本没有零散的算力可供租用，而被挡在人工智能时代的门外。

   这就在事实上形成了一种“算力准入壁垒”。只有巨头才能玩得起AI的游戏，而中小创新者连入场券都拿不到。一个地区的创新生态，如果失去了这些充满活力的“毛细血管”，最终只会变成一片巨头垄断的“创新荒漠”。

2. 加剧数据和人才的虹吸效应：

   算力可得性会影响部分数据、人才和项目的流向，但不是唯一因素。本地中小企业无法获得本地算力时，还可能选择异地托管、多云、按需 API、压缩模型、边缘设备或延后任务；不同路径各有成本与能力损失。迁移到公有云也不等于数据所有权自动转移给云厂商，真正需要审计的是合同权利、密钥控制、数据位置、访问日志、可迁移性与退出成本。

   同时，本地培养的AI人才，也会因为本地缺乏施展才华的平台，而纷纷流向北京、上海、深圳等巨头总部所在的城市。最终，本地智算中心投入巨资建成的“梧桐树”，却没有引来“金凤凰”，反而为他人做了嫁衣，加剧了区域间的发展不平衡。

3. 丧失区域产业的议价权：

   当一个地区的数字经济，从算力、数据到人才，都高度依赖于一两家外部巨头时，这个地区实际上就丧失了对自己数字产业命运的掌控权。巨头的平台规则、定价策略、技术路线，将成为本地的事实标准。

   本地政府在与巨头进行产业政策谈判时，将处于一个极其被动的地位。智算中心，这个本应成为地方政府“数字抓手”的战略资产，反而异化成了外部巨头控制本地的“经济租界”。

这种“公地悲剧”式的演化路径，是完全可以预见的。作为国家智算中心的管理者，我们的首要职责，就是运用治理的手段，主动干预市场失灵，打破“算力霸权”的形成。

3.1.1 启示：必须保留的“可用余量”

在这里，我们再次回到本书的核心理论内核。一个健康的、可持续的算力生态系统，必须永远保留一定比例的“可用余量”。

这个“可用余量”，不是指因为没人用而闲置的算力，而是指我们主动地、有意识地、通过制度设计预留出来的、不用于长期锁定和商业变现的算力池。

它就像一个国家的战略石油储备，或者一个城市的应急避难场所。它在平时看起来，似乎是“闲置”的、“不产生效益”的，但它恰恰是整个系统韧性和未来可能性的保障。

这个“可用余量”至少有三个层面的战略意义：

• 为中小企业保留“创新火种”：

  这部分预留的算力，应该以“算力券”或普惠价格的形式，定向提供给经过审核的本地中小企业和科研团队。它们可能只需要几张卡、几十张卡，租用几个小时或几天，来验证一个新算法、训练一个小模型。

  这种“点灌”式的算力扶持，对于巨头来说微不足道，但对于这些初创团队来说，却是“雪中送炭”，是点燃他们创新梦想的“火种”。我们必须确保，无论巨头的需求多么旺盛，这个为“小微”保留的“火种池”永远不会干涸。

• 为应对突发事件保留“战略冗余”：

  当城市面临突发的公共卫生事件（如疫情）、极端天气（如暴雨内涝）或重大安全事故时，需要瞬间调集海量的算力，进行模拟推演、应急调度和资源分配。如果我们的算力100%都被商业任务占据，那么在危机时刻，我们将无“卡”可用。届时，是中断巨头的商业模型训练，还是牺牲城市的应急响应能力？这将是一个两难的、甚至可能造成巨大损失的抉择。

  而“可用余量”的存在，就为我们提供了一个缓冲。它确保了城市大脑在任何时候，都拥有可以优先调度的“战略预备队”，保障了城市的“反脆弱”能力。

• 为未来的不确定性保留“可能性空间”：

  技术和市场的演进，充满了不确定性。今天看起来最主流的大模型训练任务，五年后可能就不再是算力消耗的主力。可能会出现一种全新的、我们今天无法想象的应用（比如全真互联网、脑机接口），它对算力的需求模式完全不同。

  如果我们将所有算力都用长期合同锁定在一种应用模式上，就等于堵死了我们适应未来的可能性。而保留一部分灵活的、非锁定的“可用余量”，就等于为我们探索和拥抱未来的不确定性，保留了一个宝贵的“实验场”。

3.1.2 管理者的行动指南：如何制度化“可用余量”

那么，作为管理者，如何将“可用余量”从一个理论概念，落地为可执行的运营策略呢？

1. 设立“三级算力配额”制度：

   在制定算力分配政策时，就明确将智算中心的总算力，划分为三个等级的配额池：

   • 一级（战略保障池，占比15%-20%）：这就是我们的“可用余量”。这部分算力原则上不参与商业竞价，不签订长期锁定协议。它通过“算力券”和申请审核制，定向供给本地中小科创企业、高校、科研院所以及政府公共服务部门。其定价应远低于市场价，甚至免费，其考核标准不是收入，而是“赋能广度”（支持了多少个主体）和“创新成果”（孵化了多少专利、催生了多少新应用）。
   • 二级（商业基石池，占比50%-60%）：这是智算中心稳定运营的“压舱石”。这部分算力可以与包括巨头在内的大客户签订中长期（如1-3年）的租赁协议，以保障中心的基本收入和运营成本。但在协议中必须明确，在政府宣布进入紧急状态时，有权临时征用这部分算力。
   • 三级（弹性竞价池，占比20%-30%）：这部分算力完全市场化运作，采用分时、竞价的模式，向所有类型的用户开放。价格随市场供需波动，可以实现收益最大化。这个池子的存在，可以满足市场的临时性、突发性的算力需求，也是中心利润的重要来源。

需要说明的是，一级（战略保障池）15%-20%、二级（商业基石池）50%-60%、三级（弹性竞价池）20%-30%的配比，是本书给出的政策设计区间示例，供参考与调整，而非经过大规模实践检验的最优解。各地应根据本地的产业结构、算力供需与财政状况校准。

2. 建立“算力普惠审查委员会”：

   为确保一级配额池的公平、公正分配，应成立一个由政府代表、行业专家、投资机构、高校教授等组成的中立审查委员会。由这个委员会来评审中小企业和科研团队的“算力券”申请，确保宝贵的普惠算力，真正给到了那些有技术、有潜力、最需要的创新主体，防止骗取补贴和资源浪费。

3. 将“生态培育”纳入核心KPI：

   最关键的，是要改变对智算中心运营团队的考核“指挥棒”。不能只看收入、利润、出租率这些财务指标。必须引入一系列衡量“生态贡献”的非财务指标，并赋予其相当的权重。例如：

   • 本地中小企业赋能数量
   • 新增AI相关专利/软件著作权数量
   • 与本地高校建立的联合实验室数量
   • 吸引和留住的AI人才数量

只有当运营团队的“身家性命”与本地创新生态的繁荣深度绑定时，他们才会有真正的动力，去拒绝“大户包场”的短期诱惑，去耐心细致地做好服务中小企业的“脏活累活”。

打破“算力霸权”，不是要与巨头为敌。巨头依然是算力生态中重要的参与者和贡献者。我们要做的，是用治理的“有形之手”，去平衡市场的“无形之手”，确保在巨头这棵参天大树之下，依然有阳光和雨露，能够滋养出一片生机勃勃的“创新灌木丛”。这才是一个国家级基础设施应有的胸怀与担当。

3.2 分时租赁策略：像管理潮汐车道一样管理算力

在确立了“保留可用余量”这一战略原则之后，我们还需要一套更精细化的战术工具，来提升算力资源在时间维度上的利用效率。

一个常见的运营困境是：白天，大量对实时性要求高的在线业务（如金融交易、城市交通调度、在线客服）挤占算力资源，导致网络拥堵和任务排队；而到了深夜，这些业务的负载降到谷底，大量的服务器又处于低负载或空闲状态，造成了巨大的能源浪费和机会成本。

这种算力需求的“潮汐现象”，与城市交通的早晚高峰如出一辙。而解决城市交通潮汐问题的一个有效方法，就是“潮汐车道”——根据不同时段的车流方向，动态调整车道的通行方向。

同样的思路，完全可以应用于算力调度。这就是我们的“分时租赁策略”。

其核心思想是：根据不同计算任务的属性，将其智能地、差异化地调度到不同的时间窗口去执行，从而实现对算力资源的“削峰填谷”，最大化24小时的整体利用率。

3.2.1 任务画像：识别算力的“快车”与“慢车”

要实施分时租赁，首先要学会给计算任务“画像”，识别出它们的关键属性。我们可以从两个维度来划分：

• 维度一：延迟敏感度
  • 高敏感（快车）：这类任务对响应时间要求极高，一秒钟的延迟都可能导致业务失败或用户体验急剧下降。它们必须被立即处理，拥有最高的抢占优先级。例如：
    • 金融风控与高频交易
    • 城市交通信号灯的实时优化
    • 自动驾驶的障碍物识别
    • 视频会议的实时语音识别与翻译
  • 低敏感（慢车）：这类任务对总完成时间有要求，但不在乎中间过程是否被中断或排队。它们可以被延后、分批次处理。例如：
    • AI大模型的离线训练
    • 影视动漫的后台渲染
    • 科研领域的科学计算模拟
    • 数据的批量清洗与ETL（提取、转换、加载）
• 维度二：吞吐量需求
  • 高吞吐（重载卡车）：这类任务需要一次性调动大规模的计算集群，进行长时间、高强度的并行计算。它们是算力的“消耗大户”。例如，训练一个超大规模的大模型，可能需要上千张GPU连续运行数周。
  • 低吞吐（小轿车）：这类任务计算量相对较小，可能只需要几张卡、甚至单卡的一部分算力，在短时间内就能完成。例如，一次AI绘画的图片生成，或者一个API调用。

（上述“千亿参数”“上万张卡”的量级为示意性描述，具体规模随模型架构与训练效率变化较快。）

通过这两个维度的交叉组合，我们就可以将纷繁复杂的计算任务，清晰地归类到四个象限中，并为它们制定差异化的调度策略。

3.2.2 潮汐调度器的设计：价格杠杆与智能调度的双轮驱动

有了任务画像，我们就可以设计一个智能的“潮汐调度器”。这个调度器，就像一个精明的出租车公司的调度中心，它通过“价格”和“算法”两个杠杆，引导和调配算力资源的供需。

1. 价格杠杆：建立分时定价模型

这是最核心的经济手段。我们要像电力公司区分“峰、平、谷”电价一样，为算力也建立一套动态的、分时的价格体系。

• 高峰时段：例如工作日的上午9点到下午5点。这个时段，主要服务于象限一和象限三的“快车”业务。算力价格最高，以体现其稀缺性。高昂的价格会自然地“劝退”那些非紧急的“慢车”任务，让它们主动选择去更便宜的时段排队。
• 平峰时段：例如工作日的晚上6点到11点。价格适中，可以承接一部分白天的溢出任务，以及一些对时间有一定要求的“慢车”任务。
• 低谷时段：例如深夜12点到次日早晨7点，以及周末和节假日。这个时段，是象限二“计划重任”的黄金窗口。算力价格可以设置得极低，例如显著低于高峰时段价格（如定价策略上做到高峰的两三成）。通过巨大的价格差异，吸引和激励所有高吞吐量的训练、渲染任务，都集中到这个时间段来执行。

这种分时定价策略，不仅能有效地平滑算力负载曲线，还能为智算中心带来额外的收益。更重要的是，它为那些对成本敏感、但时间灵活的用户（如科研机构、初创公司）提供了一个可负担的算力使用路径，这本身就是一种普惠。

1. 智能调度算法：从“先到先得”到“全局最优”

除了价格杠杆，调度器还需要强大的算法能力，来执行更精细化的资源分配。传统的“先到先得”调度算法，在复杂的异构环境中是极其低效的。一个现代化的智算中心调度器，至少应具备以下能力：

• 任务优先级与抢占：调度器必须能够识别任务的优先级。当一个象限一的“紧急重任”（如灾害预警）提交时，调度器有权暂停甚至终止正在运行的低优先级任务（如一个象限二的训练任务），将资源立即释放给高优先级任务。当然，被中断的任务应该能够保存状态，并在稍后自动恢复，其用户也应获得相应的补偿。
• 资源画像与智能匹配：调度器不仅要给任务画像，还要给底层的算力资源画像。它需要实时地知道，哪台服务器上装的是国产A芯片，哪台装的是英伟达B芯片；哪个机柜是风冷的，哪个是液冷的；哪台服务器的网络带宽最高。当一个任务提交时，调度器会根据任务的特性（例如，它需要CUDA环境还是昇腾CANN环境），智能地将其匹配到最合适的物理服务器上，实现“好钢用在刀刃上”。
• 打包与填缝：这是一个优化算法。当一个需要1000张卡的大任务被调度到夜间执行时，调度器会发现，在它开始之前，可能有2个小时的空窗期。此时，调度器会自动地寻找那些可以在2小时内完成的“零散轻任”（象限四），将它们“填”进这个空隙里，避免资源闲置。这种“见缝插针”的能力，可以极大地提升资源的碎片化利用率。
• 能耗感知调度：更高级的调度器，还会与数据中心的动环监控系统联动。它知道哪个机柜的温度偏高，哪个区域的供电负载已接近上限。在分配任务时，它会尽量将计算负载均匀地分布在整个数据中心，避免产生局部热点，从而在宏观上降低制冷能耗，优化PUE。

3.2.3 管理者的角色：从“房东”到“交通规划师”

实施分时租赁策略，要求管理者彻底转变角色。

我们不再是一个简单的“算力房东”，把机柜租出去就万事大吉。我们必须像一个城市的“交通规划师”和“交管局局长”。

• 作为“交通规划师”：我们需要深入地研究本地的产业结构和算力需求模式。金融业占比多，还是制造业占比多？白天在线业务多，还是夜间离线业务多？通过精准的需求分析，来科学地设计我们的分时定价模型和资源配额比例。
• 作为“交管局局长”：我们需要建立一个强大的、可视化的算力运营中心。在这个中心的大屏幕上，我们能实时地看到整个智算中心的“算力热力图”：哪些任务正在运行，占用了多少资源，预计何时完成；哪些资源处于空闲状态。我们能清晰地看到算力负载的潮汐变化，并根据预案，动态地调整调度策略。

结论：管好算力，就是管好未来

第三章的核心，是为智算中心的运营治理，提供了一套“道”与“术”相结合的解决方案。

• “道”的层面，是“打破算力霸权”的战略决心。 我们必须认识到，国家智算中心承载着公共属性和战略使命，绝不能沦为少数巨头的附庸。通过制度化的“可用余量”，我们为中小创新者和公共利益，保留了宝贵的“火种”，守护了整个数字生态的多样性与公平性。这是一种超越短期商业利益的长期主义和责任担当。
• “术”的层面，是“分时租赁”的精细化运营。 我们通过任务画像、分时定价和智能调度，像管理潮汐车道一样，对算力资源进行“削峰填谷”的精细化管理。这不仅极大地提升了资源利用效率和经济效益，更通过差异化的价格体系，为不同类型的用户，都提供了一条通往算力服务的路径。

“建好”只是序章，“管好”才是正文。一个不会调度的智算中心，就像一个四肢发达、但大脑迟钝的巨人，空有一身蛮力，却无法发挥出真正的威力。

只有当我们建立起一套公平而高效的算力调度机制，我们才能确保这股源自芯片的澎湃动力，能够精准、有序、和谐地流淌到国民经济的每一个角落；我们才能确保算法这匹强大的“野马”，被套上理性的“缰绳”，始终朝着服务于社会整体福祉的方向“奔跑”，而不会“走火入魔”。

管好算力，就是管好数据要素的分配权，就是管好数字经济的“水龙头”。这是在为我们自己，也为我们的下一代，管好一个充满无限可能的未来。