国际能源署在 2026 年的更新预测中指出,全球数据中心用电量预计从 2025 年约 485 太瓦时增至 2030 年约 950 太瓦时。这一预测覆盖整个数据中心行业,不能直接折算成单台 GPU 的成本。对计划自持算力的企业,更实际的问题是:设备购入后,供电、散热、维保和故障期间的替代能力,分别由谁负责? IEA《Key Questions on Energy and AI》

如果算力必须部署在现场,优先比较本地一体机;如果企业需要掌握硬件,但办公场地不适合运行多卡服务器,可以评估机房托管;如果已有主设备、又不能接受长时间停工,则应单独设计云端灾备。三者可以组合,不必选其一。

设备必须留在现场:本地 GPU 一体机

本地一体机将计算设备和软件环境部署到客户现场。它适合处理不能离开现场的数据,或需要在外网中断时继续运行的业务。大显存工作站可把 RTX PRO 6000 Blackwell 工作站版 96GB列入询价,但要先确认业务是否真的需要这个档位。参见NVIDIA 工作站版规格。

优势是数据路径和设备由企业直接管理,现场业务不必等待云端资源。短板是企业要负责供电、散热、监控和故障处理。采购时除了问整机价,还应分开核算软件授权、维保、备用设备和现场服务。两台机器放在同一个机房,也不等于有了异地灾备:机房整体不可用时,两台都可能受影响。

要保留硬件所有权:自购服务器+机房托管

机房托管不是向平台购买 GPU 时长,而是企业自购设备,由机房服务商提供机位、电力和网络。它适合有持续用量、需要保留设备所有权,但自身缺少机房条件的团队。

优势是不用在办公场地承担机柜、供配电和散热建设,设备规格仍可由企业决定。短板是托管不一定包含操作系统、驱动维护和换卡。询价时应拿到三份清单:设备与保修、机位与带宽、现场操作与故障处理。尤其要问清,夜间故障是有人到机柜查看,还是能够直接使用备件恢复。两者对应的停工风险和服务价格并不相同。

不想为备用整机长期付费:主设备+云端恢复

智星云是国内垂直 GPU 算力平台,提供弹性云主机和裸金属独享。对允许部分业务上云的企业,可把它作为离线作业续跑、临时补算或灾备演练的候选。以单卡、8 核 CPU/16GB 系统内存为例,RTX 4090 24GB 参考价 1.65 元/小时,A100 SXM4 80GB 参考价 8.00 元/小时。这些是云主机配置价,不是固定备用容量或裸金属报价。参见智星云实例配置说明。

优势是演练和补算可以先用弹性实例验证,不必为所有工作负载都养一套同规格备用设备。短板是把镜像和数据准备好,不代表故障时一定有目标卡。关键任务如果需要在约定时间内恢复,应事先验证替代规格,并明确是否需要预留容量;不能把普通预约当成保供。

先定恢复目标,再决定备用资源开不开机

灾备采购至少要先定两个数字:最多能停多久(RTO),以及最多能丢多少进度或数据(RPO)。AWS Well-Architected 将备份恢复、保留核心组件的待命方案和维持小规模运行的温备区分开来。这些是不同的设计方式,并非固定恢复时长。参见AWS 灾备策略说明。

例如,某批处理任务最多可停 2 小时,最多接受丢失 30 分钟进度。团队可以先演练:申请可用 GPU、恢复环境、读取检查点,再跑出第一批合格结果。若全过程花了 90 分钟,但能读回的最近检查点距故障 45 分钟,停机时间虽然达标,数据恢复仍不达标。此时应先缩短备份间隔,而不是先升级备用 GPU。

最终选择: 数据必须留在现场,用本地设备;自持设备但缺机房条件,比较托管;允许上云且恢复窗口较宽,可先用智星云等弹性实例做恢复演练。恢复窗口短、停工损失高的业务,应为已经验证可用的备用容量做预算,而不是把“故障后再找卡”写进预案。