摘要：本文结合长三角三家汽车零部件加工厂的算力调度落地经验，梳理了工厂场景下碎片化算力的实际损耗、统一调度的技术边界，以及跨部门协同的落地细节，没有空泛概念，全是一线踩出来的实锤。
上个月跑了三家长三角的零部件加工厂，踩完一圈算力调度的坑，回来整理了半本笔记。
最开始去第一家厂的时候，IT部的人给我看他们的算力台账：12台配RTX A6000的CAE仿真工作站，归设计科管；8套带T4算力卡的视觉检测工控机，归制造部管；6个部署在车间的数字孪生边缘节点，归运维部管。每个节点的采购价都不低，算下来三年投的硬件成本快八百万。
我盯着监控面板愣了三分钟。
设计科的工作站，除了排模、跑CAE仿真的那几个小时，GPU平均负载才12%，剩下的时间全在跑屏保。产线的视觉工控机，白天两班倒的时候负载能冲到90%，晚上换班的那四个小时，负载直接掉到15%。边缘节点更夸张，平时只跑数据采集，CPU负载常年在10%以下。
太离谱了。
合着大几百万投的算力，三分之二在睡大觉？之前大家习惯了把算力跟着设备、跟着科室配，设计科的工作站不许产线碰，产线的工控机不许装仿真软件，权限墙、网络隔离、软件授权锁，一层一层把本来连通的算力拆成了互不相通的碎块，最后算下来单块模具的仿真成本比行业平均高了40%，视觉检测的算力冗余占比超过60%。
碎算力的浪费，比你算的账还多
很多人算算力账的时候，只会算硬件采购的钱。真的落地过才知道，隐性成本比硬件钱高多了。
比如设计科跑一个1200万网格的冲压成型仿真，单台工作站要跑14个小时，为了赶模具交付的节点，工程师只能把任务拆成好几个小模型，分开算，最后拼出来的仿真结果和实际成型的误差能到18%，后续修模的成本又要多掏十几万。产线那边呢，为了应对白天的高负载，给每个视觉工位都配了最高规格的算力卡，结果晚上闲下来的时候，这些算力完全空转，连个数据清洗的任务都跑不了。
我在第二家厂算过一笔细账：他们一年因为算力碎片化导致的额外成本，包括仿真精度不够的修模费、算力冗余的硬件折旧、软件授权的重复采购，加起来快三百万。这还没算因为仿真周期太长，错过客户订单交付期的潜在损失。
统一调度的核心，从来不是把机器堆进机房
最开始接触这个项目的时候，好几个厂的IT负责人跟我说，统一调度不就是买个云管平台，把所有机器的网线连起来，做个资源池就完事了？
真的，别拿消费级云调度的思路套工业场景。
按照GB/T 41391-2022《智能制造 工业算力通用要求》的分级，工业场景下的算力任务分三类：第一类是生产控制类，比如冲压设备的实时控制、视觉检测的缺陷识别，要求端到端延迟低于10ms，绝对不能跨节点调度；第二类是数据处理类，比如产线的质量数据清洗、设备的预测性维护计算，要求延迟低于1s，可以在车间范围内调度；第三类是离线计算类，比如CAE仿真、数字孪生的大场景渲染，没有硬延迟要求，可以跨车间、跨科室调度。
损失真金白银。之前有个同行的厂，上来就照搬互联网公司的云调度方案，把所有算力节点拉到同一个大资源池，连产线上实时跑的视觉检测任务都迁到了几公里外的中心机房，结果赶上车间核心交换机动升级，三秒钟的网络断连，120个带表面微裂纹的冲压件没被识别出来，顺着产线流到了总装环节才被巡检发现，光是拆解返工、耽误总装节拍的损失就超过二十万。
真正能落地的调度系统，核心是三个模块：首先是算力感知层，要实时采集每个节点的GPU/CPU/内存负载、网络带宽、剩余软件授权数，甚至要考虑节点的车间环境温度——夏天38度的车间里，没有空调的工控机会自动降频，实际可用算力比标称值低15%左右，这些数据都要算进可用算力池里，不能拿标称值瞎算。然后是任务匹配层，给每个任务打好实时性、安全等级的标签，带10ms延迟要求的任务，永远锁在本地边缘节点，不许跨车间调度；大的仿真任务，就把闲下来的设计科工作站、晚上空转的视觉工控机的算力攒起来，我们测过，10个闲节点的分布式算力，跑同样的1200万网格仿真，3个半小时就能跑完，比单台工作站快了4倍。最后是安全隔离层，哪怕算力统一调度了，生产网和办公网的逻辑隔离不能丢，比如从视觉工控机划出来的算力，只能跑非生产类的仿真任务，不能碰实时检测的数据流，每次调度都要做权限校验，防止越权访问。
落地时最容易被忽略的软成本
讲完技术细节，说点不太好听的。很多项目最后做砸了，根本不是技术不行，是没算清楚软成本。
比如跨部门的利益墙。设计科的工作站，原来都是科室自己说了算，现在调度系统要在闲的时候把算力分给产线做数据处理，设计科的工程师第一反应就是“会不会我跑仿真的时候抢不到算力？” 对吧，谁的东西谁心疼。我们当时做的方案是，给每个科室设算力配额，哪个科室的节点贡献的闲时算力，按照70%的比例折算成该科室可以免费使用的公共算力池额度，相当于存算力换算力，大家才愿意配合。
还有软件授权的坑。很多仿真软件的授权是绑定节点MAC地址的，你把任务调度到别的节点上，授权就不认了。之前有个厂为了省授权费，硬把绑定MAC的授权拆出来用，结果跑了一半的仿真任务因为授权校验失败断了，三个小时的计算白跑。说多了都是泪。后来我们的方案是，统一部署浮动授权服务器，按照实际的算力使用时长算授权费用，不用给每个节点买永久授权，光这部分一年就能省三十多万。
我们帮第一家厂做完整套调度系统之后，连续跑了三个月的统计：整体算力利用率从原来的28%涨到了67%，单套模具的仿真周期缩短了62%，视觉检测的算力冗余从63%降到了12%，算下来一年省的算力投入、软件授权、仿真时间成本，差不多两百四十万。投入的调度系统、网络改造的钱，不到一年就收回来了。
其实工厂的算力调度，从来不是什么高大上的AI命题。说白了就是把原来散在各个角落、睡大觉的算力，按照不同的任务要求，放到合适的位置用起来。没有那么多玄乎的概念，踩过的坑、算过的细账、协调过的部门诉求，才是真正能落地的核心。
