12 机房运维

12.1 密度变化

买到 GPU 只解决了设备是否存在，没有回答设备能否上电、热量能否排走、请求能否进来、故障能否隔离。高密度推理集群稀缺的是接入电力、冷却、网络并有人持续运维的可部署容量，单独一张卡不算产能。这也是技术和 BD 最容易说岔的地方：技术说需要 120 kW 机架，说的是设施接口；BD 说已经锁定一批机器，说的是资产或合同。两句话可以同时为真，但仍然没有一台机器能服务客户。

密度上升改变了交付对象。过去一台通用服务器功率较低，机柜是相对标准化的容器；机架级 AI 系统把计算、交换和供电紧密耦合后，机柜本身接近一个小型工业系统。公开资料显示 GB200 NVL72 一个机架 72 块 GPU、功率量级约 120 kW，依赖液冷歧管、冷板和漏液检测。核这个数字只适用于相应产品，它揭示的机制却普遍成立：设备密度上升后，电力和排热从背景条件变成部署的硬约束。一台八卡 B300 整机的 IT 功耗超过 11 kW，加上制冷与配电损耗，单机柜功率密度轻松超过 40 kW，远高于传统机房 5 到 10 kW 的设计，大量既有机房物理上装不下这类设备，即使有空位也上不了架。

12.2 六次变成

从资产到产能，一张卡至少经历六次状态转换：已购买或已租赁，到已到场且权属清楚，到已上架供电冷却联网，到集群与软件栈通过验收，到模型在目标负载下稳定运行，到客户能按约定指标持续调用。这六次转换就是第 8 章第一门的局部状态机，不另起一套流程。任何一步停住，后面的容量都不能计入可售供给。由此得到一个防止重复计数的账本公式：可部署 GPU 数等于以下各项的最小值：权属清晰的设备数、机柜可承载数、电力可承载数、冷却可承载数、网络可承载数、已验收可运维数。资产方持有 72 块卡而站点只能给出半架功率，分子就不能继续写 72。

12.3 资源约束

供电不只看园区总容量。站点宣传的兆瓦数可能是园区规划、已获批容量、已接电容量，或多租户共享的总量。推理部署要落到机柜：可交付多少千瓦，主备路径怎样，UPS 和发电机覆盖什么，配电单点在哪里，电费按什么口径计量。最便宜的验证动作不是听园区介绍，而是取得单线图、接电协议、机柜配电设计、实际功率曲线和扩容里程碑；没有这些材料，锁定 10 MW 仍可能只是园区级意向。

散热要沿水路和责任链检查。冷板把芯片热量带到机架液冷回路，机架回路再与设施水系统交换热量。只写支持液冷会漏掉关键接口：供回水温度、流量、水质、冷却液分配单元、泵和换热器的冗余、漏液检测、检修隔离。技术团队关心温度流量，资产方关心设备保修，机房关心设施水路，本地运维关心谁能关阀门、谁能批准停机；合同只写机房提供冷却，出现局部热点或漏液时，很可能没人对恢复 token 容量负责。

机柜、布线和承重不能事后补齐。承重、运输通道、机架尺寸、光纤路径、母线、管路和维护空间都会改变上架节奏。机柜验收至少形成：设备位置、序列号、端口、配电回路、冷却接口、带外管理地址和现场照片。同一批设备分散在多个故障域时，还要记录它们是否共用上游配电、冷却、核心交换机或公网出口：两排机柜不一定是两个独立故障域，两个园区也可能共用同一条跨境链路。

PUE 不能替代单位 token 效率。电能使用效率衡量设施为支撑 IT 设备额外消耗多少能源，越接近 1 表示辅助能耗越少，但它不表示模型效率，更不表示商业效率：相同 PUE 下，两个集群可能因为模型、量化、缓存命中率和空闲率不同，产生完全不同的单位 token 成本。设施层记可交付千瓦和 PUE，系统层记节点健康和利用率，产品层记成功 token、延迟和单位成本，三层要分开，我们的 PUE 很低推不出我们的 token 很便宜。

12.4 网络体验

站点选择常用平均网络时延排序，但一次请求还要经过域名解析、建连和加密握手，用户体验还受往返时延、抖动、丢包和路由切换影响。对推理业务，网络测试必须连到应用层：从真实客户网络、真实 API 域名持续测解析建连时间、分位数时延与丢包、网关排队、首字延迟、相邻 token 间隔和流式连接中断率。只在机房内测内核覆盖不了公网出口和客户端，只做一次跨境 ping 覆盖不了峰谷拥塞。站点不是越靠近某个国家标签越好，而是越靠近实际用户与数据路径越好：中国客户、东南亚客户和欧美客户可能需要不同入口、模型副本和切换策略，把所有流量强行绕到同一个海外中心，是拿一个局部价差换持续的网络和责任风险。

12.5 口径差异

为什么宣传容量总比可售容量大：园区按规划容量讲故事，资产方按机器数量融资，运营方按在线节点排产，销售按可卖 token 报价，四方使用不同分母，却都简称产能。这是口径差异，不必先归因于恶意，但没有统一的验收状态，它会自然放大乐观数字。更稳的做法是给每台设备设状态机：已签约、已付款、已交付、已上架、已验收、已装载、可调度、可计费、降级、维修。销售只能读取可计费状态及其冗余余量，融资材料则同时披露其他状态。这样技术团队不必反复解释为什么有卡不能卖，BD 也能看到容量卡在哪个具体接口。

12.6 四份账本

验收时只看四份账。

• 资产账　型号、序列号、权属、租赁与支持权益
• 设施账　机柜、配电、冷却、网络、故障域与容量余量
• 运行账　节点健康、模型装载、真实负载、监控与恢复演练
• 产品账　客户路径、token 计量、延迟、完成率与可售冗余

四份账能互相勾稽，才可以说这批 GPU 已经变成产能；只拿到设备照片和园区介绍，结论最多是存在候选资产和候选场地。

验收也不是一次开机仪式，应分设计、安装、单机、集群、负载五级，每级有明确的进入条件和退出证据：设计图通过不等于安装完成，空载烧机不等于长时间推理稳定，机房内压测不等于客户跨境路径可用。更稳妥的里程碑是：设施验收后才上架，集群验收后才计入技术容量，真实负载与网络验收后才计入可售容量，客户验收后才进入 SLA 计费，每一步的付款比例和责任转移分别约定，让工程事实和商业激励对齐。