背景
在大模型训练或推理时，多GPU同步运算，典型情况会出现计算阶段满功率 100% 负载，到了数据交换阶段瞬间跌到 30% 负载，此过程属于毫秒级甚至是微妙级的剧烈功率起伏，会造成：机柜供电冲击、母线电压骤变等可靠性风险
为了解决负载快速波动的问题，英伟达在白皮书《800 VDC Architecture for Next-Generation AI Infrastructure》中，提供4类解决方案思路，如下图所示
纵坐标：GPU负载功率，绿色虚线是平均功耗，可以看出负载有很明显的高峰（以100%为例）和低谷（以30%为例）
横坐标：时间（ms）
方案一：软件优化负载空闲（即低谷）的时间
从 AI 调度、模型算法层面优化计算流程，从根源减少 GPU 空闲的时间，把计算、数据传输任务错开，尽量不让所有 GPU 同时进入低功耗空闲阶段
特点：通过软件优化，使负载不要同时低谷、同时高峰，从而降低负载波动的幅度，不增加硬件、不牺牲算力、不额外耗电，是成本最低、效率最高的方案
定位：治本方案，优先采用
方案二：储能削峰填谷
在IT机柜就近（本地）增加储能介质，提供缓冲作用
GPU空闲时，储能充电
GPU瞬间高负载时，储能迅速放电，补充瞬间的功率缺口
特点：储能可以有效抹平尖峰电流，平滑负载曲线，从而降低负载波动的冲击
定位：解决绝大部分工况的方案（储能介质可以是电解电容/超级电容/锂电池等）
方案三：燃烧/消耗功率
当负载从高到低快速变化，此瞬间多余电能可通过储能迅速吸收，但当储能已经充满、无法再吸收瞬时过剩电能时，系统可配置泄放电路，把多余功率转换成热量耗散
特点：浪费电能、增加散热压力、效率低
定位：被动兜底，通常作为储能不够时的第二道防线，不推荐单独用来平抑负载波动
方案四：GPU 性能降额
特点：软件限制 GPU 性能，主动压低算力输出，削平功率尖峰
定位：最后兜底，牺牲算力
总结
方案一：软件消除空闲 / 错峰 → 抹平波动（最优，无副作用）
方案二：储能缓冲→ 硬件兜底抹平波动（次选，增加硬件成本）
方案三：泄放电路消耗多余电能→ 浪费电力，通常是储能充满后才用
方案四：GPU降额压低峰值→ 牺牲算力，最后兜底
这里说的储能，均为IT机柜就近端（本地）的储能系统，即目前主流的CBU、BBU等
免责声明：图片若涉及版权问题，请尽快与本公众号联系，我们将第一时间删除
中英文名词对照
GPU graphic processing unit图像处理器
CBU Capacitor Backup Unit 电容备电单元
BBU Battery Backup Unit 电池备电单元
