文章目录
内容提要
先画负载，再分钱
同样 50 万，CFD 并行为主和 AI 训练为主的分法完全不同。先回答四个问题：主力软件是什么、单个作业的典型规模和并行方式、多少人同时用、有没有标准机房。负载画像不清楚就分预算，等于缺少依据地分摊预算——最后很容易出现某一环明显不足。
计算节点：核数、内存与节点数的三角
预算大头在节点，但"买几台、每台多强"取决于作业形态：大内存单作业适合少而强的胖节点；参数扫描类的多作业并发适合多而均衡的节点。内存按单作业峰值配足——内存不够是集群最难受的短板；核数与许可证联动，商业求解器按核授权时，超过授权范围的核心难以转化为有效性能。
网络：什么时候必须上高速互联
判断互联预算要同时看跨节点作业通信和共享存储流量。单节点能装下作业，不代表千兆或万兆网络一定足够；多个作业同时读写也可能拥塞。紧耦合并行还需核对通信延迟、软件支持和许可，用同一算例的扩展性与真实并发读写测试决定网络投入。
存储：别让结果盘变成瓶颈和风险点
集群存储有三个角色：作业读写的高速暂存（本地 NVMe 或并行存储）、共享的项目与家目录、结果归档与备份。小集群常见做法是节点本地 NVMe + 一台共享存储承担项目盘与归档，备份底线单独规划（参考站内《备份底线》一文）。存储预算常被压到最后，但结果丢失的代价远高于这部分投入。
别忘了机房与散热的隐性开销
持续满载节点的功耗、噪声与热量需要和现场条件逐项核对，包括供电回路、UPS、空调、机柜和承重。没有机房时可比较环境改造与适合办公部署的平台，但塔式外形不自动代表安静或散热充足；应明确实际负载、运行时长及可接受噪声。
按四类场景调整优先级
CFD/有限元紧耦合并行为主时，节点内存、CPU 并行效率和高速互联要优先确认；AI 训练为主时，GPU 显存、数据集吞吐、checkpoint 存储和软件栈更关键；参数扫描或多用户排队为主时，节点数量、调度系统和账号管理更重要；没有标准机房时，供电散热与噪音约束可能先决定设备形态。预算不是固定比例表，而是围绕这些优先级动态分配。
验收要测什么
小集群交付验收至少覆盖：单节点满载与温度、跨节点并行的实测扩展性（同一算例 1/2/4 节点对比）、存储吞吐、调度系统的作业提交与排队、断电恢复流程。把这些写进合同验收条款。规划阶段可以用页面上的 AI 配置顾问按预算和负载先做一轮分配初筛；需要正式方案时提交项目需求，提交后由方案工程师继续确认配置、含税预算与交付范围。
选型检查清单
- 先画负载画像：软件、单作业规模、并行方式、并发人数和机房条件
- 内存按单作业峰值配足，核数与求解器授权联动
- 确认有无跨节点大作业，再决定高速互联的预算
- 按 CFD/有限元、AI 训练、参数扫描、无机房四类场景调整优先级
- 验收测满载、跨节点扩展性、存储吞吐与调度流程