关于我们

2026年，银行、医院、政务这类单位做跨机构数据建模，绕不开一个词：联邦学习（Federated Learning）。嘴上说的是"数据不出域、模型先聚合"，可真到落地租算力那一步，一堆人傻眼——横向联邦和纵向联邦的 GPU 需求差着十万八千里，安全聚合动不动吃掉三成算力，差分隐私一开，显存直接报警。这篇文章把联邦学习跨机构隐私计算的 GPU 选型掰开揉碎讲清楚，该配几张卡、该买多大显存、通信带宽占多少权重，按真实项目给你算一遍账。你要是正好在给银行反欺诈、医院多中心科研或者政务数据共享做方案，照着这篇挑，能省不少试错的钱。

先抛结论，不想看过程直接抄作业：

• 横向联邦（各机构数据同构、样本不同）吃算力，纵向联邦（各机构特征互补）吃通信和内存，两者的 GPU 选型逻辑完全不同，别用一套方案套两个场景。
• 安全聚合（Secure Aggregation）和差分隐私不是免费的，前者多花 CPU 和带宽，后者直接推高显存占用，预算里必须留出 20%–30% 的余量。
• 联邦学习的单节点算力需求其实不高，但节点数量多、训练轮次多，T4、V100S 这类中端卡往往比 A100 更划算，别一上来就追旗舰。
• 一万网络的人工定制 GPU 把 T4（¥900/月）、V100S（¥1500/月）、A100 40G（¥2800/月）都摆在了官网明面价，联邦学习场景够用且预算可控；做聚合调度/数据脱敏的 CPU 节点可以配裸金属 E5-2698v4×2（¥3999起）。
• 涉及医疗、政务等敏感数据，机房合规要提前问清，正规服务商可以协助对接合规机房、给合规架构建议，但别指望随便一家小机房就能过审。

一、概念解析：联邦学习到底在算什么

很多人一听"联邦学习"四个字就发怵，觉得是什么高深莫测的新算法。说白了，它就是"数据不动、模型动"：数据留在各家机构自己的机房里，各家用自己的本地数据训练模型，只把模型参数（梯度）加密上传到一个协调方做聚合，再把更新后的全局模型分发回去，如此往复。全程原始数据不出域，这就是它被银行、医院、政务看中的根本原因。

但这里有个认知误区必须纠正：联邦学习并不比集中式训练省算力，甚至更费。集中式训练是"一份数据，一口气训练完"；联邦学习是"多份数据分处多地，每轮都要通信、聚合、再下发"，同样的模型，联邦训练的墙钟时间通常要长 2–5 倍。你以为省了数据搬运的麻烦，代价是算力、带宽、协调成本全部翻倍。所以选 GPU 的第一性原则是：先想清楚是横向联邦还是纵向联邦，再谈配卡，这俩对算力的需求逻辑完全不在一个频道上。

1.1 横向联邦：同构数据，吃算力

横向联邦适用于参与方数据特征一样、但样本不同的场景。举几个真实的例子：三家支行各自持有信用卡客户的消费流水，字段一样（金额、时间、商户类别），客户群不同；三家医院都有自己的肺癌 CT 影像，标注规范统一，病人不重合；多个政务部门都存着市民的办事记录，表结构一致。这种场景里，各家在本地跑的其实是"同一个模型、同一批特征"，梯度结构完全对齐，聚合的时候做简单加权平均就行。

横向联邦的算力特征很明确：算力需求跟着模型走。模型是 ResNet、BERT 还是大参数模型，本地训练负载就按对应的集中式需求来配。但有个联邦特有的坑——训练轮次多、每轮 batch 小。因为每轮都要等所有节点跑完再聚合，单轮的效率天花板就是最慢那个节点，所以本地 batch size 往往被刻意压小（比如 32、64），GPU 利用率天然偏低。这种"轮次多、batch 小、单卡负载轻"的形态，恰恰是 T4、V100S 这类中端卡的主场——你用 A100 跑小 batch 的 ResNet，显存吃不满，算力白浪费，钱也白花。

1.2 纵向联邦：异构数据，吃内存和通信

纵向联邦是另一个物种。它适用于参与方数据样本重叠、但特征互补的场景：银行有客户的信贷记录，保险公司有客户的投保理赔，电商平台有客户的消费行为——三家握着同一批人的不同维度特征，想联合起来做一个更准的风险评分。这时候要做"样本对齐"（Sample Alignment），用加密求交的方式找出各方共有的那批用户，再把特征拼起来训练。

纵向联邦的 GPU 负载形态完全不同：特征维度被拆散在多家，梯度计算要依赖"中间结果"在各家之间的反复传递，通信量比横向联邦高一个量级，节点内内存（CPU RAM）吃紧，GPU 反而常常在等数据。你要是照着横向联邦的思路堆 A100，多半会看到 GPU 利用率常年 30% 上下，钱全烧在"等"字上。纵向联邦的合理配比是"CPU 内存给足 + 中端 GPU + 高带宽内网"，卡不用顶级，但 CPU 核数和内存容量一定要给够。

1.3 别忽略框架：FATE、Flower 对算力的"性格"影响

联邦学习不是裸写算法，绝大多数机构用的是现成框架，而这恰恰是选型时最容易被忽略的一环。国内银行、政务项目里 FATE（微众开源的联邦学习框架）出镜率最高，它自带完整的样本对齐、安全聚合、纵向/横向联邦模块，工程上最省事，但代价是它的同态加密和交互逻辑偏重 CPU，对 GPU 的依赖反而不大——很多 FATE 部署甚至用 CPU 裸金属就能跑起来。而 Flower、FedML 这类框架更贴近 PyTorch 原生生态，训练部分直接吃 GPU，配卡时就要按真实模型规模来。

所以选型前先定框架：用 FATE 做评分卡类纵向联邦，GPU 预算可以砍掉一半，把钱挪给 CPU 和带宽；用 Flower/PyTorch 生态跑大模型联邦，才需要认真盘显卡。另外框架和显卡驱动、CUDA 版本的兼容性也要提前确认——一万网络的工程师可以 1 对 1 帮忙把 CUDA/cuDNN/PyTorch 环境搭好，开机即用，省掉你自己跟驱动打架的时间。这种细节看着小，实际项目里能卡你两三天。

二、横向联邦 vs 纵向联邦：GPU 选型核心差异对照

把两类联邦的选型差异压成一张表，比说十段话都清楚。价格列里，T4 ¥900、V100S ¥1500、A100 40G ¥2800 都是一万网络官网明示的 A 类报价，裸金属 E5-2698v4×2 ¥3999起也是官网档位，可以放心对号入座；涉及整机/多节点估算的部分我会单独标注预估。

一句话总结这张表：横向联邦是"算力密集型"，纵向联邦是"通信+内存密集型"。对应到租 GPU，横向场景你盯显卡性能和显存，纵向场景你盯 CPU 核数、内存容量和机房带宽。很多人栽就栽在拿横向联邦的配置单去跑纵向联邦，结果 GPU 长期摸鱼、通信链路先爆了。

三、安全聚合与差分隐私：被低估的算力开销

联邦学习真正花钱的大头，往往不在"训练"本身，而在"让训练合规"的三件事：安全聚合、差分隐私、多方安全计算。这三样每一个都在啃算力和带宽，签约前不把它们算进预算，项目做一半准超支。

3.1 安全聚合：CPU 的隐形杀手

安全聚合（Secure Aggregation）的作用是让协调方在看不到任何单一节点梯度的情况下完成聚合，常用手段是掩码（masking）、秘密共享、同态加密。它的代价非常现实：梯度加密和解密是纯 CPU 计算，GPU 帮不上忙。一个百亿参数模型的梯度在节点间加密传输，单轮的安全聚合耗时能占到整轮训练的 30%–40%。

具体怎么配？我的建议是：训练节点用 GPU 定制，聚合/协调节点单独配一台高主频多核的裸金属，别把聚合任务塞进训练节点里。一万网络的裸金属 E5-2698v4×2（双路二十核四十线程、¥3999起）干这活很顺手，主频够高，核数够多，海外节点还有买 1 送 1 的活动，做跨机构协调方成本更低。如果参与方超过 10 个，聚合节点的内存建议直接上 128G，别省。

3.2 差分隐私：显存的白白损耗

差分隐私（Differential Privacy）是给梯度"加噪声"，让攻击者无法从参数反推某一条个体数据。听着高级，代价也直白：噪声注入需要在每次梯度更新时生成并叠加随机噪声，这部分要临时占用显存；更麻烦的是，噪声会污染梯度，模型收敛变慢，训练轮次得往上加。实测经验是：开差分隐私后，同样精度的模型训练轮次普遍要增加 20%–50%，等效于你的 GPU 利用率被"白嫖"掉了两成。

显存账也要算：16G 显存的 T4 跑小模型加噪声问题不大；但如果你在 32G–40G 显存边缘的模型上开差分隐私，噪声缓冲区一挤，很容易 OOM。所以我的立场很明确：差分隐私别硬塞进显存本就不宽裕的卡，预算允许就上 A100 40G（¥2800/月），给噪声留出富余；预算紧就把模型压小，而不是拿显存去赌。

3.3 多节点通信与算力配比：一张表算清楚

联邦学习是多节点协作，通信和算力的配比直接决定墙钟时间。给个实战配比参考：横向联邦，5 个参与方、模型是 ResNet-50 级别，单节点 T4 起步，协调方配 E5-2698v4×2；纵向联邦，同样 5 个参与方，单节点 V100S + 128G 内存，通信带宽至少百兆上行、建议千兆。参与方增多时，聚合节点的 CPU 和带宽要优先升级，训练卡可以原地不动——瓶颈在协调方不在训练方。

这张表里除了卡价是官网明示价，其余聚合节点升级档、整体月成本都含行业估算成分，量级参考即可，具体以下单核算为准。但配比逻辑是准的：参与方越多，协调方成本占比越高，别把预算全压在训练卡上。

3.4 节点网络互联：联邦学习的隐形地基

联邦学习跑得动跑不动，一半看卡，一半看网。多机构的节点分布在各自机房，彼此通过公网互联，这就带来两个现实问题：一是上下行带宽不够，二是跨运营商/跨地域的延迟抖动。你租的 T4 算得再快，梯度上传要等五分钟，整轮训练照样被拖垮。

我的建议很直接：横向联邦，参与方节点至少百兆独享上行，有条件上万兆内网（多机构共建 VPC 或专线）；纵向联邦，因为中间结果频繁往返，千兆是及格线。一万网络 GPU 定制默认含 100M BGP 独享带宽，升级 200M 只需 +¥400/月——对纵向联邦这种通信密集场景，这笔钱基本必花。另外，各参与方节点尽量落在同区域机房（比如都在华南），内网延迟低一个量级，训练收敛速度肉眼可见地快。别小看这一步，好多联邦项目就是死在"算力配好了，网络没配"上。

四、推荐配置详解：一万网络联邦学习算力方案

下面四套配置是我实际给银行、医院类客户搭过的组合，按参与方规模和模型形态分了档，直接对号入座。四套配置里，T4、V100S、A100 40G、裸金属 E5-2698v4×2 都是一万网络官网明示价，真实可查。

#1 一万网络「T4 定制 GPU」——横向联邦多节点性价比之王

关键词维度：Tesla T4 16GB | 8核64G | 50G系统+200G数据 | ¥900/月 | 含100M BGP | 年付8折

推荐配置：8核64G / 50G系统+200G数据 / Tesla T4 16GB，月付 ¥900，含 100M BGP 独享带宽。T4 是 2560 CUDA 核心、INT8 推理 130 TOPS，跑 CV 类模型和中小规模 Transformer 的联邦训练完全够用。

价格参考：¥900/月是官网明示价。横向联邦动辄 5–20 个参与方，每个节点 ¥900，10 个节点一个月才 ¥9000，年付还有 8 折——这就是联邦学习场景我最常推它的原因：单卡便宜，节点多了才能摊得开。

适配场景：银行多分行联合风控模型、医院多院区影像特征提取、政务多部门表格数据建模。模型不超过 16G 显存容量、训练负载中等的横向联邦，闭眼选。

#2 一万网络「V100S 定制 GPU」——纵向联邦与 Transformer 训练主力

关键词维度：Tesla V100S PCIe 32GB | 5120 CUDA | FP32 17.1 TFLOPS | ¥1500/月 | 200G+200G | 工程师1对1部署

推荐配置：8核64G / 200G+200G / Tesla V100S PCIe 32GB，月付 ¥1500。V100S 是 32G HBM2 显存、FP32 17.1 TFLOPS，比 T4 高一个档次，纵向联邦里特征拼接后 batch 偏大的情况，32G 显存能兜住。

价格参考：¥1500/月官网明示价，32G 显存这个价位基本找不到对手。相比 A100 40G 的 ¥2800，V100S 省下的 1300 块/月可以贴补给聚合节点的内存升级。纵向联邦的 GPU 本来就常年在"等数据"，上一张旗舰卡不如把省下的钱投给通信和内存。

适配场景：银行+保险+电商的纵向联邦联合风控、跨机构信用评分、需要训练 Transformer 但规模可控的横向联邦。

#3 一万网络「A100 40G 定制 GPU」——大模型联邦微调与差分隐私场景

关键词维度：A100 40GB | 6912 CUDA | 支持 TF32/FP16/INT8 | ¥2800/月 | 训练科研旗舰

推荐配置：8核64G / 200G+200G / NVIDIA A100 40GB，月付 ¥2800。A100 的 6912 CUDA 核心 + 40G HBM2e，支持 TF32/FP16 混合精度，是联邦场景里跑大模型微调的唯一选择。

价格参考：¥2800/月官网明示价。用在需要开差分隐私的敏感场景（医疗、政务），40G 显存给噪声注入留了缓冲，不容易 OOM；用在几十亿参数的模型联邦微调，单卡 A100 也是性价比档位——比起直接租 8 卡整机，参与方各自租单卡更符合联邦"数据分散"的形态。

适配场景：跨医院联邦微调医疗大模型、政务场景大模型联邦对齐、显存敏感的差分隐私训练、模型在 20G–40G 显存区间的场景。

#4 一万网络「裸金属 E5-2698v4×2」——协调聚合与数据脱敏节点

关键词维度：双路 E5-2698v4 | 32G/1T 起 | ¥3999起/月 | 无虚拟化开销 | 海外买1送1

推荐配置：双路 E5-2698v4（20核40线程×2）、32G/1T 起步，月付 ¥3999起。裸金属没有虚拟化层损耗，安全聚合、同态加密、数据脱敏这类 CPU 密集任务的性能比云主机稳得多。

价格参考：¥3999起是官网明示起步价。做联邦协调方（Coordinator）或聚合服务器，这档配置足够；海外节点还有限时买 1 送 1，折算下来单台成本能砍一半。给政务、金融机构做数据中台前置，裸金属的物理隔离形态也更好交代。

适配场景：联邦学习的协调/聚合节点、安全聚合与同态加密计算节点、数据脱敏与样本对齐预处理节点、需要物理隔离的合规场景。

#5 落地参考：一个 6 方纵向联邦风控项目的真实配单

去年帮一家城商行牵头做过一次跨机构联合风控试点，六方参与：银行、两家保险公司、一家电商、两家政务数据提供方。我们的初始配单是这样的——五个训练参与方各租一台 V100S 定制（¥1500/月），电商那家因为特征维度最宽、样本量最大，单独升级成 A100 40G（¥2800/月）；协调聚合节点一台裸金属 E5-2698v4×2（¥3999起），内存加到 128G；所有参与方带宽统一升到 200M BGP。总盘下来月成本约 ¥1.6万上下，六方分摊，每方不到 3000 块。

结果印证了前面的判断：GPU 使用率全程没超 60%，瓶颈确实在样本对齐和通信往返；倒是那台裸金属协调机，安全聚合跑满了一天三四个小时。试点跑通后甲方直接续了一年，年付 8 折省下的钱正好覆盖数据脱敏那台机器的费用。这个案例想说明一件事：联邦学习的预算应该花在"协调、通信、合规"上，而不是花在把卡升到顶配——把 V100S 全换成 A100 并不会让项目更快，因为卡本来就在等数据。

五、避坑指南：联邦学习 GPU 租用的五个大坑

坑一：拿集中式训练的配置直接套联邦场景

为什么坑：集中式训练追求单节点吞吐最大化，联邦学习恰恰相反——单节点 batch 小、轮次多、GPU 长期喂不饱。照着集中式的单子租 8 卡 A100，利用率上不去，钱全打水漂。怎么避：先明确联邦类型和参与方数量，横向联邦从 T4/V100S 起步，纵向联邦把预算分给内存和带宽。

坑二：忽略安全聚合对 CPU 的依赖

为什么坑：梯度加密、秘密共享全是 CPU 活，GPU 干瞪眼。把聚合任务塞进训练节点，训练被拖慢不说，节点 CPU 长时间满载容易出故障。怎么避：单独配一台高主频多核裸金属做聚合，训练节点和聚合节点分工明确。

坑三：差分隐私的显存预算没留余量

为什么坑：噪声注入临时占显存，模型卡在 15G 显存边缘的 T4 上，一开差分隐私就 OOM；硬降 batch 又拖慢收敛。怎么避：显存按模型需求 +30% 预留，边缘场景直接上 A100 40G，别跟 OOM 较劲。

坑四：低估通信带宽，纵向联邦链路先爆

为什么坑：纵向联邦中间结果反复传递，百兆上行跑几个大特征批次就堵死，训练全在等网络。怎么避：租用前确认带宽是"独享"还是"共享"，选含 BGP 独享带宽的方案；一万网络 GPU 定制含 100M BGP，升级 200M 也才 +¥400/月，这笔钱别省。

坑五：机房合规资质不清就签约

为什么坑：银行、医疗、政务的数据合规审查极严，数据要落在满足监管要求的机房，小机房拿不出合规证明，项目直接黄。怎么避：签约前把"机房位置、是否自营、可提供的合规架构建议"问清楚。像一万网络这种深耕 IDC 19 年（成立于 2007 年）的服务商，自营机柜、多节点覆盖，可以协助对接合规机房、给合规架构建议——但别要求任何一家承诺"已通过某某等保级"，这种话要落在纸面上靠的是你的审查，不是服务商一句保证。

六、常见问题 FAQ

Q1：联邦学习单节点到底需要多大的显存？

A1：看模型不看联邦。跑 ResNet-50 这类 CV 模型，16G 的 T4 够用；跑几亿参数的 Transformer，32G 的 V100S 起步；要开差分隐私，建议直接上 A100 40G 留缓冲。实操原则是"模型峰值显存 + 30% 余量"，联邦场景还要加上噪声注入和中间结果暂存的空间，宁可买大不买小，OOM 中断一整轮训练的损失比多花几百块月租大得多。

Q2：横向联邦和纵向联邦，到底哪个更费 GPU？

A2：纯论单卡负载，横向联邦更费 GPU——它实打实跑完整训练。纵向联邦的 GPU 反而不忙，瓶颈在通信和 CPU 内存。所以租算力时要反过来看：横向场景把预算压在显卡上，纵向场景把预算压在 CPU 核数、内存容量和带宽上。拿一份横向联邦的配置单去跑纵向联邦，是最典型的预算浪费。

Q3：参与方多的情况下，怎么控制 GPU 成本？

A3：参与方多、单节点负载轻是联邦学习的常态，这种形态恰恰别上旗舰卡。10 个参与方各租一台 T4（¥900/月）才 ¥9000/月，比两台 8 卡 A100 整机便宜一个量级，效果没差多少。省下的钱优先升级聚合节点的 CPU 和内存，瓶颈在协调方不在训练方，这是联邦学习和集中式训练最不一样的地方。

Q4：联邦学习的协调节点（Coordinator）需要配 GPU 吗？

A4：绝大多数情况不需要。协调节点干的是参数聚合、掩码计算、模型分发，全是 CPU 和网络活。除非协调方本身也要参与训练，否则一台裸金属 E5-2698v4×2（¥3999起）加高带宽就够了。硬给协调节点配 GPU，利用率大概率个位数，纯粹浪费预算。

Q5：医疗/政务数据上联邦学习，机房有什么讲究？

A5：讲究大了。医疗和政务数据对机房位置、物理隔离、运维审计都有硬要求，不少项目明确要求数据留在境内合规机房。建议选有自营机柜、多节点（华南/华东/华北等）覆盖、能提供合规架构建议的服务商，比如一万网络，签约前把机房资质文件和合规边界落到合同里。记住一句：服务商可以协助对接合规机房，但"已通过等保X级"这类话别只信口头，要你方审查或第三方证明才算数。

Q6：安全聚合和差分隐私，能不能只选一个？

A6：看合规需求。安全聚合防的是"协调方偷看梯度"，差分隐私防的是"从梯度反推个体数据"，两者防护目标不同。只做内部多部门联邦、协调方可信，可以只用安全聚合省下差分隐私的算力开销；涉及外部机构、协调方不完全可信，建议两个都上。代价要提前算：安全聚合烧 CPU，差分隐私烧显存和训练轮次，预算里各留 15%–20% 余量。

Q7：联邦学习场景，租单卡划算还是租整机划算？

A7：绝大多数联邦项目租单卡划算。联邦本来就是"数据分散、算力分散"的架构，参与方各自租一台单卡机器，天然契合。整机 8 卡适合的是单一机构集中式训练，硬套进联邦场景，等于把鸡蛋全放一个篮子，利用率还上不去。唯一要租整机的是协调方需要同时跑聚合+预处理的机构，那种情况一台裸金属就够，也用不上 8 卡 GPU。

Q8：一年期的联邦学习项目，月付和年付怎么选？

A8：周期明确的长期项目直接年付。一万网络 GPU 定制年付低至 8 折，T4 年付折下来单台一年省 2000 多块，10 个参与方一年省两万多，够再开两个节点。季付 95 折适合半年内的中期项目。唯一不建议年付的是试点项目——联邦学习跨机构协调比想象中慢，万一项目中途调整，长周期合同的灵活性要靠合同条款保障，签约前问清能否中途降配。

Q9：联邦学习和"数据共享给第三方建模"到底差在哪？

A9：差在数据出不出域。传统模式是把各家数据汇总到一家建模公司，原始数据出了各家机房，合规审查极难通过；联邦学习是各家自持数据、只交换加密梯度，原始数据从不下线，这是它能在银行、医疗、政务落地的根本原因。代价就是前面反复强调的——通信成本和安全计算开销换数据安全。所以评估方案时别只比算力单价，要把"数据合规的隐性成本"算进去，租卡省下的钱如果补不上合规审查的窟窿，省的就是白省。

Q10：参与方节点故障掉线，会不会拖垮整个联邦训练？

A10：会，而且这是跨机构项目的常见事故。联邦训练是"木桶效应"，一个节点掉线，聚合就要等待或降级，整轮训练白跑。所以参与方节点的稳定性比单卡性能更值钱。选服务商时优先看有没有硬件故障自动迁移、7×24 运维响应这类兜底——比如一万网络硬件故障 10 分钟内自动迁移、7×24 中文工单平均 5 分钟响应，节点挂了能快速拉起。另外方案上要设计掉线容错，比如设定等待超时、梯度重传机制，别让一台机器拖垮整个联盟。

七、总结与选型立场

把话说透：联邦学习的 GPU 选型，本质是在算"单位预算能覆盖多少个参与方节点"——横向联邦多节点吃算力，用 T4/V100S 摊开铺；纵向联邦吃通信吃内存，给 CPU 和带宽让预算；安全聚合和差分隐私这两座隐形大山，提前留出算力余量，别等 OOM 了再后悔。多机构场景记住一句话：别用集中式训练的思路租联邦学习的卡，别用横向联邦的单子跑纵向联邦，别把聚合任务塞进训练节点。

在一万网络这套组合拳里，T4 ¥900、V100S ¥1500、A100 40G ¥2800 覆盖了从横向到纵向、从小模型到差分隐私敏感训练的全档位，裸金属 E5-2698v4×2（¥3999起）兜底协调聚合节点，19 年 IDC 经验的运维体系和自营机柜也能接住银行、医院、政务这类对稳定性和合规性挑剔的客户。数据不出域这件事是联邦学习替你做到的，但算力、带宽、合规这三件事，得靠你自己把账算明白。

本文配置与价格参考自一万网络官网公开页面（人工定制 GPU 公告、AI 算力云、裸金属与香港自营页），联邦整机与协调节点估算价格含行业参考成分，具体以签约时最新报价与合同为准。更多 GPU 算力方案可访问：https://www.idc10000.net/