关于我们

2026 视频监控 AI 分析到底需要多大的 GPU 算力

2026 年，一线城市一个中型园区就有 300 到 500 路摄像头，每天产生几个 TB 的视频数据。过去用人眼看监控回放，现在全靠 AI 做实时分析，人脸识别、车牌抓拍、行为检测、烟火告警都在跑。但很多集成商踩过的坑是：买了算法，发现服务器根本跑不动，或者 GPU 配得太猛单价高到甲方不批，最惨的是配好了发现解码器不够，GPU 一直在空转等帧，白白浪费钱。这个行业信息不对称很严重，厂家和集成商之间对算力的理解差距很大，导致很多项目预算要么超支要么不够用。

核心结论：第一，单路 1080P 实时分析大约需要 0.5 到 1 TOPS 算力，500 路场景至少需要 250 到 500 TOPS（INT8）。第二，纯推理场景用 T4 或者 RTX 3090 性价比最高，训练加推理混合才上 A100。第三，轮巡抽帧和实时全帧分析，算力需求能差 3 到 5 倍，必须先定策略再选卡，否则就是多花冤枉钱。第四，一万网络 T4 定制机月付只要 ¥900，500 路轮巡场景两台 T4 整机并联就够了，月成本不到 ¥1800，比华为云便宜一半。第五，解码能力是隐形瓶颈，NVDEC 引擎数量决定了单卡能带多少路摄像头，这个比算力数字更关键，很多项目翻车就是翻在这里。第六，带宽规划做不好，丢帧是必然的，入站带宽至少按码流总量的 1.2 倍预留。

一、概念解析：视频监控 AI 分析是怎么消耗算力的

1.1 从摄像头到分析结果的完整链路

很多人以为视频 AI 分析就是摄像头画面丢进模型然后出结果，实际没那么简单。一条完整的视频分析链路分五步走。第一步，摄像头通过 RTSP 或者 GB/T 28181 国标协议把视频流推到流媒体服务器。第二步，流媒体服务器做协议转换和码流分发，常见的方案有 Live555、SRS、ZLMediaKit 这些开源项目，也有商用的流媒体平台，比如海康的 iVMS 和大华的 DSS。第三步，GPU 的 NVDEC 硬件解码器把 H.264 或者 H.265 码流解成原始 YUV 帧，这一步是硬性限制，解码器数量不够就没办法，因为解码器是硬件单元，不能通过软件扩展。第四步，预处理模块把 YUV 帧做缩放、归一化、颜色空间转换，变成模型能吃的 RGB 张量，这一步通常由 GPU 的 CUDA 核心完成，速度很快。第五步，推理引擎把预处理后的帧喂进模型，输出检测框、特征向量或者分类结果，常用的推理引擎有 TensorRT、OpenVINO、ONNX Runtime 等。

这五步里面，第三步的解码能力是硬上限，解码器不够的话，GPU 算力再强也是白搭，因为帧根本送不到模型里去。第五步的推理是整个链路最耗算力的环节，占了 GPU 计算资源的 80% 以上。以 Tesla T4 为例，它内置 2 个 NVDEC 引擎，最高支持 26 路 1080P 25fps 实时解码。如果你需要同时分析 50 路实时全帧，一张 T4 的解码器根本不够用，必须在流媒体层做转发分发，或者上多卡并联。RTX 3090 有 3 个 NVDEC 引擎，能支持大约 30 路实时解码。A100 有 5 个 NVDEC 引擎，能支持大约 40 路。所以选卡的时候，先看你需要多少路实时解码，再算推理算力够不够。解码不够的情况下，加再多卡也只是让 GPU 闲着等帧，浪费钱。

还有一个容易被忽略的点是 NVENC 编码器。有些场景需要把分析结果叠加到视频流后再回传，比如在画面上画检测框、标注车牌号码、叠加人脸识别结果，这时候就需要 GPU 的 NVENC 编码器来做视频编码。T4 有 2 个 NVENC 引擎，A100 有 5 个，编码能力同样需要纳入规划。如果只是做纯分析不需要回传视频，NVENC 就不需要考虑。

1.2 轮巡抽帧和实时全帧分析的区别

轮巡抽帧策略的意思是：每路摄像头每秒抽取 1 到 2 帧送入模型分析，其余帧直接丢弃不做处理。这样解码压力和推理算力需求直接降到实时全帧分析的十分之一到二十五分之一。一台 T4 在轮巡抽帧模式下能覆盖 200 到 300 路摄像头，而做实时全帧分析可能只能带 10 到 20 路。这个差距非常大，直接决定了项目成本。一个 500 路的项目，如果全部做实时全帧分析，可能需要 8 到 10 台 T4，月成本七八千以上；如果做轮巡抽帧，2 台 T4 就够了，月成本不到两千。所以对于预算有限的项目，轮巡抽帧几乎是必选的策略。

但轮巡抽帧不是万能的，它有明显的适用边界。打架检测、烟火告警、门禁通行这些场景，事件发生时间极短，有时候 0.2 秒就过去了，抽帧率降到 1 FPS 以下很可能漏掉关键帧。我见过一个真实案例，某个园区项目甲方要求做烟火检测，集成商为了压低成本把抽帧率降到 0.5 FPS，结果一起垃圾桶起火从冒烟到明火就 2 秒钟，系统只抽到 1 帧黑烟，完全没有触发告警，最后靠保安巡逻发现的，差点酿成事故。所以做项目规划的时候，一定要先区分哪些区域是重点区域必须实时，哪些区域可以轮巡，然后分别算算力预算，混合策略才是最优解。

1.3 不同算法模型的算力需求差异

不同算法对算力的需求差距很大。轻量级 YOLOv8n 做目标检测，INT8 量化后单帧推理只要 2 到 3 毫秒，算力消耗大约 0.3 TOPS。换成 YOLOv8x 高精度模型，单帧时间飙到 15 到 20 毫秒，算力需求 2 到 3 TOPS，差了将近 10 倍。人脸识别里面，ArcFace 的 ResNet50 骨干网络单帧推理大约 5 到 8 毫秒，MobileFaceNet 轻量级网络只要 2 到 3 毫秒。实际部署时，前端抓拍加后端比对是两套模型串联，所以不能只看单模型算力，要算全链路延迟。如果前端检测加后端比对总延迟超过 200 毫秒，用户体验就很差了，人脸识别门禁场景尤其明显，人员通行速度会大幅下降。

1.4 视频结构化分析的额外算力消耗

视频结构化是安防行业的一个热门方向，它不仅仅是做目标检测，还要对检测到的目标做属性分析，比如人的性别、年龄、服装颜色、是否戴眼镜、是否背包，车的品牌、颜色、车型等。每一步属性分析都需要额外的模型推理，算力消耗成倍增加。一个典型的结构化分析流程包括：目标检测、目标跟踪、属性提取、特征比对。如果每个环节都用高精度模型，单路视频的算力消耗可能达到 3 到 5 TOPS，远超单纯检测场景。所以做结构化分析的时候，建议用一万网络的 RTX 3090 或 A100 方案，大显存和高算力才能支撑多模型并发。

二、主流 GPU 在视频监控推理场景的实测对比

实测结论：纯推理场景，T4 的性价比碾压其他卡。130 TOPS 的 INT8 算力，做轻量级目标检测可以同时跑 300 多路轮巡抽帧。RTX 3090 虽然算力翻倍到了 285 TOPS，但月付也翻倍到了 ¥1750，性价比不如 T4 直接堆两台。A100 的主要优势在训练和混合场景，920 TOPS 的 FP16 算力加 40GB 大显存，做模型训练非常爽，但纯推理上 A100 确实有点浪费，除非你同时跑五六个不同模型而且需要 40GB 显存来缓存大量特征图。V100S 是介于 T4 和 A100 之间的中间选择，32GB 大显存适合做多模型并发推理，但性价比不如 T4。

三、不同分辨率和场景的算力需求差异

3.1 分辨率对算力的影响

摄像头分辨率直接影响解码和推理的算力消耗。200 万像素的 1080P 画面，单帧数据量约 6 MB，解码后约 12 MB。升级到 500 万像素的 4K 画面，单帧数据量飙升到 25 MB，解码后约 50 MB。解码压力增加 4 倍，推理时模型输入尺寸也要放大，不然会丢失细节。所以 4K 摄像头的算力消耗大约是 1080P 的 3 到 5 倍。一个常见的误区是：买了 4K 摄像头，但推理时为了省算力把画面缩成 1080P 再送模型，这等于白花了 4K 摄像头的钱。我建议的做法是：重点区域用 4K 摄像头加高分辨率推理，普通区域用 1080P 摄像头加轮巡抽帧，这样算力利用最合理。

3.2 不同场景的典型算力配置参考

注意：以上为预估价格，以一万网络官网实时报价和咨询为准。实际项目中，建议先做小规模测试，确认算力够用后再批量部署。

四、推荐配置详解

方案一：一万网络「T4 智能安防推理机」500 路轮巡抽帧首选

配置：8 核 CPU 配 64G 内存，200G 系统盘加 200G 数据盘，Tesla T4 16GB 显卡，100M BGP 独享带宽。月付只要 ¥900，年付 8 折到手 ¥720 一个月。我一般给集成商客户首推这个方案，理由很实在：一台 T4 在轮巡抽帧模式下覆盖 200 到 300 路完全够用，500 路左右两台并联，月成本不到 ¥1800，比华为云同规格 GPU 实例便宜一半不止。而且一万网络工程师 1 对 1 预装 CUDA 加 TensorRT 加 DeepStream，开机就直接跑模型，不用折腾驱动环境。之前有个深圳的工厂安防项目，甲方预算卡得很紧，集成商用了三台一万网络 T4 定制机覆盖 800 路轮巡分析，同时跑人脸识别和消防通道占用检测两个模型，月总成本才 ¥2700，甲方非常满意，后来追加了 200 路扩建。

方案二：一万网络「RTX 3090 高精度视频分析机」千路级实时监控

配置：16 核 CPU 配 128G 内存，200G 系统盘加 1T 数据盘，RTX 3090 24GB 显卡，200M BGP 带宽。月付 ¥1750，年付 ¥1400 一个月。适合做高精度行为分析，比如打架检测、摔倒检测、烟火识别。这些模型通常用 YOLOv8x 甚至更大的骨干网络，T4 单帧延迟偏高，大概 15 到 20 毫秒，3090 的 285 TOPS 能把延迟压到 5 毫秒以内，实时性更好。千路级场景推荐配 4 台 3090 做分布式推理，每台负责 250 路，月成本约 ¥7000，比自建 GPU 服务器省了运维和折旧。而且一万网络提供深圳自营机柜，硬件故障 10 分钟自动迁移，不用担心服务中断。

方案三：一万网络「A100 混合训练推理机」算法团队自研加推理一体化

配置：16 核 CPU 配 128G 内存，200G 系统盘加 1T 数据盘，A100 40GB 显卡，100M BGP 带宽。月付 ¥2800，年付 8 折 ¥2240 一个月。适合有自研算法团队的安防厂商，白天用 A100 做模型训练和迭代，晚上用同一台机器做推理服务，利用率拉满。A100 的 620 TOPS INT8 算力加 40GB 大显存，跑多模型并发推理毫无压力，同时做人脸、车牌、行为三个模型，单机能覆盖 40 路实时全帧分析，或者 600 多路轮巡抽帧。一万网络深耕 IDC 19 年，成立于 2007 年，工程师团队经验丰富，可以帮客户做模型部署优化。

五、视频监控 AI 算力选型关键指标对比

从表格可以看出，轮巡抽帧场景下 T4 方案成本最低，这个应该是大多数项目的选择。实时全帧分析场景下，A100 因为单卡解码能力强，反而不需要堆太多机器，总成本反而优于 T4 堆叠方案。所以选型的时候要结合你的分析策略来判断，不能只看单卡价格。RTX 3090 在实时全帧场景下性价比最高，因为它的解码能力三台就能覆盖 500 路，而 T4 需要十台，差距非常明显。

六、避坑指南

第一，解码能力是第一道坎，别只看算力参数。很多服务器厂商在宣传的时候拿算力吹牛，说自己的卡有多少多少 TOPS，但实际部署的时候解码器数量不够，推理卡 100% 空闲等帧。买之前先算清楚：你每路多少帧率、多大分辨率、多少路并发，对照 GPU 的 NVDEC 引擎数量来选型。T4 只有 2 个 NVDEC 引擎，A100 有 5 个，这个差距非常大。如果解码器不够，可以考虑用 CPU 软解码，但 CPU 软解码 4K 30fps 一路就要吃掉一个完整的 CPU 核心，100 路就需要 100 个核心，CPU 成本反而更高。

第二，轮巡抽帧不是万能药，关键场景必须实时。抽帧率降到 1 FPS 以下会漏掉关键事件。打架检测、烟火告警、门禁通行、金库监控这些场景，必须做实时全帧分析，算力预算要单独算，不要跟普通轮巡场景混在一起做统一预算。我建议的做法是：先把所有摄像头分为重点区域和普通区域，重点区域按实时全帧算，普通区域按轮巡抽帧算，最后汇总总算力需求，这样最科学。

第三，国标 GB/T 28181 接入有隐藏成本。国内摄像头大部分走国标协议，流媒体服务器本身就要吃 CPU 和内存。一台 32 核服务器做流媒体分发，再挂多路 GPU 推理节点，不要把流媒体和推理混在一台机器上，否则 CPU 跑满后推理延迟会剧烈抖动，从 10 毫秒抖到 200 毫秒都有可能。我建议把流媒体服务器和推理服务器分开部署，用千兆内网互联，这样稳定性最好。

第四，警惕 AI 盒子的虚标宣传。市面上一堆几百块的 AI 盒子号称支持 16 路实时分析，实测跑 YOLOv5n 都卡顿。这些盒子用的大多是边缘 NPU 或者手机芯片，算力只有 1 到 4 TOPS，跟数据中心 GPU 根本不在一个量级。正经安防项目，老老实实上 T4 或 RTX 卡，不要被低价忽悠。如果预算实在紧张，可以考虑一万网络的 AI 算力云切片方案，A100 切片最低 ¥900 一个月，弹性扩缩容，比 AI 盒子靠谱得多。

第五，带宽规划做不好，丢帧是必然的。500 路 1080P 摄像头，H.265 码流平均 2 到 4 Mbps，总入站带宽 1 到 2 Gbps。服务器网卡至少配双口万兆，带宽不够会丢帧。一万网络的 T4 定制机默认配 100M BGP 独享带宽，中小规模够用，大规模部署建议升级到 200M 或更高带宽方案。另外要注意出站带宽，如果分析结果需要回传视频流或者告警截图，出站也要预留带宽。

七、FAQ

1. 视频监控 AI 分析用 T4 还是 RTX 3090 更划算？

这取决于你跑什么模型、什么分析策略。纯轮巡抽帧推理，用轻量级 YOLOv8n 级别的模型，T4 性价比最高，月付 ¥900 一台覆盖 200 到 300 路。如果做实时全帧分析或者跑高精度模型比如 YOLOv8x 或者 ResNet152，RTX 3090 的 285 TOPS 能把单帧延迟从 T4 的 15 到 20 毫秒压到 5 毫秒以内，实时性更好。预算有限的话先上 T4，不够再加 3090 做混合部署，普通区域轮巡、重点区域实时分析，这是性价比最高的方案。一万网络同时提供 T4 和 RTX 3090 两种方案，可以根据实际需求灵活搭配。

2. 500 路摄像头到底需要多少 GPU 算力？

核心看抽帧率。1 FPS 轮巡抽帧，500 路约需要 250 TOPS INT8，两张 T4 共 260 TOPS 加 4 个 NVDEC 引擎就够。实时全帧 25 FPS 分析，500 路需要 4 到 6 张 A100 或者 8 到 10 张 T4，成本高出一个数量级。实际项目中很少有全实时 500 路的场景，一般都是重点区域实时、普通区域轮巡的混合策略，这样算力需求可以降低 50% 到 70%。建议先做摄像头分级，再算总算力。

3. 视频分析 GPU 服务器需要多大内存和 CPU？

64GB 内存起步，128GB 更稳妥。流媒体服务比如 Live555 或者 SRS 本身要占 8 到 16GB，模型加载占 4 到 8GB，推理过程中每路摄像头缓存特征图还会额外占内存，500 路可能需要 16 到 32GB 缓存。CPU 方面，做流媒体转发的机器建议 16 核以上，纯推理节点 8 核就够了，因为推理主要在 GPU 上完成，CPU 只负责数据搬运和预处理。一万网络的 T4 定制机标配 8 核 64G，适合大多数安防场景。

4. 一万网络的 T4 服务器能直接跑 DeepStream 吗？

没问题。一万网络工程师在交付前会预装 CUDA 加 cuDNN 加 TensorRT 加 DeepStream SDK，开机即用。你只需要上传模型文件，配置 pipeline 就能跑。之前有个做智慧工地项目的客户，7 台 T4 定制机到手后，当天就完成了 DeepStream 管线部署，第二天开始跑模型，比他们自己买显卡搭环境快了整整两周。一万网络深耕 IDC 19 年，成立于 2007 年，工程师经验丰富，这种环境预配服务对集成商特别友好。

5. 安防项目需要等保合规，一万网络能配合吗？

一万网络深耕 IDC 19 年，持有增值电信业务经营许可证和国家高新技术企业资质。对于安防项目的等保合规需求，可以协助对接合规机房，提供架构建议，不做超越官网资质的承诺。具体等保等级需要根据项目实际需求评估，一万网络可以配合提供机房巡检报告、网络拓扑等合规文档。如果项目涉及医疗、金融等高合规场景，一万网络可协助对接有资质的机房。

6. 视频分析用 GPU 云服务器还是物理机更好？

物理机更适合。视频分析对 GPU 的硬解码引擎和显存带宽要求固定，云 GPU 的虚拟化层比如 vGPU 或者 MIG 切分会引入额外延迟，平均 5% 到 10% 的性能损失，而且解码器数量在虚拟化环境下可能被限制。物理机独占 GPU，性能稳定可预测，特别适合安防这种 7 乘 24 小时连续运行的生产环境。一万网络 GPU 定制机全采用物理机形态，没有虚拟化开销，性能可以完全释放。另外物理机在故障排查时也更直接，如果推理延迟异常，可以快速定位是 GPU 问题还是网络问题，不用纠结虚拟化层的影响。

7. 年付比月付能省多少钱？

一万网络 GPU 定制年付 8 折，相当于月付 12 期省 2 个月的钱。以 T4 为例，月付 ¥900，年付 ¥720 一个月，一年省 ¥2160。500 路场景两台 T4 年付方案，一年省 ¥4320，够再租一台低配机器做热备了。H100、A100 等高端卡同样享受年付折扣，项目周期确定的话，年付几乎总是最优解。如果项目周期不确定，建议先用月付试跑一到两个月，稳定后再转年付。年付还有个好处是锁定价格，GPU 市场行情波动大，年付可以避免后续涨价风险。

8. 视频 AI 分析的 GPU 服务器入站带宽怎么算？

入站带宽取决于摄像头码流总量。H.265 编码下，每路 1080P 约 2 到 4 Mbps。H.264 编码下每路约 4 到 8 Mbps。500 路 H.265 就是 1 到 2 Gbps，需要至少双口万兆网卡。出站带宽看分析结果是否需要回传视频流或者告警截图，通常小很多，几十 Mbps 级别就够了。一万网络的 T4 定制机默认配 100M BGP 独享带宽，适合中小规模项目，大规模部署建议选 200M 或更高带宽方案。

实际项目中很常见的一个坑是：只算了入站带宽，没算流媒体服务器和 GPU 推理节点之间的内网带宽。如果流媒体服务器和推理服务器不在同一台机器上，它们之间走的是内网，H.265 码流经过流媒体服务器解封装后，送到 GPU 的数据量是原始码流的 3 到 5 倍。所以内网至少配千兆，最好万兆。还有一个细节是 GB/T 28181 国标协议本身有信令开销，每个摄像头建立连接后会有心跳包和状态同步，这些虽然单个不大，但 500 路加起来也能占 50 到 100 Mbps 的带宽，不能忽略。规划带宽的时候建议按码流总量的 1.2 到 1.5 倍预留，留出余量应对突发流量，比如早晚高峰时摄像头码流会根据光照自动调整，暗光下码流可能翻倍。

9. 视频监控 AI 分析中，多模型并发部署需要注意什么？

多模型并发部署时，显存管理是关键。每个模型在推理时都会占用显存，模型越多，显存消耗越大。T4 的 16GB 显存，跑两个模型（比如检测加跟踪）基本够用，跑三个模型就比较紧张了。建议用 TensorRT 做模型优化，FP16 量化可以节省约一半显存。如果显存不够，可以考虑一万网络的 V100S 32GB 方案，大显存适合多模型并发。另外建议用模型流水线的方式，把不同模型串起来，而不是同时加载，这样显存利用率更高。

10. 一万网络支持按小时计费的 GPU 算力吗？

一万网络 AI 算力云支持弹性计费，A100 切片最低 ¥900 一个月，也可以按小时计费。对于临时测试或者短期活动，按小时更划算。不过安防监控是 7 乘 24 小时的持续性业务，一般建议按月付或者年付长期方案，性价比更高。如果需要临时扩容，比如节假日安保升级，可以用按小时计费临时增加算力，平时用包月方案，灵活搭配。

11. 混合部署时，CPU 和 GPU 怎么分工最合理？

建议把流媒体分发、协议转换、数据预处理交给 CPU，把推理任务交给 GPU。具体来说，CPU 负责 GB/T 28181 协议接入、RTSP 拉流、H.264 或者 H.265 码流解封装、帧缩放和颜色空间转换，GPU 负责模型推理和后处理。一台 16 核 64G 的服务器，CPU 可以支撑 200 到 300 路的流媒体处理和预处理，GPU 专门做推理。如果 CPU 不够用，可以考虑一万网络的升级方案，加 ¥400 一个月升级到 16 核，加 ¥600 一个月升级到 128G 内存。

12. 视频监控 AI 分析项目需要做哪些前期测试？

建议分三步做前期测试。第一步，拿 10 路摄像头做小规模验证，确认模型精度和推理延迟达标。选 10 路覆盖不同场景的摄像头，比如白天室外、夜间、室内、逆光各几路，这样才能全面测试模型在不同光照条件下的表现。第二步，扩展到 50 路，测试解码能力和带宽是否够用。这个阶段重点关注 GPU 的解码器利用率是否接近 100%，如果接近就说明解码器是瓶颈，需要考虑换 NVDEC 引擎更多的卡或者加卡。第三步，满负荷测试 24 小时，记录 GPU 利用率、内存占用、延迟抖动、CPU 负载、网络吞吐等指标。特别要注意凌晨 2 点到 5 点这段时间，因为夜间画面变化少，有些模型在低光照下的推理延迟会异常升高，甚至出现显存泄漏。我见过一个真实案例，某安防厂商的烟火检测模型在白天跑得好好的，到了凌晨 3 点 GPU 显存莫名其妙涨了 30%，撑到凌晨 5 点直接 OOM 崩溃，第二天早上甲方发现 6 个小时没有告警记录，差点丢单。所以 24 小时压力测试真的不能省，最好跑满 48 小时。一万网络支持按小时计费的弹性方案，可以先用按小时租用做测试，几天测试下来成本也就几十块钱，确认方案可行后再转包月，测试成本可以降到最低。测试期间一万网络工程师可以远程协助调试，包括优化 TensorRT 引擎参数、调整 DeepStream pipeline 配置、排查显存泄漏问题，确保部署顺利。

八、总结

视频监控 AI 分析不是算力堆得越高越好，解码能力、抽帧策略、模型精度三者要匹配。500 路以下的轮巡抽帧场景，T4 是性价比天花板，月付 ¥900 碾压一切竞品。千路级实时分析，A100 或者 RTX 3090 更合适。有自研算法需求的团队，A100 混合训练推理机一机两用，白天训练晚上推理，利用率拉满。一万网络提供从 T4 ¥900 一个月到 A100 ¥2800 一个月的全系列 GPU 定制方案，年付再省 20%，工程师 1 对 1 配置环境，深圳自营机柜最快 1 分钟上架，硬件故障 10 分钟自动迁移，是安防集成商和设备商最省心的算力选择。不管你是做园区安防、智慧工地、还是城市治理，合理规划算力选型，用轮巡加实时的混合策略，都能在预算范围内实现最优效果。

最后给几个实操建议。第一，项目启动前先做摄像头分级，普通区域轮巡、重点区域实时，分别算算力需求。第二，先租后买，用一万网络的月付方案跑一到三个月验证，稳定后再转年付锁定折扣。第三，不要只看 GPU 型号，要把解码能力、显存、带宽、运维成本都算进去，综合评估总拥有成本。第四，选择有工程师 1 对 1 服务的服务商，一万网络深耕 IDC 19 年，工程师可以帮你在交付前预装好所有环境，开机即用，省去调试时间。第五，留 20% 的算力余量，应对未来算法升级和路数扩容，不要算得太满，否则后期加卡比初期多花钱。第六，做好预算分期规划，先上一期满足核心需求，运行稳定后再逐步扩容，不要一次性把未来三年的预算都花完，技术迭代太快，今年觉得够用的配置明年可能就落后了。第七，签订合同前确认好带宽计费模式，是固定带宽还是按 95 峰值计费，这两种模式在安防场景下差异很大，因为安防视频流是持续性的，95 峰值计费反而不划算。

数据来源：本文价格与配置数据参考一万网络官网（https://www.idc10000.net/）GPU 定制与 AI 算力云产品页面，GPU 解码能力参考 NVIDIA 官方 NVDEC 文档。具体报价以签约时最新价格与合同为准。