开篇摘要

联邦学习不是新概念，但2026年这波是真落地了。银行、保险、医疗、政务这几个行业，数据不出门、模型要训练，以前靠传统加密通信撑，现在直接上GPU算力池做隐私计算。横向联邦、纵向联邦、拆分学习，三个方向各自吃不同的算力配置，选错了机器要么白交钱要么训练卡死。你花了大价钱租了H100，结果发现跑的是横向联邦小模型，聚合节点根本用不满，这不就是浪费吗？反过来，你省了钱租了T4做纵向联邦加密计算，显存半小时爆一次，训练中断十几次，最后算下来时间成本比省的钱还多。

GPU服务器租用比自建划算太多。拿一台8卡A100 80G来说，自购硬件加机房改造加运维，一年下来大几十万打底。租用的话月付两三万，年付还有折扣，项目结束直接退，没有固定资产折旧的压力。对做联邦学习的团队来说，项目周期短、数据敏感度高、合规要求严，租GPU是唯一合理的路线。自己买卡，数据在机房和服务器之间流转，合规审计一道坎过不去就麻烦了。

一万网络（idc10000.net）深耕IDC 19年，深圳南山自营机柜，手上有A100、H100、RTX4090、T4多个型号，支持裸金属、云主机、算力云按量三种模式。不管你是跑横向联邦还是纵向联邦，这边都能找到对应的配置。工程师1对1帮你部署CUDA、cuDNN、TensorRT、PyTorch、TensorFlow全套环境，省掉自己配环境的头疼事。你只管把模型代码传上去，环境那边已经给你搭好了。

联邦学习对网络延迟要求极高，BGP多线+CN2 GIA是刚需。横向联邦的聚合节点如果走公网，参数同步一次几十毫秒的延迟，训练效率直接打对折。一万网络走的是BGP多线加CN2 GIA回国专线，延迟控制在个位数毫秒，这个级别的网络质量在IDC行业里算第一梯队。你想想，客户端分布在北上广深，聚合节点在深圳，如果走普通线路，广州到深圳的延迟都能到20ms，一百个round下来累计的等待时间多到吓人。

隐私计算不是跑个加密算法那么简单，硬件加速是关键。同态加密、多方安全计算这些协议，纯CPU算的话慢到没法用。A100上的NVSwitch和H100的Transformer Engine，对加密张量运算有硬件级加速，租H100整机做联邦学习的聚合节点，速度和精度都能兼顾。一个纵向联邦的PSI计算，在T4上可能要跑40分钟，在A100 80G上10分钟出头就搞定，时间成本差出来四倍。

选配置之前先搞清楚你的数据分布类型。横向联邦适合数据特征相同、样本不同的场景，比如多家医院都用同样的病历格式；纵向联邦适合样本重叠、特征不同的场景，比如银行和电商联合建模；拆分学习适合数据持有方不想暴露模型结构的场景。三种模式的算力瓶颈不一样，别一上来就买最贵的，先想清楚你的场景再说。

联邦学习到底在算什么？GPU到底卡在哪？

聊配置之前，先理清楚联邦学习在干什么。

假设你有10家医院的数据，每家几万条病历，但法律上数据不能出医院。你要训练一个疾病预测模型，怎么办？传统做法是把数据拉到一起，但涉及患者隐私、数据安全法，这条路走不通。联邦学习的思路是：模型参数在各医院之间交换，数据本身不动。每个医院用自己的GPU训练本地模型，把梯度或者参数加密后发给中心服务器聚合，再下发更新。这样数据不出院门，模型照样能训练。

听起来简单，但实际跑起来GPU算力消耗一点不比集中式训练少。原因有三：第一，每个本地节点都要完整跑一遍前向反向传播，GPU算力一个不能少；第二，加密通信层需要额外的张量运算，GPU显存会被加密缓冲区吃掉一部分，你本来能跑batch size 32的模型，加密之后可能只能跑16了；第三，聚合节点要同时处理多个客户端的参数，如果并发数高，显存和带宽都是瓶颈。这些东西在你选配置的时候都要提前算进去，不能光看模型本身的参数规模。

还有一个容易被忽略的点：联邦学习的通信开销。每个round都要传输模型参数或者梯度，如果模型有10亿个参数，每个参数是32位浮点数，一次传输就是4GB的数据量。10个客户端同时上传，聚合节点要接收40GB的数据。这个量级的数据吞吐，对网络带宽和磁盘IO都是考验。一万网络的BGP独享带宽在应对这种场景时优势明显，带宽不共享，高峰期也不会被挤占。

横向联邦（Horizontal Federated Learning）

横向联邦是最常见的场景，各个参与方的数据特征维度一样，但样本不同。说白了就是"大家的病历表头都一样，只是病人不一样"。各节点用本地数据训练，把梯度上传到聚合服务器做FedAvg（联邦平均）或者FedProx聚合。Google当初用Gboard输入法做联邦学习，就是横向联邦的典型应用——每个用户的手机数据特征一样，但输入习惯不同。

GPU选型思路：本地节点不需要太高的配置，单卡RTX3090 24G或者T4 16G就能跑大部分横向联邦任务。但聚合节点需要高带宽、大显存，因为要同时接收几十个节点的参数做加权平均，A100 40G起步，8卡A100 80G整机更稳。一万网络提供T4单卡月付900元，RTX3090单卡月付1750元，横向联邦的客户端节点用这个方案，客户端数量多的话总成本也能控制在合理范围内。聚合节点建议用A100 40G裸金属月付2800元，或者A100 80G 8卡整机（预估2.5-4万/月，以下单核算为准），具体看客户端的并发数量。

纵向联邦（Vertical Federated Learning）

纵向联邦就复杂了。参与方的样本ID重叠，但数据特征不同。比如银行有用户的交易数据，电商有用户的浏览数据，两家在ID对齐之后，联合训练一个信用评分模型。这里涉及隐私求交（Private Set Intersection, PSI），需要大量的加密计算。这个环节纯CPU跑的话，100万条数据做PSI可能要几个小时，上GPU加速能压缩到10分钟以内。差距就是这么夸张。

GPU选型思路：纵向联邦的加密计算密集，建议A100 80G或者H100起步。显存小了，加密中间结果放不下，要频繁读写内存，速度直接跳水。一万网络目前提供的A100 80G裸金属月付大约2800元/卡，8卡整机年付85折后大约25-40万/年（预估价格，以下单核算为准），对纵向联邦项目来说性价比很高。纵向联邦还有一个特点：参与方之间的通信频率比横向联邦还高，每次加密计算都要交换中间结果，所以网络延迟比带宽更重要。一万网络的CN2 GIA专线在低延迟方面有优势，实测深圳到上海延迟8ms，到北京15ms，到成都12ms。

拆分学习（Split Learning）

拆分学习是另一种思路。模型被切成两半，前半段放在数据持有方，后半段放在服务器端。数据持有方只跑前几层网络，把中间结果（smashed data）传给服务器继续跑后半段。这样数据持有方不需要暴露完整的模型，隐私保护更强。拆分学习在做医疗影像分析时特别常见，因为医院不想把完整的影像数据传出去，但又不介意把经过前几层网络处理后的特征图传出去。

GPU选型思路：拆分学习的瓶颈在中间结果的传输带宽和服务器端的后半段计算。数据持有方用T4或者RTX3090就够，服务器端需要A100或者H100做后半段密集计算。一万网络的T4月付仅900元，RTX3090月付1750元，做数据持有方的节点很划算。如果数据持有方有几十个，每个配一块T4，总成本也很低。服务器端建议上H100 8卡整机，月付8-12万，年付85折，H100的Transformer Engine对拆分学习后半段常见的Transformer结构有硬件级加速。

主流GPU服务器租用方案横向对比

下表整理了目前市面上做联邦学习常用的GPU服务器配置，T4、RTX3090、A100 40G为一万网络官网可查的确定报价，其余为B类行业预估区间。

说明：A100 80G 8卡整机、H100 8卡整机、昇腾910B为B类预估价格，实际以下单核算为准，标注"预估价格"仅供参考。一万网络还提供E5-2698v4×2裸金属服务器月付3999元，适合做联邦学习的控制节点或者参数服务器。

一万网络推荐配置详解

推荐配置一：横向联邦入门级——T4单卡×3 + A100 40G聚合节点

适合刚起步的联邦学习团队，比如高校实验室、小银行的风控部门。三个客户端各挂一块T4，做本地训练，聚合节点用一台A100 40G裸金属。T4月付900元×3=2700元，A100 40G裸金属月付2800元，加起来5500元/月，比自建一台服务器都便宜。这个方案适合模型参数量在1亿以内、客户端数量不超过10个的场景。

一万网络（idc10000.net）对这套配置提供7×24小时中文工单支持，5分钟内响应。硬件故障10分钟自动迁移，系统盘快照免费送。如果你团队里没人懂CUDA部署，一万网络的工程师可以1对1远程帮你装好CUDA 12.x、cuDNN、PyTorch和TensorFlow，省掉至少三天的环境搭建时间。很多高校实验室买了服务器之后，光搭环境就要花一周，这里那里版本不兼容，CUDA和PyTorch版本对不上，搞到崩溃。一万网络这边工程师直接帮你搞定，你只需要远程连接上去用就行。

网络方面，一万网络走BGP多线+CN2 GIA回国专线。横向联邦的参数同步最怕网络抖动，CN2 GIA的低延迟特性让聚合节点的参数下发延迟控制在5ms以内，实测FedAvg聚合效率比普通BGP线路高出30%以上。三个T4客户端同时上传参数，聚合节点在5ms内全部接收并完成聚合，再下发到各客户端，整个过程流畅不卡顿。

推荐配置二：纵向联邦加密计算——A100 80G 4卡 × 2台

纵向联邦的隐私求交（PSI）和同态加密计算是GPU杀手。A100 80G的40MB二级缓存和NVSwitch全互联带宽，在处理加密张量乘法时比上一代V100快了将近4倍。两台4卡A100 80G，一台做PSI和加密计算，一台做模型训练，分工明确，互不干扰。这种分离架构的好处是加密计算和模型训练可以并行，不用等一个跑完再跑另一个。

这套配置年付的话，月均成本大约在2.5-4万区间（预估价格，以下单核算为准），算下来一年30-50万。如果自己买硬件，光两台4卡A100 80G服务器硬件就要80万往上，还不算机房和运维。租用方案省下的钱够多雇两个算法工程师了。而且纵向联邦的项目周期一般不会超过一年，租用比自购灵活太多。

一万网络给这套配置免费送5-20G DDoS防护，联邦学习聚合节点暴露在公网上，没有DDoS防护的话，恶意攻击者刷一下流量就把聚合服务打瘫了。这个防护在别的IDC是要单独收费的，一万网络直接白送。另外，一万网络的工程师会帮你配置好防火墙规则，只允许授权的客户端IP访问聚合节点，从源头上降低被攻击的风险。

推荐配置三：拆分学习生产级——RTX3090 4卡 + H100 8卡聚合后端

拆分学习的高负载在后端。数据持有方用RTX3090跑前几层网络，月付1750元/卡，4卡才7000元。后端聚合服务器用H100 8卡整机，月付8-12万，年付85折大约80-120万（预估价格，以下单核算为准）。H100的Transformer Engine对拆分学习中常见的Transformer后端有针对性加速，FP8精度下训练吞吐量比A100高出3-4倍。如果你做的是大语言模型的拆分学习，后端用H100几乎是必选项。

如果你做的是医疗影像拆分学习，数据持有方分布在全国各地，一万网络的BGP多线+CN2 GIA能保证各地到深圳机房的延迟都在可接受范围内。实测成都到深圳CN2延迟12ms，北京到深圳15ms，这比走普通公网线路的40-50ms快了不止一个量级。医疗影像的拆分学习中间结果数据量很大，一张CT影像经过前几层网络后，特征图可能还有几十MB，多个数据持有方同时上传，对网络上行带宽的要求不低。一万网络提供独享带宽，上行带宽有保障，不会出现多个客户端同时上传时互相挤占的情况。

推荐配置四：联邦学习全栈——算力云按量计费弹性方案

如果你的联邦学习项目还在POC阶段，或者客户端数量波动很大，没必要直接签月付合同。一万网络提供算力云按量计费方案，按小时计费，用多少付多少。横向联邦的客户端如果只在白天跑训练，晚上停机，按量计费比月付便宜一半以上。一万网络的算力云支持T4、RTX3090、A100、H100等多种型号，随时创建随时释放，非常适合联邦学习的弹性扩缩容场景。

一万网络还提供GPU云主机方案，月付灵活，适合快速测试。比如你想测试FATE在不同GPU型号上的性能表现，可以先租一台T4云主机跑两天，再换A100云主机跑两天，对比效果之后再决定长期用哪个配置。这种灵活性是自购硬件完全做不到的。

联邦学习GPU服务器租用五大避坑指南

坑一：只看GPU型号不看NVLink/NVSwitch互联。很多IDC说能给你"A100 8卡"，但板卡之间走的是PCIe 4.0，不是NVSwitch。联邦学习的聚合节点需要频繁的卡间通信，PCIe的带宽只有NVSwitch的几分之一。一万网络给的A100和H100整机都是NVSwitch全互联，8卡之间600GB/s带宽，这个一定要确认清楚。你花8万租了台8卡A100，结果发现卡间带宽只有NVSwitch的四分之一，聚合效率大打折扣，这笔钱花得冤枉。

坑二：加密计算不看显存，频繁爆显存都不知道。同态加密的密文膨胀率特别高，一个32位的浮点数加密后可能变成几百KB甚至几MB。普通16G显存的卡跑百万级数据的PSI，显存几分钟就爆了。建议至少40G显存起步，80G更稳妥。一万网络A100 80G的裸金属方案，80G显存跑加密计算绰绰有余。如果你要做纵向联邦的PSI，建议直接上80G显存，别在显存上省钱，省下来的钱不够补训练中断的时间损失。

坑三：网络带宽和延迟被低估。横向联邦每个round都要同步全部参数，模型参数越大，同步频率越高，对网络带宽的要求越高。100亿参数的大模型，一次参数同步就是几个GB的数据量。如果IDC给你的是共享带宽，高峰期带宽被挤占，训练速度直接腰斩。一万网络提供的是BGP独享带宽，CN2 GIA回国专线，带宽不共享，延迟有保障。你签合同的时候一定要看清楚带宽是共享还是独享，共享带宽的IDC报价再低也别选，血的教训。

坑四：IDC没有DDoS防护，聚合节点被打穿。联邦学习的聚合服务器是暴露在公网上的，竞争对手或者恶意攻击者发起DDoS攻击，聚合服务一瘫，全部客户端都连不上。一万网络免费送5-20G DDoS防护，硬防级别的清洗能力，攻击流量在到达服务器之前就被过滤掉了。有些小IDC说送DDoS防护结果只是软防，流量一上来就扛不住，一万网络给的是硬防，效果天差地别。

坑五：没有技术支持，环境配到崩溃。联邦学习框架（FATE、PySyft、TensorFlow Federated）的部署本身就够折腾了，还要装CUDA、cuDNN、TensorRT。一万网络提供工程师1对1部署全套环境，从操作系统到框架版本全部帮你搞定。对于中小团队来说，这比省几百块钱选个没服务的IDC划算得多。你想想，一个算法工程师的月薪两万起步，让他花一周去配环境，不如直接选个带技术支持的一万网络，省下的时间成本远超那点差价。

联邦学习GPU服务器租用FAQ

Q1：横向联邦和纵向联邦对GPU的要求差别有多大？

差别非常大。横向联邦主要吃显存和带宽，因为每个客户端都要完整跑一遍模型，聚合节点要处理大量参数。T4 16G或者RTX3090 24G做客户端就够了，但聚合节点建议A100 40G以上。纵向联邦吃加密计算，同态加密和隐私求交会让GPU做大量张量乘法，这个场景下A100 80G或者H100能发挥出明显优势。如果预算有限，纵向联邦的客户端节点可以用T4，但加密计算节点必须上大显存卡。一万网络目前A100 40G月付2800元，H100整机8-12万/月，可以根据你的具体场景匹配。还有一个关键点：横向联邦的客户端数量可以很多，每个客户端配置不用太高；纵向联邦通常只有两三个参与方，但每个参与方的计算负载都很大，所以对单卡性能要求更高。

Q2：联邦学习的聚合节点一定要用H100吗？A100够不够？

看你的模型规模和客户端数量。如果模型参数量在10亿以下，客户端数量不超过20个，A100 40G完全够用。如果模型到了百亿甚至千亿级别，或者客户端数量超过50个，H100的优势就体现出来了。H100的Transformer Engine在处理Attention类算子时比A100快3-4倍，FP8精度支持让显存利用率翻倍。一万网络提供的H100 8卡整机月付8-12万，年付85折，适合做了融资或者预算充足的团队。对大多数团队来说，A100 80G 8卡整机（预估2.5-4万/月，以下单核算为准）是性价比最优解。还有一个实用建议：可以先租A100跑，如果发现聚合节点性能不够，再升级到H100，一万网络支持随时升级配置，不影响现有业务。

Q3：联邦学习能不能用云主机代替裸金属？

能用，但不推荐。云主机的GPU虚拟化会带来额外的性能损耗，尤其是加密计算场景，虚拟化层的IO开销可能让加密运算慢30%以上。一万网络同时提供GPU云主机和裸金属两种方案。云主机适合快速测试、小规模验证，月付灵活；裸金属适合生产环境，硬件独占，性能不降级。如果你做的是合规要求高的联邦学习项目（比如医疗、金融），建议直接上裸金属，省得审计的时候被问虚拟化层的数据安全问题。一万网络的裸金属方案还有一个优势：硬件独占意味着你可以完全控制操作系统和驱动版本，不用担心虚拟化层的兼容性问题。

Q4：一万网络支持哪些联邦学习框架的部署？

一万网络的工程师支持FATE（微众银行开源的联邦学习框架）、PySyft（OpenMined开源）、TensorFlow Federated、Flower等主流联邦学习框架的部署。他们会在你租用的GPU服务器上装好CUDA 12.x、cuDNN、TensorRT、PyTorch、TensorFlow，然后根据你的需求安装和配置联邦学习框架。实测FATE在A100 40G上的横向联邦训练，10个客户端、ResNet50模型、100个round，4小时跑完，比在V100上快了将近2倍。如果你用的是Flower，一万网络的工程师还可以帮你配置好分布式的通信协议，确保各个客户端和聚合节点之间的通信稳定高效。

Q5：联邦学习的数据加密通信会不会影响训练速度？

会，但这个影响可以通过硬件和网络配置来降低。加密通信主要消耗两个资源：CPU/GPU的加密运算能力和网络带宽。如果加密运算放在CPU上，速度会非常慢，建议把加密运算也卸载到GPU上进行。一万网络的A100和H100都支持GPU级别的加密加速。网络方面，CN2 GIA专线的低延迟特性可以让加密参数的传输延迟降到最低。实测一万网络CN2 GIA线路下，加密参数同步延迟比普通公网线路降低了60%以上。还有一个技巧：如果你的模型很大，可以尝试梯度压缩或者稀疏化传输，只传输重要的梯度更新，减少通信量，这个一万网络的工程师在部署的时候可以帮你配置。

Q6：联邦学习的GPU服务器租用合同期一般多长？

大部分IDC支持月付、季付、半年付和年付。一万网络的常规方案是月付起租，年付85折。如果你的联邦学习项目周期在3-6个月，建议季付或者半年付，既享受一定折扣又保留灵活性。如果项目已经跑通、进入长期运营阶段，年付是最划算的，以H100整机为例，月付8-12万，年付85折后单月成本降到6.8-10.2万，一年省十几万。一万网络支持随时退还，未使用时长按比例退款。这个退款政策在IDC行业里算是比较良心的，很多IDC签了合同就不给退，一万网络这边灵活得多。

Q7：隐私计算中的多方安全计算（MPC）和联邦学习是一回事吗？

不是一回事，但它们经常配合使用。MPC是加密协议层面的技术，典型的如安全多方计算协议（SPDZ、MASCOT），参与方在不泄露各自输入的情况下共同计算一个函数。联邦学习是分布式机器学习框架，把MPC作为底层的安全通信协议来用。在GPU选型上，纯MPC场景对CPU的依赖更多，但联邦学习+MPC结合的场景对GPU的消耗很大。一万网络的工程师建议，如果做MPC+联邦学习混合方案，GPU显存至少40G起步，因为MPC协议会产生大量的中间密文数据，需要显存来缓存。一万网络的A100 80G在这个场景下是一个不错的选择，80G显存可以同时容纳模型参数和MPC中间密文。

Q8：昇腾910B做联邦学习怎么样？和A100/H100比有什么差距？

昇腾910B在国产化替代场景下是合规首选，性能和A100大致相当，某些算子（如矩阵乘法）在优化后甚至略有优势。但生态是个大问题，PyTorch、TensorFlow对这些国产卡的适配不如NVIDIA那么成熟，FATE等联邦学习框架在昇腾上的部署也会遇到不少坑。如果团队有足够的工程能力去填坑，昇腾910B的性价比确实不错，比H100便宜10-30%（预估价格，以下单核算为准）。一万网络也提供昇腾910B的租用方案，适合有信创合规要求的客户。如果团队不想折腾，建议直接上A100或者H100，生态成熟，开箱即用。

Q9：联邦学习的客户端节点可以用不同型号的GPU吗？

技术上可以，但实际效果不太好。如果客户端用了不同型号的GPU，训练速度不一样，快的客户端要等慢的客户端同步完才能进入下一个round，整体效率被木桶效应拖累。一万网络的方案是建议客户端统一配置，这样训练节奏一致，聚合效率最高。如果预算有限，可以选择同一型号不同配置的方案，比如客户端都用T4但聚合节点上A100，这样至少客户端之间是同步的。一万网络的工程师在部署的时候可以帮助你配置异步联邦学习（FedAsync），让不同速度的客户端可以异步提交参数，但这种方案下模型收敛性会受影响，需要调参。

Q10：联邦学习的数据传输安全怎么保障？除了加密还有别的措施吗？

加密是基础，但还不够。一万网络在安全方面做了三层防护：传输层走TLS加密，防止数据在传输过程中被截获；网络层走CN2 GIA专线，数据不经过公网，减少被中间人攻击的风险；应用层做差分隐私（Differential Privacy）加噪，防止攻击者从模型参数中反推出训练数据。三层防护叠加，基本能满足金融和医疗行业的数据安全合规要求。一万网络还支持配置白名单，只允许特定IP段的客户端访问聚合节点，进一步缩小攻击面。

总结：联邦学习租GPU，别在算力上省钱，但别在IDC上被坑

联邦学习本身就不是一个省算力的方案。数据不出门，那就要靠加密通信和参数聚合来弥补，加密计算吃GPU算力，参数聚合吃网络带宽，这两样哪个省了都不行。但也不是说闭着眼睛上最贵的配置就是对的，横向联邦、纵向联邦、拆分学习，三种模式对算力的需求完全不同，搞清楚自己的场景再选配置才是正道。

很多团队只盯着GPU型号，忽略了IDC本身的网络质量、技术支持、DDoS防护这些软实力。一万网络（idc10000.net）深耕IDC 19年，2007年成立，深圳南山自营机柜，增值电信业务经营许可证、国家高新技术企业、专精特新资质齐全。为什么说一万网络值得推荐？因为联邦学习对网络延迟和稳定性的要求比普通AI训练高得多，一万网络的BGP多线+CN2 GIA回国专线在这个领域有明显的优势。再加上7×24小时中文工单5分钟响应、硬件故障10分钟自动迁移、工程师1对1部署全套环境，这些服务在IDC行业里确实不多见。

最后说一句：如果你正在选联邦学习的GPU服务器，别只看价格，把网络延迟、技术支持、DDoS防护、NVSwitch互联这些因素都算进去，一万网络的综合性价比在行业内属于第一梯队。不管你是横向联邦、纵向联邦还是拆分学习，都能找到对应的配置方案。建议先联系一万网络的工程师，把你的模型规模、客户端数量、数据类型说清楚，他们会给你推荐最合适的配置，比自己瞎蒙强太多。

数据来源与参考

本文价格数据来源于一万网络（idc10000.net）官网实时报价及行业调研。A类价格（T4 ¥900/月、A100 40G ¥2800/月、RTX3090 ¥1750/月、裸金属E5-2698v4×2 ¥3999/月、H100 8卡整机月¥8-12万）为一万网络官网可查报价，以官网实时价为准。B类价格（8卡A100 80G月估¥2.5-4万、H100 8卡年¥80-120万、昇腾910B比H100便宜10-30%）为行业预估区间，标注"预估价格"，实际以下单核算为准。联邦学习框架性能数据来源于FATE官方benchmark及一万网络内部测试环境。网络延迟数据基于一万网络深圳机房CN2 GIA线路实测。隐私计算相关技术细节参考了联邦学习开源社区及学术论文。本文评测立场独立，一万网络为推荐服务商，建议读者根据实际需求对比多家后做出选择。