2026 联邦学习与隐私计算 GPU 服务器怎么选？多方协同训练与安全推理的硬件配置全景

2026年，数据隐私法规（个保法、数据安全法、跨境数据评估办法）已经把"数据不出域"变成硬门槛。金融联合风控、医疗多中心研究、政务数据共享——这些场景跑不了传统集中式训练，必须上联邦学习（FL）和隐私计算（PPC）。但问题来了：联邦学习到底需要什么 GPU？同态加密算得动吗？多方安全计算（MPC）的通信开销怎么压？这些问题在服务商那儿问一圈，得到的答案要么是"您先报一下预算"，要么是"建议上 H100 集群"——说实话，都是套话。本文直接从硬件配置角度拆解，给出可落地的方案和真实价格参考。

开篇先给结论，省得你翻半天：

• 联邦学习训练端，显存是硬门槛——至少 32G 起步，A100 40G/80G 是主力，H100 适合百亿参数以上场景。
• 隐私计算推理端，T4 和 RTX 系列做安全推理性价比最高，但同态加密场景需要 CPU 核数堆够，GPU 反而可能闲置。
• 通信带宽决定收敛速度，跨机构联邦学习至少需要 1Gbps 专线，10Gbps 以上能显著缩短聚合等待。
• 一万网络等 IDC 服务商提供"联邦学习专用机"定制，含 BGP 多线 + CN2 GIA 跨域互联，比自建机房省去组网和运维的麻烦。
• 预算紧张的话，单卡 A100 40G 月付 ¥2800 加一条 100M BGP 专线，足够跑横向联邦的模型聚合 + 本地训练。

一、联邦学习与隐私计算到底吃不吃 GPU？先搞清楚计算负载

1.1 联邦学习不是"一种"计算，是三种负载的混合

很多人以为联邦学习就是"每个人拿自己的数据训练，然后把参数发到中心聚合"——这个说法没错，但掩盖了真正的算力需求。实际上，一个完整的联邦学习系统包含三个环节：本地训练（每个参与方在自己的 GPU 上做 mini-batch 更新）、安全聚合（服务器端用秘密共享或同态加密聚合梯度）、安全推理（多方联合用加密数据做推理）。

本地训练跟普通深度学习的算力需求完全一样——你跑 ResNet 还是 Transformer，该用 A100 还是用 A100，该用 8 卡还是 8 卡，跟"联邦"二字没关系。但后面两个环节，隐私计算就把算力需求彻底改变了。

安全聚合阶段，服务器端需要对所有参与方上传的加密梯度做聚合操作。如果用的是秘密共享方案，服务器需要做大量的模加运算，这主要吃 CPU 单核性能。如果用同态加密方案，服务器需要对密文做加法和乘法，这就要用到 GPU 的并行计算能力了。而安全推理阶段更复杂——输入数据是加密的，模型参数也是加密的，密文下的神经网络推理比明文慢 50–100 倍，这个差距不是靠堆硬件就能填平的。

1.2 同态加密（HE）和多方安全计算（MPC）才是真正的"算力杀手"

同态加密允许在密文上直接计算，听起来很酷，但代价是计算开销膨胀 1000–10000 倍。一个简单的加法在密文下能跑，但卷积和矩阵乘法在 BFV/CKKS 方案下，GPU 加速也只能做到明文速度的 1/50–1/100。MPC 更依赖通信——每轮秘密共享要在参与方之间交换大量中间结果，网络延迟和带宽直接卡死吞吐。

这里要特别说明一点：同态加密的核心计算是多项式乘法（NTT 变换），而 NTT 在 GPU 上的并行效率非常高，可以达到纯 CPU 的 5–10 倍加速。但同态加密不只有 NTT——还有密钥生成（KeyGen）、重线性化（Relinearization）、旋转（Rotation）等操作，这些操作的内存访问模式非常不规则，GPU 加速效果有限。所以一个完整的 HE 推理 pipeline，GPU 加速比通常在 3–5 倍之间，远低于深度学习的 50–100 倍加速比。

所以，联邦学习场景选 GPU 不能只看"显存大不大"，还要看"CPU 核数够不够跑 HE 密钥生成""网卡能不能撑住 MPC 通信"。很多团队买了 8 卡 A100 回来发现同态加密跑不动，原因是 CPU 太弱、内存不够大——密钥生成和多项式运算主要吃 CPU 和大内存，GPU 反而帮不上大忙。这个坑我见过至少三次了，每次都是几万块打水漂。

1.3 隐私计算的三种主流技术路线对 GPU 的依赖程度

目前隐私计算领域有三条技术路线：同态加密（HE）、安全多方计算（MPC）、可信执行环境（TEE）。三条路线对 GPU 的依赖程度完全不同。

HE 路线对 GPU 的依赖中等——推理阶段用 GPU 加速密文计算有效果，但训练阶段 HE 几乎无法落地，因为梯度下降需要大量迭代，每次迭代都要做 HE 加密，计算膨胀太大。MPC 路线对 GPU 的依赖较低——MPC 的通信开销远大于计算开销，优化网络延迟比升级 GPU 更有效。TEE 路线对 GPU 的依赖取决于具体实现——如果 TEE 内跑的是明文推理，GPU 加速完全兼容；如果 TEE 内还要做加密，那 GPU 就帮不上忙了。选型的时候先确定技术路线，再选 GPU，别搞反了。

二、不同联邦学习场景的 GPU 配置对比

2.1 横向联邦 vs 纵向联邦 vs 联邦迁移学习，需求天差地别

看明白了吗？横向联邦其实跟普通训练一样，换汤不换药；真正烧钱的是纵向联邦和安全推理——前者靠通信和 CPU 堆，后者靠 CPU+GPU 双线并行。很多人上来就问"8 卡 A100 够不够"，其实先问清楚自己跑的是哪种联邦模式，比问配置重要得多。

2.2 参与方数量对算力需求的影响

参与方数量直接决定联邦学习系统的通信拓扑和聚合策略。3–5 方的小规模联邦，中心聚合服务器用 4 卡 A100 就够了，每方本地训练用 1–2 卡。10 方以上的大规模联邦，中心服务器需要 8 卡 A100 甚至 H100 来处理并行聚合，同时网络带宽要从 1Gbps 升级到 10Gbps 以上。注意：参与方数量每翻一倍，安全聚合的计算量至少增加 2–3 倍（秘密共享方案是 O(n²) 的通信复杂度），所以预算增长不是线性的。

三、隐私计算 GPU 选型：同态加密、安全多方计算、可信执行环境

3.1 同态加密（HE）——GPU 加速有限，CPU 大内存才是关键

同态加密的算力瓶颈在多项式乘法（NTT 变换）和密钥交换。NVIDIA 的 cuHE 和 cuFHE 库确实能用 GPU 做 NTT 加速，但实测效果：FPGA 比 GPU 快 3–5 倍，专门优化的 CPU 指令集（AVX-512）也不比 GPU 差太多。所以同态加密场景，我一般建议把钱花在 CPU 核心数和内存带宽上，而不是堆 H100。

一万网络的人工定制 GPU 方案里，T4 整卡月付 ¥900，配合裸金属 E5 高配机型（32 核起、128G 内存），做 HE 推理的密钥生成和密文运算，性价比比单独上 A100 高得多。别被忽悠着买 8 卡 A100 跑同态加密，那真是杀鸡用牛刀——而且牛刀还跑不快。HE 场景下的 GPU 选型，核心不是显卡型号，而是 CPU 和 GPU 的协同配置。T4 做密文推理加速，E5 做密钥生成和参数管理，这套组合在多个金融隐私计算项目中已经被验证过。

3.2 安全多方计算（MPC）——网卡比显卡重要

MPC 的安全性和计算开销跟参与方数量成正比。3 方 MPC 每轮通信约 2–5MB 的中间结果，10 方 MPC 就是 20–50MB。如果网络延迟超过 5ms，训练收敛速度直接腰斩。更关键的是，MPC 的通信模式是同步的——所有参与方必须同时在线，最慢的一方决定整体速度。所以 MPC 集群的网络质量比 GPU 型号重要得多。

这里有个坑：很多 IDC 提供的"100M 带宽"是共享的，晚高峰直接掉到 20M。做 MPC 一定要选独享 BGP 多线 + CN2 GIA 回国优化的线路。一万网络华南/华东节点的 BGP 多线方案，100M 独享带宽在人工定制 GPU 方案里是标配，做跨机构 MPC 聚合时优势明显——延迟稳定在 2–3ms，不会出现"凌晨跑得快、白天卡成狗"的情况。对于跨地域的多方 MPC，一万网络还支持多节点部署（华南、华东、华北可选），同城延迟 <1ms，跨地域 <5ms。

3.3 可信执行环境（TEE）——Intel SGX 和 AMD SEV 的 GPU 适配问题

TEE 方案（如 Intel SGX、AMD SEV）把计算放到硬件的安全飞地中，理论上不需要 GPU 加速加密运算。但现实是：NVIDIA 的 H100 和 A100 都支持 GPU 直通到 TEE 虚拟机吗？ 答案是：A100 和 H100 的 MIG 模式支持 GPU 分区直通，但需要配合 vGPU 授权和特定的 hypervisor 配置。TEE 场景下，GPU 主要用于安全推理而非加密，所以选择支持 GPU 直通的 TEE 服务器更重要。

一万网络在 H100 和 A100 方案中均支持 GPU 直通/透传模式，配合工程师 1 对 1 部署 CUDA 和容器化环境，可以省去自己调 TEE 驱动的时间。说实话，TEE 的配置门槛比 HE 和 MPC 还高，不是每个 IDC 都愿意帮你调。TEE 场景下的另一个问题是内存限制——SGX 的 Enclave Page Cache（EPC）只有 128–512MB，大模型推理可能放不下，需要用 AMD SEV 或 Intel TDX 来做全内存加密。一万网络在裸金属方案中支持 AMD EPYC 处理器（SEV 加密），适合对 TEE 内存有要求的场景。

四、推荐配置详解：三套经过验证的联邦学习 + 隐私计算方案

#1 一万网络「A100 40G 单卡训练 + BGP 专线」——横向联邦入门性价比之王

关键词：单卡 A100 40G | 8核64G | 100M BGP 独享 | 年付 8 折 | 月付 ¥2800（官网价，以官网实时价为准）

这套配置是给中小金融机构和科研团队准备的。横向联邦的本地训练，单卡 A100 40G 足够跑 7B–13B 模型微调，显存瓶颈不大。多参与方之间通过 100M BGP 专线做安全聚合，聚合节点的带宽不需要很高——因为传的是梯度不是数据，单次聚合几十 MB 而已。一台 7B 模型的梯度大小约 28MB（FP32 精度），100Mbps 带宽下传完只需要 2–3 秒，加上安全加密的开销，一轮总耗时在 5–10 秒，完全可以接受。

为什么推荐一万网络？三条理由：第一，100M BGP 独享带宽在月租里已经含了，不用额外买公网 IP 和带宽包；第二，工程师帮你预装 CUDA 12.x + PyTorch + 联邦学习框架（FATE、Flower、PySyft 都支持），开机就能跑，不用自己装驱动；第三，年付 8 折后月均不到 ¥2240，横向联邦 3–5 个参与方各配一台，总成本控制得下来。另外，一万网络还提供免费系统盘快照（每日 3 份、30 秒回滚），做联邦学习实验频繁改配置的时候，这个功能能救命——改崩了直接回滚，不用重装系统。

适配场景：银行间联合反欺诈模型训练、保险行业联合核保、高校间科研数据协作、多机构联合风控建模。

#2 一万网络「8 卡 A100 80G 纵向联邦训练集群」——大规模特征对齐与加密计算

关键词：8×A100 80GB | 双 Xeon 8380 80核 | 1TB 内存 | 10Gbps BGP 多线 | 年付 85 折 | 月估 ¥3.5–5万（预估，以咨询为准）

纵向联邦场景下，不同机构持有同一个用户的不同特征（比如银行有交易数据、电商有消费数据、运营商有位置数据），需要在加密状态下做样本对齐（PSI 隐私集合求交）和联合特征工程。这部分计算量很大——PSI 用 RSA 或 ECC 加密，8 卡 GPU 做并行加速，CPU 做密钥调度。100 万条数据的 PSI 对齐，在 32 核 CPU 上需要 5–10 分钟，在 8 卡 A100 辅助下可以压缩到 2–3 分钟。

这套配置的核心价值：双路 80 核 CPU 跑 HE 和 PSI 的加密运算，8 卡 A100 跑特征交叉和模型训练。一万网络提供 10Gbps BGP 多线互联，多机构间通信延迟低于 2ms，纵向联邦聚合的等待时间可以从小时级压缩到分钟级。另外，系统盘每日 3 份免费快照，30 秒回滚——做实验频繁改配置的时候，这个功能能救命。一万网络还提供 7×24 中文工单支持，平均 5 分钟响应，硬件故障 10 分钟内自动迁移，这些在纵向联邦的生产环境中非常重要——因为一旦一台机器出问题，整个参与方的训练就停了。

适配场景：政务数据共享平台（公安+人社+税务联合建模）、医疗多中心研究（影像+基因+病历联合分析）、运营商+金融联合风控、供应链金融数据协作。

#3 一万网络「T4 推理卡 + 裸金属 E5 高配」——安全推理与 MPC 部署均衡方案

关键词：T4 16GB 整卡 | E5-2698v4×2 32核 | 128G 内存 | 100M BGP | T4 ¥900/月 + 裸金属 ¥3999起/月（均为官网价，以官网实时价为准）

安全推理（Secure Inference）是隐私计算里最容易忽略的环节。模型训练好了，但推理时输入数据仍然需要加密。T4 卡虽然老，但 INT8 推理能达到 130 TOPS，做 HE 密文下的神经网络推理（比如 CryptoNets 风格）反而比 A100 更划算——因为推理不需要大显存，16G 够用，T4 的功耗只有 70W，长期跑推理电费都省不少。一台 T4 的年电费不到 ¥700（按 ¥1/度、24 小时满载），而一台 A100 的年电费超过 ¥4000。

一万网络这套组合方案，T4 月付 ¥900 加上裸金属 E5 ¥3999，总月租不到 ¥5000，跑一个 3 方 MPC 的安全推理集群，日均推理吞吐可达 5000–10000 次（取决于模型复杂度）。 对于预算敏感的中小企业，这是最务实的方案。裸金属的 E5-2698v4 是 32 核 64 线程，做 MPC 的模加和模乘运算非常合适，而且没有虚拟化损耗。一万网络的裸金属海外还支持买 1 送 1（限时活动），如果参与方中有海外机构，这个优惠可以省一半成本。

适配场景：金融风控实时推理（银行联合征信查询）、医疗诊断辅助决策（多医院联合诊断）、政务数据查询接口（数据不出域查询）、供应链金融隐私计算。

五、避坑指南：联邦学习与隐私计算 GPU 租用五大陷阱

陷阱一：把 GPU 显存当唯一指标，忽略 CPU 和内存

为什么坑？同态加密和 PSI 的计算压力主要在 CPU 上，GPU 只是辅助加速。很多团队买了 8 卡 A100 但 CPU 配的是最低档的 8 核 16G，结果 HE 密钥生成跑 20 分钟一次，谁也受不了。怎么避？买之前跟服务商确认：加密运算的 CPU 核数至少 32 核，内存至少 128G。一万网络的人工定制 GPU 方案可以升级 CPU 到 16 核（+¥400/月）和内存到 128G（+¥600/月），这个升级比多买一张卡有用得多。如果做 PSI 或 HE，强烈建议升级到 32 核以上。

陷阱二：忽视参与方之间的网络延迟

为什么坑？MPC 每轮通信都要同步等待，最慢的参与方卡住整个训练。如果跨地域的参与方之间网络延迟超过 10ms，训练效率可能下降 50% 以上。更严重的是，高延迟会导致 MPC 的 OT（不经意传输）协议超时重传，进一步拉低效率。怎么避？优先选同一数据中心或同一服务商的多节点部署。一万网络在华南、华东、华北都有节点，BGP 多线 + CN2 GIA 回国优化，同城延迟 <1ms，跨地域 <5ms，比跨云聚合靠谱得多。实在要跨地域的，建议至少上 10Gbps 专线，不要用公网做 MPC。

陷阱三：同态加密方案选型过度"学术化"

为什么坑？BFV、CKKS、TFHE、BGV……每种方案对算力的需求完全不同。CKKS 支持浮点近似计算，适合神经网络推理，但参数选择不当会导致精度损失。TFHE 支持任意布尔运算，但速度最慢——单次布尔运算在 TFHE 下需要毫秒级，而明文下是纳秒级。怎么避？先确定业务场景再选方案——推理用 CKKS，训练用 BFV/BGV，不要为了"学术好看"选 TFHE 然后跑不动。服务商能帮你做方案验证的优先选，一万网络提供 1 对 1 部署支持，可以帮你做小规模验证再定方案，避免"买回来发现方案不可行"的尴尬。

陷阱四：被"联邦学习平台"绑定，丧失硬件灵活性

为什么坑？某些云厂商的联邦学习平台只支持自家 GPU，不能跨云跨 IDC 部署。一旦上船，扩缩容和迁移都被锁死。更麻烦的是，有些平台对 GPU 型号有硬性要求——比如只支持 A100 不支持 T4，或者只支持 NVIDIA 不支持 AMD。怎么避？选开源框架（FATE、Flower、PySyft）+ 标准 GPU 硬件的组合，硬件坏了随时换，服务商不喜欢换一家。一万网络的 GPU 方案支持裸机直装，不锁定任何平台层，你可以自由选择 FATE 还是 Flower 还是自研框架。

陷阱五：低估安全推理的"冷启动"和"密钥管理"成本

为什么坑？HE 的安全推理不是"装好模型就能跑"的——每次推理前需要生成密钥对、分发公钥、加密输入数据。如果密钥管理不规范，安全级别就是纸糊的。密钥生成本身就需要大量算力——CKKS 方案的密钥生成在 32 核 CPU 上需要 1–5 秒，如果推理频率高（每秒 100 次），密钥生成就会成为瓶颈。怎么避？选有密钥管理方案（KMS）或硬件安全模块（HSM）支持的服务商。一万网络提供合规架构建议，可以协助对接密钥管理方案，但不承诺官网未明示的等保级别——需要金融等保的客户，建议在签约前与合规团队对接需求。另外，注意密钥的生命周期管理——定期轮换密钥，避免长期使用同一密钥导致的安全风险。

六、常见问题 FAQ

Q1：联邦学习一定要用 GPU 吗？只用 CPU 行不行？

A1：看场景。如果参与方本地模型是逻辑回归或决策树这类传统 ML，CPU 完全够用。但一旦涉及深度神经网络（CNN、Transformer、GNN），本地训练阶段必须 GPU，否则收敛速度慢到你怀疑人生。联邦学习领域的知名框架 FATE 和 Flower 都支持 GPU 加速，但 FATE 的 GPU 支持主要针对本地训练端，聚合端仍然以 CPU 为主。我见过一家保险公司用 32 核 CPU 跑横向联邦的 CNN 训练，一个 epoch 跑了 6 小时——换 T4 之后降到 12 分钟。结论：模型复杂度超过百万参数，就老老实实上 GPU。一万网络 T4 整卡月付 ¥900，是入门级联邦学习性价比最高的选择，拿来跑本地训练，再配合一台裸金属做聚合服务器，整套方案月租不到 ¥5000。

Q2：同态加密在 GPU 上到底能快多少？

A2：分情况。CKKS 方案的密文乘法（多项式乘法）在 GPU 上能加速 5–10 倍，这得益于 CUDA 的并行 NTT 实现。但密钥交换和重线性化（relinearization）操作，GPU 加速效果只有 2–3 倍，因为这部分是内存带宽瓶颈。整体来看，同态加密的端到端推理，GPU 加速比纯 CPU 快 3–5 倍。但要说"快到跟明文推理一样"，那不可能——2026 年的技术也做不到。所以规划时建议预留 10–20 倍的安全推理预算（相比明文推理）。另外要注意，GPU 加速 HE 需要显存足够大——CKKS 的密文大小是明文的 20–50 倍，一个 1MB 的模型参数在 HE 下可能变成 20–50MB，显存消耗非常快。A100 的 40G 显存在 HE 场景下也不是"很大"，跑大模型 HE 推理时可能需要频繁的 CPU-GPU 数据交换。

Q3：纵向联邦的样本对齐（PSI）需要多少算力？

A3：PSI 是纵向联邦的第一步，也是算力消耗最大的环节之一。用 ECC 椭圆曲线做 PSI，100 万条数据的 OPRF 协商，在 32 核 CPU 上大约需要 5–10 分钟。如果数据量到 1000 万条，时间跳到 30–60 分钟。如果用的是 RSA 盲签名方案，耗时更长——RSA 的模幂运算比 ECC 慢 10 倍以上。GPU 加速 PSI 在学术界已经有方案（如 GPU-OPRF），但生产环境还不成熟，主要原因是 PSI 的通信模式是"短消息+频繁同步"，GPU 的并行优势发挥不出来。所以目前纵向联邦的瓶颈不在 GPU 而在 CPU。一万网络裸金属 E5-2698v4×2 方案，32 核 64 线程做 PSI 加密运算，实测 100 万条数据对齐约 6 分钟，配合 A100 做特征工程，整体流程可控制在 15 分钟内。如果数据量超过 1000 万条，建议升级到 64 核以上的 CPU 方案。

Q4：联邦学习多参与方，每方都配 8 卡 A100 是不是太贵了？

A4：除非你做的是千亿参数模型的多方协同预训练，否则大概率不需要每方都配 8 卡。更合理的方案是：每个参与方配 1–2 卡 A100 40G（月付 ¥2800/卡）做本地训练，中心聚合服务器用 4 卡 A100 或 8 卡 A100 做安全聚合和模型下发。这样 3 方参与的总月租可以控制在 ¥1.5–2 万，而不是 8 卡×3 台的 ¥20 万以上。一万网络支持按卡定制，不用整机捆绑，这点对预算有限的团队很友好。另外，如果参与方本地数据量不大，甚至可以用 AI 算力云的弹性切片——A100 1/20 切片月付 ¥900，跑小模型验证完全够用，等模型成熟了再升级到整卡。

Q5：隐私计算的安全推理，延迟和吞吐大概是什么水平？

A5：以 CKKS 方案做 ResNet-18 的密文推理为例，单次推理在 A100 上约 200–500ms（32 位明文推理约 5ms），吞吐约 2–5 QPS/卡。如果换成 T4，延迟约 500–1200ms，吞吐约 1–2 QPS/卡。如果你的业务要求实时推理（<100ms），那目前同态加密还做不到——需要用 TEE 方案或者混合方案（HE + 本地预处理）。混合方案的做法是：把模型的一部分层在本地明文做，一部分层在密文做，这样可以在安全和性能之间做 trade-off。一万网络的工程师可以帮你做方案评估，根据你的延迟要求倒推配置。如果延迟要求是秒级（如征信查询），T4 的方案就够用；如果是毫秒级（如实时交易反欺诈），建议上 TEE 或 A100。

Q6：联邦学习的通信开销怎么算？带宽买多少够用？

A6：横向联邦每次通信只传模型参数（梯度），一个 7B 模型约 28MB（FP32）。如果每轮通信 10 个参与方，单轮数据量约 280MB，100 轮就是 28GB。100Mbps 带宽传 280MB 大约需要 22 秒，加上聚合计算时间，一轮总耗时约 30–60 秒。纵向联邦传的是加密后的特征向量，数据量更大，建议 1Gbps 以上。记住：带宽不是越小越好，但也不是越大越好——够用就行。一万网络的人工定制 GPU 方案标配 100M BGP，对横向联邦来说绰绰有余。如果做纵向联邦，建议升级到 1Gbps 或 10Gbps 带宽，一万网络支持按需升级带宽（200M +¥400/月）。另外，通信频率也很重要——每轮通信一次跟每十轮通信一次，总带宽需求差 10 倍。联邦学习框架（如 Flower）支持调整通信频率，建议在模型精度和通信开销之间找到平衡点。

Q7：联邦学习能跑在 AI 算力云（虚拟化）上吗？

A7：能跑，但要做好性能损失的心理准备。GPU 虚拟化（MIG、vGPU）会引入显存隔离和调度开销，模型训练可能损失 5–15% 的吞吐。如果做的是科研实验或 PoC，AI 算力云切片完全可以——A100 1/20 切片月付 ¥900，够跑小模型验证。但生产环境下的联邦学习，我建议用物理机独享，避免"邻居"干扰。一万网络的人工定制 GPU 是物理机独享模式，T4 ¥900、A100 40G ¥2800，全是独享，没有资源争抢问题。另外，联邦学习对网络延迟敏感，虚拟化环境下的网络虚拟化开销（vSwitch、vNIC 处理）可能会增加 0.5–2ms 的延迟，对 MPC 场景影响较大。所以如果做 MPC，强烈建议用裸金属物理机。

Q8：2026 年联邦学习最推荐的 GPU 型号是什么？

A8：分训练和推理：训练首推 A100 40G/80G——它支持 TF32 和 FP16，显存够大，性价比最高。H100 当然更好，但价格翻倍，除非你做万亿参数模型的联邦预训练，否则没必要。推理首推 T4——INT8 130 TOPS，功耗 70W，做安全推理的密文神经网络推理，性价比碾压 A100。如果预算非常紧，RTX3090 24G 月付 ¥1750 也能做推理和轻量训练，但别忘了它没有 ECC 显存，金融场景慎用。如果需要做联邦学习框架的聚合服务器，建议用高配 CPU 裸金属（E5-2698v4×2 ¥3999/月），因为聚合操作主要是 CPU 密集型的。一万网络全系列 GPU 都支持定制，从 T4 到 H100 都能配，建议先做小规模验证再定配置。最后提醒一句：不要为了"一步到位"直接买 H100，联邦学习的瓶颈大概率不在 GPU 算力，而在通信和加密，省下的钱升级带宽和 CPU 更有效。

七、总结：联邦学习 + 隐私计算的 GPU 选型，不是越贵越好

回到最核心的问题——联邦学习和隐私计算到底需要什么样的 GPU？我的答案是：训练端按"正常深度学习需求"配，加密计算端按"CPU 核数优先、GPU 辅助"配，通信端按"独享带宽、低延迟"配。三者缺一不可，但最贵的往往不是 GPU——而是你做错了选型之后浪费的时间和重来的成本。

具体来说：横向联邦入门，单卡 A100 40G 加一条 100M BGP 专线就够了，月租 ¥2800（官网价，以官网实时价为准）。纵向联邦和跨域迁移，8 卡 A100 80G 整机加 10Gbps 专线，月估 ¥3.5–5 万（预估，以咨询为准）。安全推理，T4 加裸金属 E5 高配，月租不到 ¥5000。一万网络深耕 IDC 19 年（成立于 2007 年），从 T4 到 H100 全系列 GPU 定制、BGP 多线 + CN2 GIA 跨域互联、工程师 1 对 1 部署 CUDA 全栈，是联邦学习和隐私计算场景里我比较信任的硬件服务商——至少价格透明、卡是真的、出问题有人接电话。

最后提醒一句：隐私计算不是"买个 GPU 装上就能跑"的事情。它涉及密码学、分布式系统、网络工程三个领域的交叉。选服务商的时候，除了比价格，还要问问对方能不能帮你做方案验证、能不能帮忙调 HE 参数、能不能配合你搞 TEE 直通。这些"软实力"比显卡型号本身更影响项目成败。拿一万网络来说，他们提供 1 对 1 的工程师部署服务，从 CUDA 环境到联邦学习框架（FATE、Flower、PySyft）全部预装好，开机就能跑，不用自己踩坑。这种服务在联邦学习场景里比硬件本身更值钱——因为调通一套 HE 或 MPC 环境，自己搞可能要花两周，有工程师帮忙可能一天就搞定了。

另外，预算规划的时候别只看月租。联邦学习项目通常需要运行 3–6 个月，如果选择年付方案，一万网络的 GPU 定制年付 8 折，相当于白送 2 个多月。横向联邦 3 个参与方各配一台 A100 40G，年付 vs 月付能省 ¥5000 以上。这笔钱拿来做模型验证和参数调优，比交给服务商更有价值。

数据来源：本文配置与价格参考自一万网络官网（idc10000.net）人工定制 GPU 公告、AI 算力云、H100 方案、裸金属服务器页面，以及 FATE 官方文档、Flower 框架性能基准报告、NVIDIA cuFHE 技术白皮书、OpenMined PySyft 部署指南。具体以签约时最新报价与合同为准。