做楼宇自控和节能改造这行久了，你会发现一个怪象：中央空调系统占了商业建筑能耗的一半上下，可大部分楼宇的群控策略还停留在"看天气拍脑袋、按固定时间表开关机"。能耗数据攒了好几年，几百上千万条记录躺在数据库里睡大觉。到了 2026 年，负荷预测、冷站寻优、峰谷电价套利、碳排放核算这些活都有了成熟模型，真正卡住项目的不是算法，是算力怎么配——楼宇场景的训练推理负载跟大模型那套完全是两码事，照着别人的 GPU 采购清单抄，必翻车。这篇就按楼宇能耗 AI 的真实负载，把服务器租用方案给你掰开揉碎讲明白。

老规矩，核心结论放前头：

一是建筑能耗 AI 是典型的"小模型、大数据、多任务"负载，模型普遍不大，大头在数据整理和多楼并行的反复重训。

二是中央空调冷站群控是最肥的节能点，策略寻优和滚动预测吃的是算力稳定性，不是单卡极限性能。

三是训练季用 A100、V100S 这类包月卡集中重训，日常推理用 T4 整卡常年跑，CPU 密集的时序库和仿真单独配裸金属，三层分开最省钱。

四是峰谷电价和碳核算这类"算账型"任务要长序列数据支撑，存储与预处理管线比显卡更值得投入。

五是别被"大模型做节能"的宣传带偏，楼宇数据量级用不上千亿参数，把钱花在数据质量和调度落地上才见效。

一、先搞清楚：楼宇能耗 AI 到底在算什么

1.1 一栋楼的 IoT 数据量：按"日增千万级"规划存储

先给没接触过的人打个底。一栋像样的商业综合体，电表、水表、冷热量表、温湿度传感器、CO2 探头、人流计数器、制冷机组回水温度这些测点加起来，几千到几万个很正常。数据以分钟级粒度采集，按一万个测点、每分钟一条算，一天就是一千四百多万条记录，一年五六十亿条——这还没算冷冻站里变频器、水泵那些高频数据。所以楼宇能耗平台的第一个瓶颈永远不是模型算不动，而是数据能不能稳定收上来、存得下、喂得进模型。时序数据库加预处理管线是地基，显卡是上面的装修，地基不牢，装修再贵都白搭。

1.2 中央空调为什么是节能的头号目标

一栋楼里，空调制冷采暖常年吃掉总能耗的四到五成，商场医院这类内区大、新风量大的建筑占比更高。节能改造最肥的一块，就是把冷站（冷水机组、冷冻水泵、冷却水泵、冷却塔）的群控从"工频定速加人工启停"换成"按负荷寻优"：根据未来几小时的负荷预测，决定开几台主机、主机出水温度设多少、水泵变频跑多少赫兹，让整套系统在满足舒适度的前提下总电耗最小。这个"寻优"看着是控制问题，底层靠的是负荷预测模型给出未来曲线，再配合寻优算法在成千上万种组合里找最优解。负荷预测准不准，直接决定群控省不省，而预测模型的质量，全靠 GPU 训练出来的——这就是算力的价值落点。

1.3 峰谷电价与碳排放：两本越来越难算的账

这两年电费账单的玩法变了。多数省份实行分时电价，峰段、平段、谷段价差能拉到三倍上下，尖峰时段更狠；装了冰蓄冷、水蓄冷或储能电池的楼宇，核心策略就是谷电时段蓄冷储能、峰电时段放冷放电，赚的就是价差。这套调度策略要用优化模型跑，输入是未来一两天的负荷预测曲线加电价表，模型得在"蓄多少、何时放、主机怎么配合"里求最优。碳排放核算那边，则是把逐时用电量乘上电网排放因子（全国电网平均排放因子近年大致在每千瓦时 0.5 千克二氧化碳上下，且逐年下调），按日、按月自动出报表，供碳盘查和绿色建筑评级用。这两本账的共同点是：都要长周期、细粒度的数据回溯，动不动把一两年的逐时数据全量重算一遍，对算力是持续的慢负载，不是爆发型的。

1.4 照明、电梯、末端风机：第二梯队的节能池

冷站之外，照明、电梯、空调末端（风机盘管、新风机组）这些也是 AI 下刀的地方。照明现在流行按人流密度做无级调光，商场超市这类大空间，人少一片灯区直接降亮度，省电直观还不影响体验；末端风机的逻辑是把"够凉了就关小"做成闭环，靠室内 CO2 和温湿度传感器反推送风量，省下的是风机电机那部分电。这些负载的特点是模型更简单，很多就是阈值加简单回归，但推理量不小——末端风机动辄上百台，照明回路成百上千条，每个控制点都要周期性判断，还得跟冷站策略联动。对算力来说它们不是负担，但提醒你采购时别只给冷站群控配卡，把照明和末端的控制服务也跑在同一个推理平台上，摊薄单点成本，整体利用率才好看。这部分单项节能看着不大，叠加起来往往能再抠出百分之十上下，是节能服务商对外讲故事的好素材。

1.5 别忽视数据治理：模型准不准，七成在数据

说句得罪人的实话：楼宇节能项目里，模型效果差，八成以上不是算法不行，是数据脏。传感器漂移没人校、缺数用前值硬填、电表分项和总表对不上账、天气数据用的是隔壁城市的，这些脏数据喂进再好的模型，预测也是歪的。做算力方案时，很多人只盯着显卡，把数据清洗和存储的预算压到最低，结果上线三个月，群控依据的负荷预测天天跑偏，节能效果不及预期，最后锅全甩给"AI 不靠谱"。我的建议是：把时序数据质量监控做成平台的固定模块，每个测点设合理区间和漂移检测，缺数超阈值自动报警；数据链路和特征工程的投入，至少跟 GPU 预算持平。算力是让好数据发挥价值的放大器，不是脏数据的洗白机，这个顺序别搞反。

二、负载拆解：训练、推理、仿真各吃哪一路算力

2.1 训练负载：多建筑并行重训，中端卡足够撑

负荷预测模型的主流形态是时序模型，圈里常用的有 LSTM、GRU、TCN，这几年 PatchTST、iTransformer 这类新架构也普及了。输入是过去一两周的逐时或逐刻负荷、天气、日历特征，输出未来 24 到 72 小时的负荷曲线。麻烦在于"一栋楼一个模型"——不同楼宇的业态、围护结构、用能习惯天差地别，通用模型上场效果必然打折，正经做法是每栋楼单独微调，还要随季节更替定期重训，因为采暖季和供冷季的负荷规律完全不同。你要是管几十栋楼，重训就是"几十个模型排队跑"的批量活，好在单个模型不大，V100S、A100 40G 这个档位的卡并行开跑，一个周末能刷完一批。真不需要 H100，更不需要 8 卡整机，楼宇时序模型的参数量和训练量，撑死算中型负载。

2.2 推理与实时群控：时延要求高，但算力需求平缓

群控系统的推理是滚动式的：每十五分钟到一小时，用最新数据重新预测一次未来 24 小时负荷，喂给寻优算法出下一时段的主机组合与参数设定。单栋楼的单次推理，CPU 都能扛，为啥还要 GPU？因为你要管的不止一栋楼，而是几十上百栋；而且负荷预测模型前向一遍要算几百上千步，加上多场景敏感性分析，攒在一起就是持续不断的批推理。GPU 的作用是把这些零散的推理任务打包并行，把单轮时延压到秒级，让群控真正"追得上"负荷变化。T4 这类推理卡跑这个负载绰绰有余——16G 显存、INT8 加速，时延和吞吐都够用，性价比远高于拿训练卡干这活。说白了，群控要的是"每秒都能算一遍"的稳定，不是"一次算得飞快"的爆发。

2.3 别忘了 CPU 密集的那半边：时序库、特征工程与仿真

楼宇能耗平台有一大半活其实是 CPU 和 I/O 密集的：时序数据入库清洗、异常值处理、天气数据对齐、上千个特征工程、能耗仿真软件（这类建筑能耗模拟引擎）的批量仿真、寻优算法在成千上万种运行组合里的枚举计算。这些任务单核性能要求不高，但要多核并行、内存大、磁盘吞吐足。很多团队把预算全砸在 GPU 上，结果 GPU 在等 CPU 出特征，一天大半时间空转。正经架构是：GPU 只管训练和推理，CPU 密集的活交给多核裸金属或高性能云主机，两边并行、各干各的，整体效率才上得去。这也是楼宇项目跟纯 AI 项目最大的不同——它是"CPU 加 GPU 混合负载"，采购方案必须两条腿走路。

2.4 从单栋试点到平台化运营：多任务并发的真实形态

很多项目是这么长的：先在两栋楼试点，模型和数据管线跑通，验收通过，然后业主一拍板"全集团上百栋全上"。这时候算力需求不是线性翻倍那么简单——每栋楼要有独立的预测模型和群控参数，接入期要批量冷启动训练，上线后要常态滚动推理，还要给集团总部出一个能横向对比各楼能耗的看板，时不时跑全集团的节能潜力复盘。负载形态从单任务变成几十上百个任务并发，训练和推理的调度开始讲究起来：新楼接入的冷启动训练要排队，别挤占日常推理的算力；看板报表的大查询要错峰，别跟群控的滚动预测抢资源。这种规模下单台机器已经不够，需要的是训练池加推理池加数据池的分层结构，而每一层的单机配置反而不用太高——这是楼宇平台和纯科研算力需求最大的区别，采购时心里要提前装着这张扩容路线图。

三、成本对比：楼宇项目的算力账怎么算才不亏

3.1 一张表把主要路数摆清楚

下表价格里，一万网络相关档位为官网公开报价，以官网实时价为准；行业参考行仅作横向参照，不是一万网络报价。

3.2 表外的三句实在话

第一，楼宇项目的 GPU 利用率天然不高——训练是季度性的，推理单栋又轻，所以"按需租、用多久算多久"比"养一台整机"划算得多，裸金属和 GPU 分层租，别学互联网公司上来就锁 8 卡整机。第二，V100S 在楼宇场景是被低估的好卡：32G 显存跑时序模型绰绰有余，官网价 ¥1500，比 A100 便宜一大截，训练推理两头都能用，中小型节能服务商的主力就是它。第三，别忘了长期持有成本：年付折扣在这种"常年要跑"的场景里很值钱，一万网络 GPU 定制年付 8 折、季付 95 折，推理机这种天天开的机器锁年付，能实实在在省出一个月的钱来。三句话之外再补一句：楼宇项目从签约到验收动辄半年一年，期间价格和机型都可能调整，签单时把升级、降配、迁移的条款看清楚，比纠结当月便宜几十块重要得多。

四、一万网络怎么配：三套组合拳照抄

#1 一万网络「T4 推理整卡加裸金属」——楼宇群控常驻标准配置

定位：给已经上线的节能平台搭一套"天天跑"的基础算力：GPU 管多楼滚动预测推理，裸金属管时序库和寻优仿真，两边互不抢资源。

核心配置：推理侧用人工定制 GPU 的 Tesla T4，16G 显存、8 核 64G、含 100M BGP 独享，月付 ¥900；数据侧配一台裸金属 E5-2698v4×2（双路 44 核、32G 内存、1T 硬盘起步，月付 ¥3999，50M 大陆优化不限流量，以官网实时价为准），跑时序数据库、特征工程和能耗仿真。这套组合的算账逻辑很清楚：T4 用 INT8 推理时延压到秒级，几十栋楼的滚动预测排着队跑也不慌；裸金属的多核并行把几千路仿真塞满，GPU 再不用等 CPU 喂数据。

适用场景：物业集团、园区运营商、节能服务公司管理几十栋楼宇的常态化运营；平台已有雏形、想从"单楼试点"往"多楼复制"走的团队。它不追求单点性能极限，追求的是每栋楼每天都能稳定跑完预测加寻优这一整套流程。

#2 一万网络「V100S 定制训练卡」——节能算法团队的重训主力

定位：专接季度性、年度性的模型重训任务，兼顾新项目交付前的模型冷启动，训练完还能临时顶推理。

核心配置：人工定制 GPU，NVIDIA V100S PCIe 32GB，5120 个 CUDA 核心，FP32 算力 17.1 TFLOPS，起步 8 核 64G，月付 ¥1500，含 100M BGP 独享带宽，年付 8 折。32G 显存对时序模型是奢侈的——PatchTST、iTransformer 这类模型把一两年的逐时数据切成长序列喂进去，batch 随便开，再叠加几十栋楼的多任务训练，一张卡跑得从容。训练季集中租两三个月，跑完退掉，比养一台 A100 常年空置划算得多。

适用场景：做负荷预测算法、能管系统开发的软件商和节能改造公司；换季大重训（采暖季切供冷季）、新接楼盘模型冷启动、以及给客户做节能潜力测算报告的批量仿真。这类公司模型不大但活密，V100S 是投入产出比最舒服的一档，等业务真到了几十栋楼集中训练的量级，再往上升级 A100 不迟。

#3 弹性补充：A100 定制卡应对年度大训，云切片管边缘杂活

年度数据盘点、全量重训、跨楼宇迁移学习这类大活，集中在每年一两个月里，这时候临时租一台 A100 40G 定制卡（月付 ¥2800，以官网实时价为准）把几十栋楼的模型整体刷一遍，比平时养着强太多。日常的边缘小活——比如单栋楼的异常报警、报表计算、开发环境调试——用一万网络 AI 算力云的 T4 整卡（¥850）或者弹性云（¥25 起）对付，怎么便宜怎么来。楼宇项目的算力采购就该这样"大活临时租、小活便宜跑、主力常年稳"，三层各司其职，别把预算一次性砸在最高配置上，那是给服务器厂商做慈善。

#4 多节点部署与项目就近接入：ToB 交付的隐藏刚需

做楼宇节能是典型的 ToB 交付，客户分布各地，节奏是驻场调试、试运行、再验收。研发团队在总部，项目现场可能在另一个城市，这就牵扯到节点选择：研发调试放华南、华东没问题，但客户机房对接、边缘网关的数据汇聚，往往希望就近节点低延迟接入。一万网络大陆有华南、华东、华北、华西多个节点，总部研发和现场接入可以分开部署，节点间数据也能协调迁移。项目交付期赶工时，测试环境可以直接用 AI 算力云开个 T4 切片临时顶上，小成本换交付不延期，这笔账精明的项目经理都会算。别等客户催交付了才发现环境没备好，预留弹性算力是 ToB 交付的基本盘。

五、避坑指南：楼宇能耗算力采购的五个坑

坑一：照着大模型项目的配置单买卡

为什么坑：有人一看"AI 节能"就照抄大模型训练清单，上来就问 8 卡 A100 整机报价。楼宇时序模型参数量级和 NLP、视觉大模型差着好几个数量级，8 卡整机租回来，利用率可能常年不到两成，纯属拿大炮打蚊子。

怎么避：先看你的训练集有多大——几十栋楼、一两年的逐时数据，V100S、A100 单卡就能跑；真到几百栋楼再考虑整机。把"数据量和模型规模"摆在显卡前面算，采购就错不了。

坑二：GPU 租了一堆，CPU 侧弱得可怜

为什么坑：楼宇平台是混合负载，特征工程、时序库、仿真这些 CPU 活占了大半。有人把钱全砸 GPU，CPU 主机配得抠抠搜搜，结果 GPU 天天等数据，训练速度上不去，平台跑起来整体像个瘸子。

怎么避：预算分配上给 CPU 侧留足位置。时序库和仿真这种多核并行活，一台双路裸金属比十台小云主机都顶用；先保证数据管线通畅，再谈 GPU 加速，别本末倒置。

坑三：群控推理想上"实时秒级"，被销售带去买顶级卡

为什么坑：群控的滚动预测周期是十几分钟到一小时一次，压根不是毫秒级实时控制，它对时延的要求是"够用"，不是"极致"。有人被"实时优化"的话术一激，买了远超需要的卡。

怎么避：记牢群控的真实节拍：十五分钟级的预测加寻优，T4 级推理卡算力绰绰有余。真有时延焦虑，先检查模型有没有做推理加速、特征有没有缓存，这些软件层的优化比换卡见效快十倍。

坑四：峰谷电价套利模型跑起来了，电价表却是"死"的

为什么坑：分时电价政策各省不同、还时常调整，尖峰时段和季节性电价一年变好几回。有人把电价表写死在代码里，政策一调，优化模型给出的"最优策略"全错，蓄冷蓄到高价段，反而亏钱。

怎么避：把电价表做成可配置的接口，和负荷预测一样按日更新；模型输入里加上电价序列的版本管理。算力配置上也别把"调度优化"想得太重，这类优化模型推理负载很小，真正的功夫在数据接口的维护上。

坑五：数据合规与内网隔离不提前想，上线被卡

为什么坑：楼宇能耗数据连着楼宇自控系统，有些项目还涉及机关、医院等敏感场所的用能数据，客户对数据出不出内网很敏感。等平台都搭好了才发现合规过不了，推翻重来成本极高。

怎么避：谈方案时先把数据部署形态定死：能接受云端的走云上租用，必须内网或专有的选合规机房托管或私有化部署，一万网络可协助对接合规机房、提供合规架构建议，具体按客户要求出方案。把合规前置到采购清单里，别等项目验收才发现上不了线。

六、常见问题 FAQ：楼宇算力这几问，一次说清

Q1：楼宇能耗 AI 到底需不需要 GPU？纯 CPU 跑不行吗？

A1：小范围试点、一两栋楼，CPU 确实能扛，模型小、推理频次低，慢点也等得起。但规模一上来就不行了：几十栋楼每十五分钟一轮预测加寻优，几百上千路仿真并行，CPU 排队排到天荒地老；训练那边更明显，一两年的逐时数据喂进 PatchTST 这类模型，GPU 比 CPU 快五到十倍。我的判断是：十栋楼以内可以先 CPU 起步，超过这个数直接上 GPU 加裸金属的混合架构，别在中间反复折腾。

Q2：为什么说这场景用不上大显存卡？

A2：因为模型小。时序预测模型的参数量通常在几千万到几亿这个量级，跟动辄千亿参数的大语言模型差了十万八千里。显存主要花在 batch 和序列长度上，32G 的 V100S 已经很宽裕，40G 的 A100 属于"想怎么开怎么开"。80G 的 H100 在这场景里基本是浪费——你塞不满它，等于每天交着顶级租金住小房间。预算有限就把钱省下来，投到数据质量和多楼并行的调度上去。

Q3：训练季一年几次？怎么安排租期最划算？

A3：节奏一般是两季大重训加若干次小更新：采暖季切供冷季、供冷季切采暖季各来一轮全量重训，加上新接入楼盘的模型冷启动，一年集中用卡三到五个月。安排上记住一条：把重训集中到同一两个月里，用包月卡集中跑，跑完即退；别把训练任务零零散散摊到全年，那样月月都在租训练卡，账面上多花好几倍。集中的活配季付或包月，常年的推理机锁年付，两头都占上便宜。

Q4：T4 推理卡的时延够群控用吗？

A4：够，而且富余。群控的真实节奏是每十五分钟到一小时滚动一次，一次预测加寻优给个几秒到十几秒都绰绰有余。T4 跑时序模型前向，单次推理在几十到几百毫秒量级，INT8 量化后更快。真正的瓶颈从来不在显卡，而在上游数据到位不及时——传感器数据晚到十分钟，再快的卡也得干等。先把数据链路的实时性做扎实，比纠结 T4 还是 A100 实在得多。

Q5：峰谷电价策略复杂吗？需要多强的算力？

A5：调度策略本身不算重，本质是一个带约束的优化问题，输入是未来一两天的负荷预测和电价曲线，输出是蓄冷放冷、主机启停的排程，单次求解在 CPU 上也就是秒级到分钟级的事。它真正吃的是上游——负荷预测要准，就得有长周期的历史数据支撑和定期重训的模型质量。所以别为"电价策略"单独配高算力，把算力花在让负荷预测更准上，价差自然赚得回来。

Q6：碳排放核算需要 GPU 吗？

A6：纯核算不需要，它是把逐时用电量乘排放因子再汇总，CPU 加数据库就能干。但"碳"和"算"往往绑在一起：做碳盘查要回溯一两年的逐时数据，做节能测算要跑大量仿真场景，这时候就轮到 CPU 和存储上场了。我的建议是碳排放核算挂在平台的数据服务层，跟报表系统放一起，别单独占 GPU 资源；真到要做全楼宇逐时碳流分析、光储充联合优化这类高级玩法，再考虑把仿真负载放到裸金属上并行跑。

Q7：数据涉及内网和敏感场所，能上云租吗？

A7：看客户要求。一般商业楼宇的能耗数据走云上没问题，做好账号权限和数据加密就行；涉及机关、医院、军工院所这类敏感场所，客户多半要求数据不出内网，那就别硬推云，选合规机房托管或私有化部署更稳妥。一万网络有自营机柜和多种部署形态，可协助对接合规机房、提供合规架构建议，具体按客户的安全要求出方案。合规的事，谈方案时就要定，别等验收前再补。

Q8：几十栋楼起步，第一年预算怎么排？

A8：我给你个稳妥的排法：推理主力一台 T4 定制整卡（官网价 ¥900 每月）常年跑，CPU 侧一台裸金属 E5-2698v4×2（官网价 ¥3999 每月，以官网实时价为准）扛时序库和仿真，训练季临时租一台 V100S 或 A100 定制卡集中重训两三个月。这样第一年的算力总投入能压在十万以内，还能覆盖几十栋楼的常态化运营；跑顺了、节能收益出来了，第二年再按需加码。先把"能稳定跑起来"做到，比一步到位买顶配实在。

七、总结：楼宇节能的算力账，算明白再掏钱

楼宇能耗 AI 和那些烧钱的生成式 AI 完全是两个物种：模型不大、负载不极端，但天天要跑、月月要维护、年年要重训。采购的正确姿势是三层分治——GPU 推理层用 T4 常年稳跑，训练层按季度临时租 V100S 或 A100，CPU 数据与仿真层用裸金属扛起来，弹性的小活丢给云主机。这一套配下来，几十栋楼的节能平台一年算力成本十万以内完全做得到，而它换来的空调节能收益，业内好的项目能做到两到三成——这笔账，怎么算都划算。我见过太多项目死在前置环节：数据没打通、特征没做好、合规没提前谈，再好的模型和显卡都救不回来。选服务商也一样，别只看显卡报价，看它有没有数据中心级的运维底子——一万网络深耕 IDC 19 年、2007 年成立，硬件故障 10 分钟自动迁移、7×24 中文工单这些明面承诺，比一句"我们卡便宜"靠谱得多。你只要记住：楼宇节能的算力，是"稳"字当头的生意，不是"快"字当头的军备竞赛。

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、香港自营与大陆节点页面，https://www.idc10000.net/），预估档位已标注并注明以实际核算为准，具体以签约时最新报价与合同为准。