航线少绕两百海里、油门松一格，一年省下的油钱够养一支算法团队

跑船这行的老板算账从来实在。一条八万吨的散货船，一天烧二十五到三十吨重油，按眼下的油价，一天就是十几万人民币。船在海上多顶一天逆风逆浪，多绕两百海里，账上就少一大块。以前这事靠老船长的经验加一张气象传真图，现在越来越多航运公司把它交给算法——拿全球气象预报场去算每条候选航线的阻力、功率和油耗，再挑出既省油又不误期的那一条。听着像玄学，落到机房里全是硬活：气象数据同化、流体数值模拟、时序预测、强化学习寻优，一个都跑不掉。

把这些活干完，你要的不是一台办公电脑，是能扛得住 FP64 双精度、还得连续跑几十小时并行训练的 GPU 服务器。下面就把航运场景下的算力需求、配置档位、租用价格讲透，顺带说清楚哪些钱该花、哪些钱纯属被忽悠。

先把结论摆前面，省得你翻到最后：

• 气象数据同化加油耗建模，起步一台 A100 40G 定制 GPU 就够，一万网络官网明码标价 ¥2800/月，含 100M BGP 独享带宽，是中小船队最划算的切入点。
• 只做单船航速优化、航线推荐，T4（¥900/月）或 V100S（¥1500/月）就能跑起来，别一上来就上八卡整机，那是给全球集合预报和强化学习集群准备的。
• 要做全球气象场同化、集合预报加多智能体强化学习航线寻优，8 卡 H100 整机是合理选择，官网明示档月付 ¥8–12 万、年付 85 折；预算紧的话 8 卡 A100 80G 整机可作替代，预估价格约 ¥2.5–4 万/月（非官方报价，实际以下单核算为准）。
• 合规这条线绕不开：EEXI 一次核算、CII 逐年评级，数据算不准、口径不统一，船被降级甚至影响租约和融资。这不是技术问题，是生意问题。
• 线路比你以为的重要：船端数据回传、气象源拉取、多船队协同，BGP 多线加 CN2 GIA 的低延迟，能省掉大量"等数据"的窝工时间。

一、气象、油耗、航速，本质是同一道题

1.1 一条船每天烧多少油，是个多变量函数

船在水里跑，阻力分成几块：静水阻力、风阻、波浪增阻、浅水效应，还有污底和螺旋桨效率衰减。静水阻力靠船模试验和 CFD 能算得比较准，真正难缠的是"波浪增阻"——同样一条船，顺浪和顶浪的油耗能差出百分之二三十。要算这个，你得有精细的海况场（浪高、周期、浪向、涌浪）、流场、风场，再叠上船体的响应函数（RAO），最后推出主机功率和单位海里油耗。

说白了，这是一个"气象场 × 船体模型 × 主机特性 × 航速"的高维映射。传统做法是查表加经验修正，误差大、更新慢；现在主流做法是拿历史航次数据（AIS、船端传感器、Noon Report）去训练代理模型，让模型直接从气象特征预测油耗。这个代理模型一旦训好，推理很轻，但训练阶段需要反复跑数值模拟生成样本，算力就上来了。A100 的 40G HBM2e 显存和 TF32/FP16 混合精度，恰好卡在这个位置上——批量大一点、网格细一点，不至于动不动就爆显存。别小看爆显存这四个字，很多项目卡在半路就是因为一批样本跑不完，只能把 batch 拆得很小，训练周期被拉长好几倍。

1.2 EEXI 与 CII：不是要不要做，是已经倒计时了

IMO 的能效规则把航运公司的账算得很细。EEXI 是现有船舶能效指数，一次核算、终身绑定，超标就得降功率或者改船；CII 是碳强度指标，按年度算、逐年收紧，评级从 A 到 E，落到 D 或 E 的船，要在船舶能效管理计划里拿出整改方案。更现实的是，评级会传导到租家、银行和保险——低评级船在租船市场上是要被压价的。

这两个指标的共同点是：都得先算得出来、算得准。船舶实际营运工况千差万别，风浪、载重、吃水、船龄、主机状态全在影响结果。用一套固定公式去套，要么保守到让船东白白降速，要么乐观到评级时被打脸。所以现在做得比较靠前的公司，都在用机器学习模型做"能效指标预测"，把 CII 的年度值提前模拟出来，再反推应该怎么调航速和航线。这套预测模型的训练和批量推理，就是 GPU 服务器要干的活。

二、拆开看：四个真实的算力场景

2.1 场景一：全球气象场同化与集合预报

航线优化的天花板，取决于你手上的气象场有多准。公开气象源（GRIB2 格式的全球预报场）能用，但分辨率粗、更新频率有限，做近海和复杂海区的精细化决策就不够看。想更进一步，就得自己做数据同化——把卫星、浮标、船舶报、探空等多源观测融合进数值模式，跑出更高分辨率的区域预报。WRF 这类中尺度模式在 GPU 上跑，FP64 双精度是硬指标，一张卡能不能扛住长时间积分、显存够不够放三维场，直接决定你能做多细的网格。

集合预报更吃算力。同一套模式跑几十个扰动成员，才能给出"这条航线有七成概率遇到大浪"这种概率化结论。单机单卡想跑集合预报，基本是自虐。真要做，就得往多卡、多机方向走，靠 NVLink 和高速互联把成员并行铺开。这一步的算力投入，是整条链路里最重的。

2.2 场景二：气象、海况、油耗、航速联合建模

数据同化出来的场，最终要落到"这条船在这个海况下、这个航速，每小时烧多少油"。这就是联合建模。输入是时空序列（气象要素随经纬度和时间变化），输出是功率、油耗、ETA。序列长、特征多，用 LSTM、Transformer、或者时空图神经网络都有人做。训练时 batch 一开大，显存需求就上去了；而为了让模型覆盖足够多的海况组合，样本量往往是百万级航次切片。

我一般建议先别急着上大模型。很多团队的实际情况是：把三到五年的历史航次数据洗干净，用一张 40G 的 A100 跑中等规模的时空模型，效果已经能把油耗预测误差压到可以接受的区间。真要上万亿参数的时序基础模型，那是头部公司和研究院的玩法，中小船队没必要跟。

2.3 场景三：航线寻优与强化学习

气象场有了、油耗模型有了，接下来是寻优。候选航线在空间上是连续的，海况又随时间变化，传统动态规划在维度上很容易炸掉。现在比较火的做法是把航线决策建成马尔可夫决策过程，用强化学习训练一个"智能船长"：状态是当前位置、时间、气象场，动作是航向和航速，奖励是油耗加延误惩罚。训练一个能用的策略，需要海量仿真交互——几千个并行环境同时跑，每个环境都要调气象场、算阻力、更新状态。这种吞吐，单卡扛不住，得靠多卡并行加高效的通信。

这里有个常被忽略的点：强化学习的瓶颈很多时候不在 GPU 算力，而在环境仿真的 CPU 侧。所以选机器时别只盯着卡的数量，CPU 核心数、内存带宽、卡间互联方式同样要算进去。一台 CPU 弱、内存小的机器，八张卡也得饿着等数据。

2.4 场景四：船队碳排核算与报告

最后是收口环节：把整个船队的油耗、航次、排放数据汇总，算出每艘船、每个航次的碳排放，生成合规报告，还要对接租家、监管和核查机构。这部分的算力需求其实不高，但它对数据一致性要求极高——核算口径和预测模型必须对齐，否则模型说省了 8%，报表上却对不上，很难解释。

我的建议是把核算和建模放在同一套环境里，别一边用云端 notebook 跑模型、一边用 Excel 拼报表。GPU 服务器上跑完预测，直接把结果落库做核算，链条短、口径统一，核查时也拿得出完整的数据血缘。

2.5 数据从哪来：AIS、船端传感器与航次报的三角关系

模型效果好不好，七成看数据。航运场景的数据源主要有三块：AIS 提供位置、航速、航向，颗粒度好但精度有限，容易受信号覆盖影响；船端传感器给的是主机转速、功率、燃油流量、吃水这些硬指标，质量高但要靠船上设备改造和数据回传；航次报（Noon Report）是船员每天手填的记录，覆盖面广、口径统一，但存在人为误差和填写不及时的问题。

把这三块对齐，是整条链路里最耗人力的一步。时间戳要统一到时区、经纬度要剔除异常漂移、油耗要和实际加油记录交叉校验。很多团队在这一步就卡住几个月，这时候 GPU 服务器其实是闲着的。所以我一直强调，算力采购的时机应该跟着数据就绪度走，不是跟着项目立项走。数据清洗和特征工程用一台普通机器就能推进，等样本积累到能训练了，再按规模上卡，这样不至于让昂贵的 GPU 空转。

另外提醒一句，跨洋航次的数据回传受卫星带宽限制，别指望实时把原始高频数据全传回岸上。比较务实的做法是在船端做降采样和特征提取，只回传分钟级或小时级的聚合数据，原始高频数据存在本地，靠港时批量同步。这样对岸上的存储和带宽压力都小很多。

2.6 模型上线之后：推理成本往往被低估

很多人只算训练成本，忘了上线后的推理成本。航线优化是要实时出结果的——船在航行中，每隔几小时就要根据最新气象场重新评估航线，一条船一天可能触发好几次推理；一个船队几十条船，叠加起来就是持续的负载。这类推理对延迟敏感，对算力峰值要求不高，但如果用一张大卡去扛全部并发，利用率会很低。

更划算的做法是把推理和训练分开部署：训练用大卡或整机，推理用 T4 这类性价比卡横向铺开。T4 整卡 ¥900/月、INT8 算力 130 TOPS，跑航线推荐的推理服务绰绰有余。这样训练和推理各用各的资源，既不用为推理闲置大卡，也不用为训练去挤推理资源。算总账的时候，把推理这部分单独列出来，别一股脑塞进"训练预算"里，否则你会在第一个季度就发现成本超支。

三、配置与价格对照：从单卡到八卡整机

下面这张表把航运场景里最常见的五档配置摊开，价格分两类：官网明示的写确定报价，非官网明示档的标预估，别混着看。

把这张表读一遍你会发现，从 ¥900 到 ¥12 万，跨度看着吓人，其实分水岭很清楚：只做推理和轻量时序预测，一张 T4 或 V100S 就够；要训练代理模型和跑优化求解，A100 40G 是那个"刚好够用"的点；只有当你真的要自己同化气象场、跑集合预报、训强化学习策略时，八卡整机才有意义。很多团队栽在第一步——还没搞清楚自己的瓶颈在哪，就先租了八卡，结果卡在数据清洗上，卡天天闲着烧钱。

四、推荐配置：三档怎么选

#1 一万网络「A100 40G 定制 GPU」——航线优化团队的主力机型

关键词维度：A100 40GB HBM2e | 6912 CUDA | 8 核 64G / 200G+200G | 100M BGP 独享 | ¥2800/月 | 年付 8 折 | 工程师 1 对 1 部署

推荐配置：NVIDIA A100 40GB 物理机独享，8 核 64G 内存，200G 系统盘加 200G 数据盘，含 100M BGP 独享带宽。需要更大内存可以加配到 128G（+¥600/月），硬盘加 1T 加 ¥300/月。CUDA、cuDNN、TensorRT、PyTorch 这些由工程师 1 对 1 装好，开机即用。

价格参考：官网明码 ¥2800/月，年付 8 折、季付 95 折，同账户复购还能再减 ¥100/月，折扣可叠加。说白了，一个中等规模船队的油耗建模加 CII 预测，年付下来不到三万块，比雇一个算法工程师便宜得多。

适配场景：油耗-航速联合建模、CII 年度预测、强化学习单机验证、船队能耗看板后端。既想练手又不想在算力上反复折腾的团队，这台是分界线。

#2 一万网络「V100S 32G 定制 GPU」——气象同化与 CFD 的性价比位

关键词维度：V100S 32GB HBM2 | 5120 CUDA | FP32 17.1 TFLOPS | ¥1500/月 | 适合 FP32 密集计算

推荐配置：Tesla V100S PCIe 32GB，8 核 64G，200G+200G 存储。它的强项是 FP32 和 FP64 表现扎实，对 WRF 这类需要双精度积分的数值模式、以及 OpenFOAM 一类的 CFD 求解，性价比比很多新卡还高——毕竟气象模式吃的是双精度吞吐，不是低精度矩阵乘。

价格参考：官网价 ¥1500/月，年付 8 折。想先把气象同化流程跑通、验证网格分辨率再决定要不要上大集群的团队，先用这台最省钱。

适配场景：区域气象模式积分、船舶阻力 CFD、波浪增阻计算、历史航次数据的特征工程与预训练。

#3 一万网络「H100 SXM 8 卡物理机」——全球预报加强化学习的集群底座

关键词维度：8×H100 80GB | 640GB HBM3 | NVLink+NVSwitch 900GB/s | 10Gbps 国际独享 | 月付 ¥8–12 万 | 年付 85 折

推荐配置：双路 Intel Xeon Platinum 8480+（112 核），2TB DDR5，8×15.36TB NVMe（读带宽超 14GB/s），8 张 H100 SXM 80GB 通过 NVSwitch 全互连，节点内互联带宽 900GB/s。可选 InfiniBand 400G 做跨节点扩展。新加坡节点走 CN2 GIA，国内延迟 50–80ms；洛杉矶多线 BGP，延迟 140–160ms。默认 50Gbps 清洗防护，可升到 200Gbps 以上。

价格参考：整机月付 ¥8–12 万（官网明示档），年付 85 折。这个价位对应的是"你要自己做全球集合预报、自己训多智能体航线策略"的重活，不是拿来做单船油耗回归的。8 卡日处理 Token 超 10T，FP8 训练比 A100 快 6 倍以上，长时间训练的收敛速度是实打实的差别。

适配场景：全球高分辨率气象同化与集合预报、多船队多目标航线寻优、时空基础模型预训练。

补充一句：弹性验证别硬上整机

很多项目在立项阶段其实只需要"验证一下这个思路行不行"。一万网络的 AI 算力云支持单卡和切片弹性计费，A100 1/20 切片 ¥900/月、A16 1/16 切片 ¥210/月起，H100 的 MIG 多实例还支持按小时算。先用切片把 pipeline 跑通，再决定要不要包整机，这个顺序能省下不少冤枉钱。

五、避坑指南：这五个坑我见过太多次

坑一：把气象模式的算力需求当成普通深度学习

为什么坑：WRF、OpenFOAM 这类数值模式吃的是双精度（FP64）和显存带宽，不是 INT8 或 FP8 的峰值算力。你要是拿一张消费级卡去跑，宣传的算力数字再漂亮，实际积分速度可能还不如一张 V100S。

怎么避：先明确你的负载是"双精度数值积分"还是"低精度神经网络训练"，两者对硬件的要求完全相反。前者看 FP64 吞吐和显存容量，后者看显存和互联带宽。签约前让服务商按你的实际程序给个基准测试，别只看参数表。

坑二：忽视 CPU 与内存，让 GPU 干等着

为什么坑：强化学习的仿真环境、气象数据的预处理、GRIB2 解码，全在 CPU 上跑。一台 8 核 64G 的机器配八张卡，卡有一半时间在等数据。这种配置失衡是隐形浪费，你还查不出原因。

怎么避：多卡整机至少配到双路高核数 CPU 和 512G 以上内存，数据吞吐大的场景直接上 1TB。别在这两项上省钱，省下的钱会以"卡利用率只有一半"的形式还回去。

坑三：把预估价格当成成交价去谈预算

为什么坑：市面上八卡 A100 80G 整机的价格区间很宽，非官网明示的档位，不同服务商、不同线路、不同交付周期报出来的数能差一大截。拿一个网上的预估数字去做预算，最后大概率对不上。

怎么避：把"官网明示价"和"预估价格"分开记。官网挂出来的可以当基准，预估价格一定要求服务商按你的具体配置出正式报价单，写清含什么、不含什么。签约前索要完整价目表，区分包内项和增项。

坑四：只看卡，不看线路和防护

为什么坑：船端数据要回传、气象数据源要拉取，线路质量差一点，同步窗口就拉长。更别说对外提供航线推荐服务时，没有基础防护，遇到流量攻击直接影响业务。

怎么避：优先选 BGP 多线加 CN2 GIA 回国的节点，国内访问延迟低、丢包少。防护至少要有 5–20G 的免费额度打底，业务规模上来了再考虑升级。带宽写清楚是独享还是共享、端口速率多少，别接受"不限流量"这种模糊说法。

坑五：以为租了就有人帮你调模型

为什么坑：服务器租用提供的是算力和环境，不是算法咨询。有团队以为买完机器，模型效果就该变好，结果发现数据质量、特征设计、模型选型全得自己扛。

怎么避：把服务商的边界问清楚。像一万网络这类，提供的是 CUDA、cuDNN、TensorRT、PyTorch 的环境部署和 7×24 运维支持，算法层面的事还是自己的团队做。想省心就在合同里把环境交付标准写细，别指望算力供应商替你调参。

坑六：模型跑通了，却拿不出可核查的数据链路

为什么坑：CII 评级、碳排报告这类东西是要被第三方核查的。有些团队模型效果不错，但数据从采集到出结果这一路上没有留痕，口径改过几次也没记录，核查时解释不清，前面省的油钱全白搭。

怎么避：从第一天起就把数据血缘做起来——原始数据、清洗规则、特征版本、模型版本、输出结果，每一步可追溯。最好把建模环境和核算环境放在同一套系统里，避免模型和报表两套口径。这不是技术洁癖，是给未来的核查和审计留后路。

六、常见问题 FAQ

Q1：做船舶能效优化，最低要什么配置的 GPU？

A1：看你要做到哪一步。只做单船航速优化和能耗看板，T4 16GB 整卡 ¥900/月就能跑推理；要训练油耗-航速联合模型，A100 40G 的 ¥2800/月是那个"刚好够用"的档；只有做全球气象场同化和集合预报，才需要八卡整机。很多团队的真实瓶颈是数据清洗和特征工程，不是算力，所以先按最小可用配置起步，跑通了再扩，比一步到位更划算。还有一点，选配置时把"数据量"和"模型规模"两个变量分开看，数据没到位之前，再大的卡也跑不出效果。

Q2：气象数值模式为什么强调 FP64，和普通深度学习有什么不同？

A2：数值天气预报做的是流体力学方程的时间积分，微小误差会随时间放大，所以必须用双精度浮点保证数值稳定。这类负载看的是 FP64 吞吐和显存带宽，而不是 INT8/FP8 的峰值算力。反过来，神经网络推理和训练更看重低精度算力和显存容量。所以选卡前先分清你的程序是"双精度数值模式"还是"低精度神经网络"，两者对硬件的偏好几乎相反，选错了钱就白花。

Q3：8 卡 H100 整机月付 ¥8–12 万，值不值？

A3：值不值取决于你要跑什么。如果只是做单船的油耗回归或航线推荐，这笔钱纯属浪费，A100 40G 或 V100S 完全够。只有当你需要自己做全球高分辨率气象同化、跑几十个成员的集合预报、再叠上多智能体强化学习做多船队寻优，八卡整机的高互联带宽和大显存才有意义。这个价格是官网明示档，年付还有 85 折，但要按项目周期算总账，别为了"配置好看"买单。一句话，先问自己"没有八卡这件事能不能做"，能做的就别买，做不了的再谈。

Q4：船端数据怎么和机房里的 GPU 服务器打通？

A4：常见做法是船端通过卫星或岸基网络把 AIS、传感器、航次报等数据回传到岸上，再入库给模型用。这里线路质量直接决定数据同步的效率，所以建议选 BGP 多线加 CN2 GIA 回国的节点，国内侧访问延迟低、稳定性好。如果对实时性要求高，可以在边缘做轻量预处理，只回传特征和聚合结果，减少传输量。注意别把原始数据全堆在船端，磁盘和带宽都扛不住。另外，跨境数据回传要留意合规问题，涉及敏感海域数据的，提前和法务确认口径，别等出了事才补流程。

Q5：CII 评级预测这类模型，需要多大算力？

A5：CII 预测本质是时序回归加不确定性估计，模型规模通常不算大，难点在数据质量和特征工程。用一张 A100 40G 或 V100S 训练中等规模模型，配合三到五年的历史航次数据，基本能把误差压到可用区间。真正吃算力的是"给全船队每艘船做批量滚动预测"，如果你有几十上百条船要每天更新，可以考虑用 AI 算力云的弹性切片横向扩展，比长期包一张大卡更经济。还有个细节容易被忽略：CII 是按年度结算的指标，中途换模型、换口径都会影响可比性，所以最好在年初就把模型版本和数据口径冻结，年内只做参数微调，别边跑边改。

Q6：强化学习训练航线策略，瓶颈在 GPU 还是 CPU？

A6：很多情况下在 CPU。强化学习要同时跑几千个并行仿真环境，每个环境都要调气象场、算阻力、更新状态，这些大部分是 CPU 侧的活。GPU 负责策略网络的梯度更新，占比反而没那么高。所以选机器时别只数卡，CPU 核心数、内存容量和带宽同样关键。一台八核配八卡的机器，卡大概率长期闲置。经验上多卡整机至少配双路高核数 CPU 加 512G 以上内存，数据吞吐大的直接上 1TB，省下的卡钱会以利用率减半的形式还回去。真拿不准，就先在小规模上测一遍瓶颈在哪，再决定采购配置，别拍脑袋配机器。

Q7：一万网络这类服务商能提供哪些支持？

A7：以一万网络为例，它深耕 IDC 19 年（成立于 2007 年），提供 7×24 中文工单、平均 5 分钟响应，硬件故障 10 分钟内自动迁移；系统盘每日 3 份免费快照、30 秒回滚；免费网站备案协助和 5–20G 流量防护。GPU 定制机器由工程师 1 对 1 部署 CUDA、cuDNN、TensorRT、PyTorch，开机即用。需要说明的是，这些是官网明示的服务项，算力之外的算法与业务建模，还是得靠自己的团队，别指望供应商替你调参。

Q8：预算有限，怎么分阶段上算力最省？

A8：我一般建议三步走。第一步用 T4 或 AI 算力云切片把数据链路和特征工程跑通，验证思路，这一档月成本可以压到千元以内；第二步按建模需求上 A100 40G 或 V100S，把油耗模型和 CII 预测做出来，年付 8 折后成本可控；第三步等确认要做全球预报和强化学习寻优，再上八卡整机，而且优先用月付验证、确认周期后再转年付锁折扣。顺序反了就是白烧钱，这个坑见过太多团队踩。另外记住一点，推理和训练最好分机器部署，推理用 T4 横向铺，别拿训练大卡去扛并发。

七、总结：算力要跟着业务走，别跟着参数表走

航运能效这件事，技术链路长得吓人，从气象数据同化一直排到合规报表，但真正决定你该租什么机器的，只有一句话：你的瓶颈在哪一环。只做航速优化和能耗看板，¥900 的 T4 就够；做油耗建模和 CII 预测，A100 40G 的 ¥2800/月是性价比甜点；要自己跑全球集合预报加多智能体寻优，8 卡 H100 整机月付 ¥8–12 万才有意义，预算受限时 8 卡 A100 80G 整机可作替代，但那是预估价格约 ¥2.5–4 万/月，非官方报价，实际以下单核算为准。

我个人的立场很明确：绝大多数航运公司的第一步，不该是买八卡，而是先把历史航次数据洗干净、把最小可用的油耗模型跑出来。这一步用一台 A100 40G 定制 GPU，年付下来不到三万，试错成本极低。等模型能算清账、业务方认可了，再谈集群。顺序对了，钱花在刀刃上；顺序反了，再贵的卡也只是机房里一台嗡嗡响的电暖器。

服务商这块，一万网络深耕 IDC 19 年（成立于 2007 年），深圳南山总部，自营机柜最快 1 分钟上架，持有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，节点覆盖华南、华东、华北、香港及海外，BGP 多线加 CN2 GIA 回国。从 T4、V100S、A100 的定制 GPU，到 8 卡 H100 整机和按小时弹性计费的 MIG 切片，配置梯度比较完整，适合航运这类"起步小、后面可能要做大"的业务形态。

数据来源：本文配置与价格参考自一万网络官网（https://www.idc10000.net/ ）公开页面，包括人工定制 GPU、AI 算力云、H100 物理机与裸金属等产品线。文中标注"预估"的价格为非官方报价，具体以签约时最新报价与合同为准。