摘要: 本文整理了近五年十余个工厂算力项目的落地踩坑经验，针对离散制造、机加工类工厂的实际场景，从需求测算、架构选型到硬件配置，给具有一定基础的中级工程师分享可落地的实操经验，避开厂商营销挖的坑。
别上来就堆硬件，先算清楚实际算力需求
很多工厂做算力规划，第一步就错了。上来先找厂商要方案，厂商往大了报，预算直接超一倍，最后闲一半算力吃灰。
前两年给江苏一家汽配冲压厂做在线检测项目，客户一开始定的是8台V100服务器，说要给12条线做全视觉检测。我帮着算需求，单工位1080P分辨率的YOLOv8缺陷检测，单帧推理的半精度算力需求是12TOPS，每条线3个检测工位，1秒出2帧结果，单条线满负荷也就72TOPS，12条线撑死了864TOPS。一块RTX A10的半精度算力是230TOPS，四块就够。加上冗余，两块备线，六块都用不了，挂在两台边缘服务器上就行。最后预算砍到原来的四分之一，跑了两年多，误报率比之前预想的还低0.2个百分点。
很多人说算力要留冗余，没错，但冗余不是往多了瞎堆。按照工信部《工业算力网络技术要求》的规范，实时算力的冗余预留不超过30%，非实时算力预留不超过50%就足够应对未来两到三年的产能扩张。真不够，后期加节点比一开始堆一堆闲着想办法消化容易多了。
说实话，我见过太多工厂，投了大几千万建算力中心，最后拿来挂办公系统，剩下的算力往外租，那何必呢？对吧。
中心算力还是边缘算力？别跟风全压一边
这两年边缘计算火，好像工厂不上全边缘部署就是落伍。我踩过这个坑，之前给一家新能源电池结构件工厂做方案，一开始听厂商忽悠，全工位上边缘节点，结果成本上去不说，排产优化的大模型，碎片化边缘算力拼不起来，跑一次排产要四个小时，原来的旧系统跑只要一个半小时。
其实根本没那么复杂，分场景就行。低延迟、高实时的任务，必须放边缘，比如冲压成形的在线预测，加工精度的实时补偿，要求100ms以内出结果，放中心机房，网络来回绕一圈，延迟就超标了。但那种非实时的大计算量任务，比如月度排产优化、工艺参数寻优、设备故障的全数据建模，放中心算力池就行，不仅调度方便，成本也比分散放边缘低太多。
之前遇到过一个低级错误，边缘节点放在车间，网络穿墙穿钢结构，5G的丢包率能飙到10%以上，全量回传原图直接断流。后来改了规则，边缘只做推理，只回传检测结果和缺陷截图，流量直接砍了99%，问题就解决了。
按照现在行业里的通用分级，L0级的现场实时控制，算力放设备端；L1级的单元检测控制，算力放车间边缘；L2级的工厂级调度优化，放工厂中心；L3以上的集团级建模，放云端就够。别乱了层级，乱了就是花钱买坑。
选型避坑：那些看起来好实则没用的花活
说实话，厂商推的很多新配置，真不适合工厂用。举个最常见的，全液冷算力柜。很多厂商说算力密度高，节能，我去年陪客户处理过一次全液冷的故障，北方的车间灰尘大，滤芯半个月堵一次，维护不到位，水管结垢，最后漏液传感器误报，直接触发整柜断电，那天停线四个小时，损失小两百万，那叫一个心疼！
实际上呢，工厂的算力部署，单柜算力密度一般不会超过8kW，普通的工业级风冷柜，加一层可更换的防尘网，改造一下进风通道，散热完全够用，成本只有全液冷的五分之一不到。维护也简单，每周换一次防尘网，十分钟的事。
还有一个坑，就是追新卡。很多人说买最新的GPU算力高，性价比好。工业场景和互联网不一样，工厂的设备一用就是五到十年，你买最新发布的卡，过两年供应链停产，坏一块连备件都找不到，停线等货等半个月，亏的钱够买十块卡了。我现在做选型，优先找上市两三年以上，工业级备货充足的卡，哪怕算力低一点，胜在稳定，备件好找。比如A10，虽然停产了，但是市面上备件足，工业级宽温支持，机柜里四十多度都能稳定跑，比新出的很多消费级卡靠谱多了。
还有虚拟化，很多工厂上来就全节点虚拟化，所有算力都池化调度，看起来利用率高，实际上实时任务的调度抖动能超过100ms，视觉检测赶不上生产线节拍，误报率直接翻三倍。所以做隔离的时候，实时任务一定要绑定物理核心或者用SR-IOV做硬件隔离，别为了那点利用率牺牲稳定性，工厂生产，稳定比什么都重要。
工厂算力部署，本质是给生产服务的，不是放那摆样子看参数的。不用追热点，不用凑参数，把自己生产环节的需求摸清楚，对应选型，避开这些坑，自然就能做出来好用又省钱的方案。
