人工智能把卡数加总，得不到一个集群。单园区的电力和冷却到顶之后，大训练会拆到多个园区去做，这件事已经在发生。多园区一起训，和单园区里加速器彼此同步成一体，是两种做法。液冷如果只到了芯片、园区水系统没接上，或者机房之间的同步比单园区慢一个数量级，卡数表都仍然很好看。2026年要先写最慢的那一跳，再允许使用「一个集群」这四个字。

人工智能集群痛点在用地图片上的楼当一个训练域

单栋楼的功率有上限。训练要的规模超过这个上限时，就得把一个作业拆到几座园区，中间用网络把梯度或激活对上。能对上，不等于和对面机柜一样快。一体集群里，卡和卡在同一套高速互联里，步长由机柜内部决定。跨园区时，步长由最远、最慢的那一跳决定。用卡数乘单卡速度去报整场算力，等于假设这跳不存在。

冷却也是分层的。热从芯片进液体，液体再到园区的水系统，水系统再经冷却塔排出去。只说液冷到了芯片，园区水管和冷却塔可以还是旧的、按低密度机房设计的。高密度机柜放进去，芯片侧的液体没有地方把热交出去，密度优势用不上。有的场地因此拆掉在建的低密度楼，改成能接高密度的设计。没拆、也没改水管，却把楼算进人工智能容量，是把土建进度当成了集群进度。

电力到顶和训练停止不是一回事。到顶的是这一座园区。方案可以是第二座园区，也可以是承认只能做较小的一体作业。两种方案的网络、同步和故障域完全不同，必须分列，不能都叫「我们有一个大集群」。

人工智能集群验收五步：卡数不是集群、到顶要写去向、同步单列、水系统单列、步长先核

1. 卡数合计禁止叫一个集群。先标明是一体互联，还是跨园区拼起来的。
2. 单园区功率或冷却到顶时，写下去向：缩小作业，还是多园区。不许写训练因此已解决。
3. 多园区方案必须单列同步方式、故障时怎么切、最慢一跳的延迟。
4. 液冷到芯片，和园区水系统、冷却塔，分列验收。芯片侧有液体不等于热出得去。
5. 机房之间光是连通，禁止写成延迟可忽略。同步步长用实测，不用连通与否。

上表把库存、链路、液体和作业切开。四个词都能出现在同一篇周报里，仍可能没有一次跑完的跨园区作业。

人工智能现场怎么判断是不是一个集群

给每次大作业发一张范围卡：卡在哪些楼、哪些园区，同步走的是机柜内互联还是园区之间的链路，允许的最大步长是多少。实测步长超过允许值，这张范围卡上的卡数不能加进「一体算力」。可以加进「参与过试验的卡数」，两个数禁止共用一个名字。

冷却验收走热的路径，不走采购清单。清单上有液冷接头，只说明芯片侧可能接了。要量的是：满负载时芯片液体的进出温差、热交到园区水系统之后冷却塔还有没有余量。余量没有记录，高密度机柜按不能满载记。旧楼若密度不够，要么改水系统和电力，要么不要把这栋的面积算进人工智能容量。改和没改，用竣工日期区分，不用设计稿区分。

多园区作业另做故障演练：切断最慢的那一跳，作业是停、是降级到单园区，还是静默地用旧数据继续。三种结果都要写进运行说明。没演练过的跨园区，保持「试验」状态，不能在容量总表里和一体集群加在一起。我们见过总表只有一个数，底下既有同一机房的一体柜，也有只做过连通测试的第二园区，评审按这个数去排训练，第二园区在第一次集合通信时把步长拖穿。

人工智能常见翻车是一张地图加上一个卡数

地图上画了三座园区，箭头表示「将会互联」。箭头是计划。卡数是已下单或已上架的合计。计划和库存相加，得到一个比任何一次真实作业都大的数。这个数一旦进了对外材料，后面的电力和网络都被迫去圆它。

另一类翻车是液冷项目验收看了机柜内部的管路照片，没看楼外的冷却塔。照片过了，夏天满载时热交不出去，密度又退回旧机房的水平。芯片侧的投入还在账上，容量却回来了。

结论：人工智能集群以一次作业里最慢的那跳为准，不以卡数合计为准

一体互联、跨园区同步、芯片液体、园区水系统，是四件器具。器具没齐，楼可以很多，卡可以很多，仍是若干堆设备，不是一个训练域。

你下次报集群规模，先交这次数作业的范围、最慢一跳的实测步长、热是否交到了园区水系统。三样空着，先不要把卡数加总叫成一个集群。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源