上一篇在算电协同学习笔记（一）中我们挖了一个坑：不是所有数据中心都适合搬到西部，也不是所有算力任务都是弹性的。上篇文章的评论区也有声音认为算电协同是个不可落地的宏观构想。

要想回答上面的问题，我们得研究一下算力中心的负荷特性。

这一篇尝试从算力任务分类入手，继续攒吹牛的墨水。

01 算力任务不是一种负荷

很多时候，我们会笼统地说“数据中心耗电”、“AI 算力很吃电”、“算力要跟着绿电走”。这些说法都对，但还不够精确。

因为数据中心里跑的不是一种任务，而是一堆性格完全不同的任务。

-有些任务像微信支付、汽车导航，必须马上响应。

-有些任务像双十一网购下单，用户一多就会瞬间冲高。

-有些任务比如AI大模型训练，一跑就是几天几周。

-还有些任务像数据备份、仿真实验，可以等到电价低谷、绿电大发时再慢慢跑。

所以，算电协同不能简单理解为“把数据中心搬到西部”，也不是单纯地“让数据中心跟着电价随开随停”。

真正的问题是：

什么任务必须靠近用户？什么任务可以放到西部？什么任务需要通过预测优化容量？什么任务可以通过电力交易和调度实现降本？

如果从电力系统视角看数据中心，很容易把它看成一个大负荷。

但如果从算力系统内部看，它其实是由很多不同任务叠加而成的。从阿里、谷歌公开的数据可以看到跑在数据中心的任务有几十、上百种。

我想从非IT专业的视角，或者干脆从电力人的视角出发，把这些任务从两个维度交叉分类。

一是时延敏感性：能不能等？

二是中断容忍度：能不能停？

两两组合，我们可以延伸为四个场景。

02 实时响应型在线任务：马上要答案

第一类是实时响应型在线任务。

比如金融交易、支付风控、汽车导航、网约车派单、工业控制、自动驾驶边缘计算等。

这类任务的特点是：用户或者设备正在等结果，时延敏感性非常高，中断容忍度非常低。

比如像我这种开车重度依赖导航的人，一旦车机导航反应慢，我能在西直门桥上玩一天；打王者的时候关键团战一个460ms延迟，大概率就是掉星加被队友举报；还有像扫码支付的时候，如果支付界面一直转圈会让人心态瞬间炸裂。

这些场景我们需要计算任务必须快速响应，不能慢、不能断、不能随便迁移。

所以它们必须靠近用户、交易所、工厂和业务现场。对这类任务来说，算电协同的核心不是“省电”，而是保供、低时延、高可靠。

这类任务不是拿来调节电网的，而是需要电力系统重点保障的数字基础设施。

03 高并发在线型任务：人一多就冲高

第二类是高并发在线型任务。

比如搜索、推荐、短视频、直播、在线广告、生成式AI等。

这类任务不一定像金融交易那样追求毫秒级响应，但它们高度依赖用户行为。用户什么时候集中访问，算力负荷就什么时候上来。

晚上刷短视频的人多，推荐系统就忙；电商促销季，搜索、推荐、广告、支付链路都会冲高；热点事件发生后，AI问答请求可能突然暴增。

这类负荷不是完全刚性，但也不能简单停掉。它更适合通过访问量预测、GPU利用率预测、排队时延预测来提前做容量优化。

近1年生成式AI需求井喷式爆发，我们研究了阿里开源的cluster-trace-GenAI数据包，里面提供了文生图、图生图等需求调用数据，在建立算力-时间-电力的映射关系后，我们得到了下面这个曲线。

这类任务算是比较典型的高并发任务，本质上由“用户娱乐/创作行为驱动”。白天大家在工作、上课、开会，创作的需求少；晚上下班后，用户开始刷内容、做图、试prompt、调模型、改图片，算力需求就上来了

这类任务时延敏感性没有那么高，允许分钟级别的响应，也可以接受排队。但是从曲线形状上来看，和光伏的出力特性是正好相反的。

（需要注意的是，生成式 AI 推理内部也不是一种负荷。AI 聊天、简单文生图更接近在线服务，需要尽快响应；批量出图、高迭代步数生成、批量视频生成，则可以排队和错峰，具备一定柔性。）

04 长周期高强度计算任务：一跑就很久

第三类是长周期高强度计算任务。

比如大模型训练、自动驾驶模型训练、工业仿真、科学计算等。

这类任务的特点是：不一定要马上开始，但一旦开始，最好连续运行。因为训练任务中断虽然可以通过断点续训，但仍然会带来时间损失、资源浪费和调度成本。

有点类似炼钢，什么时候开火可以商量，一旦炉子烧起来了，突然断火就很麻烦。

从电力系统看，这类任务往往形成高功率、长持续的算力基荷。它们非常适合与西部新能源、电力交易、绿电直连结合。

我们对阿里开源的cluster-trace-gpu-v2020的数据包做了统计，数据来自阿里巴巴人工智能平台的一个大型生产集群，该集群拥有超过6500个GPU（分布在约1800台机器上）。

做典型日归一化处理后，发现长周期GPU训练任务（持续时间中位数271小时）占据了大量的算力需求，可以将其理解为数据中心的“基荷”。

这类任务不适合频繁响应电价或电网调度，但可以做提前排程、绿电合约匹配。

数据中心选址优化、跨区域算力迁移。

05 机会型弹性任务：有空再算、便宜时多算

第四类是机会型弹性任务。

比如数据备份、离线报表、视频转码、模型实验、参数搜索、低优先级训练、批量后台生成等。

这类任务的特点是：可以等、可以排队、可以中断、可以迁移。

就像电动汽车停楼下充电，不一定非要现在充，可以等到夜间电价便宜或者新能源大发的时候再充。

这类任务就是算电协同里（从电网视角看）最有价值的柔性负荷。

不过根据阿里公布的cluster-trace-v2026-spot-gpu数据集，机会型弹性任务的占比无论是任务数量还是占用的GPU时长都很小。

虽然这些数据集不是所有数据中心全貌，不过也侧面说明了一个问题：算电协同不能指望调动整个数据中心负荷，真正能调的是边际柔性负荷，比例可能不高，但只要规模足够大、调度机制足够成熟，仍然可以形成有价值的需求响应资源池。

06 总结

用一张表概括上面四类算力任务场景：

到这我们可以尝试回答开篇的问题了。

算力任务的时延要求、优先级、中断容忍度和迁移能力，决定了它应该在哪里算、什么时候算、用什么电、如何参与市场。

所以，东数西算不是“所有数据都往西搬”，而是“实时任务靠近用户，训练任务靠近绿电，在线任务依靠预测，弹性任务跟随电价。”

算电协同像是情侣谈恋爱，是一个相互看见、相互磨合、甚至相互妥协的过程。一旦一方只提要求不提付出，协同大概率不会有理想的结果。

对于电网和算力中心来说，现阶段可能是“一个协同、各自表述”的时期，电不了解算、算也不了解电。

所以，我理解算电协同真正要改变的，不只是数据中心的供电方式，而是算力产业的运行方式。如何让电力系统看得见算力任务，如何让算力系统看得见电价、绿电和电网约束，才是算电协同从概念走向工程落地的关键。

以上粗浅认知还请专业人士批判。