摘要：国内多数制造工厂完成数字化改造后，普遍存在算力分散、负载波动大、整体利用率偏低的问题，很多工厂花大价钱堆了算力，还是一到高峰就卡壳，淡季就浪费。本文结合近五年十多个工厂落地项目的踩坑经验，讲清楚工厂算力资源调度的核心矛盾、落地常见坑，以及不同规模工厂的落地方案，全是实操干货。
你真的知道工厂里的算力缺口长什么样吗？
去年在东莞给一家做汽车结构件的工厂改数字化，进去第一看。车间里三台GPU服务器，一台跑AI缺陷检测占了70%显存，另一台闲得打盹跑夜班的日志备份，第三台一半算力挂着数字孪生仿真，一半空着没人用。白班换班的时候，产线开了12台质检相机，一下子要抢算力，直接卡了十分钟，停线损失小两万。
很多工厂现在的算力配置，就是各个部门自己买自己的，工艺部买服务器跑仿真，质量部买GPU跑质检，运维部买服务器跑MES，高峰的时候各抢各的，低谷的时候一半都在空转。说实话，我见过不少千万级数字化改造的工厂，算力整体利用率不到35%。
不是说你换个更大的服务器就能解决问题。换了十卡的大GPU，淡季还是一半算力吃灰，旺季订单爆增的时候，还是顶不住十几条线同时质检的需求。
这里的核心矛盾，是工厂算力的负载波动完全没办法提前按静态配置拍板。订单变了，产线换产品了，白班夜班的质检需求不一样，每周要跑一次全工厂工艺仿真，那个时候算力需求直接翻五倍。没有动态调度，全是死的，怎么可能不浪费不卡壳？
落地工厂算力调度的三个核心坑，我帮你踩过了
很多人上来就抄互联网的那套容器调度，直接往工厂里怼，不出三个月肯定出问题。为啥？工厂的算力需求，和互联网完全不是一回事。
第一个坑，就是忽视了工厂算力的硬实时要求。互联网调度延迟个几百毫秒没事，工厂里AI质检拍出来的图，你延迟一秒，产线就堆了三个工件，万一漏检流出去就是批量召回。去年有个苏州的客户，上了开源的通用调度框架，高峰的时候调度延迟到1.2秒，产线凌晨报警给我打电话，半夜过去调，把实时任务的优先级锁死、绑核预留才解决。ISO/IEC 14990里面对工业控制系统的硬实时任务要求，调度延迟不能超过500ms，这个红线绝对不能碰。
第二个坑，就是没给异构算力做分层匹配。现在工厂算力太杂了，x86的通用CPU，NVIDIA的GPU，还有边缘盒的NPU，你不分任务类型瞎调度，比如把工艺仿真的大浮点计算扔给边缘NPU，直接跑死，把AI推理的并行计算扔给普通CPU，速度慢十倍。
我现在做方案的时候，都是把工厂任务分成三类匹配：硬实时推理类，优先走边缘侧NPU/GPU，提前预留保底算力；批处理类比如日志分析、离线仿真，跑空闲的中心侧CPU，错峰运行；数字孪生在线同步这种，走中心侧GPU，留动态冗余。
第三个坑，就是过度优化利用率，把安全冗余给干没了。说实话，我见过为了把整体利用率冲到80%，把所有空闲算力都分配出去，结果MES系统突然要临时扩容应对大订单，没资源可用，停线四个小时，亏了十几万。调度不是把每一分算力都榨干，是要留余量应对突发情况。不过话说回来，冗余留多了又浪费，我们一般按GB/T 39116-2020的智能制造系统可靠性要求，取额定算力的12%做静态冗余，动态调度的时候再留5%的浮动，这个平衡踩了两次坑才摸出来。
中小工厂也能用的低成本调度方案，不是只有大厂烧钱才能玩
很多人觉得算力调度是百亿产值的超级大厂才玩得起，中小工厂买个两三台服务器就没必要搞？不对。我去年给宁波一家做注塑件的中小工厂，五十多个人，两台GPU服务器，就跑AI质检和Moldflow注塑仿真，原来每天都是质检跑着的时候仿真要等，仿真跑的时候质检卡，产能掉了快10%。后来搭了个基于K3s的轻量调度框架，只改了优先级规则，花了不到两万块改造，现在算力利用率从28%涨到62%，原来每月要外租云端算力跑仿真花八千多，三个月就收回成本了。
中小厂落地，核心就是别贪大。不要上来就上几十万的定制化商业调度平台，扛不住也没必要。用轻量的容器编排，改一下调度策略，把硬实时任务的QoS调成最高，绑核锁显存，就满足基本需求了。
要是你车间里有多个边缘质检盒，某条线换型加了检测点算力不够，直接从旁边空闲产线的边缘盒调两核空闲算力过去，就是这么简单。订单波动大的工厂，还可以接公有云的按需算力，淡季不用花钱，旺季把非实时的仿真任务调度到云上去，按使用付费，比自己多买一台服务器划算多了。
还有人担心数据安全，其实大部分生产任务，敏感数据都留在本地边缘节点，只是调用空闲算力做计算，根本不会往外漏。我最近做的一个项目， even 把工厂办公室闲置的办公电脑下班之后的空闲算力，都调度起来跑离线仿真，一年省了快十万的算力成本，你说香不香？
工厂数字化越往后走，算力就是和水电一样的公共生产资源。你不调度，就是把买了单的资源白白放掉，还喊不够用。很多工厂现在忙着上新设备上系统，却忘了把手里已经砸钱买的算力盘活，其实挖现有算力的潜力，比买新服务器的ROI高太多了。
