成本核算与计费

核心目标：让算力成本透明化、可追溯、可分摊，驱动各团队高效使用算力资源

为什么需要算力成本核算

算力不便宜。一台Atlas 800T A2服务器的全生命周期成本超过100万元。如果没有成本核算体系，会出现以下问题：

问题	无成本核算	有成本核算
成本不透明	不知道算力花了多少钱	每张卡、每个团队成本清晰
资源浪费	免费资源导致占用不用	按用量计费，促进高效使用
分摊困难	成本全算IT头上，业务不买单	各团队为自己的用量买单
决策缺乏依据	不清楚扩容是否值得	ROI驱动投资决策

算力成本核算的核心理念：谁使用，谁付费；用多少，付多少。

按卡时计费模型

什么是卡时

卡时（Card-Hour） 是算力计费的基本单位，表示1张NPU卡使用1小时。

1卡时 = 1张NPU卡 × 1小时
8卡时 = 8张NPU卡 × 1小时（或1张卡 × 8小时）

卡时单价计算

卡时单价 = 算力总成本 / 总可用卡时

示例计算：

假设：
- 硬件：10台 Atlas 800T A2（80张卡）
- 硬件采购成本：1000万元（5年折旧）
- 年化成本计算：

硬件折旧：1000万 / 5年 = 200万/年
电费：80卡 × 0.4kW × 8760h × 0.8元 = 22.4万/年
软件许可：CANN免费 + MindSpore免费 = 0
运维人力：2人 × 20万 = 40万/年
机房/网络：15万/年

年化总成本 = 200 + 22.4 + 0 + 40 + 15 = 277.4万/年

总可用卡时 = 80卡 × 8760h = 700,800 卡时/年

卡时单价 = 277.4万元 / 700,800 = 3.96元/卡时

（考虑85%可用率，实际单价 ≈ 4.65元/卡时）

分级计费模型

不同类型算力的成本不同，建议分级计费：

算力类型	硬件	参考单价（元/卡时）	说明
训练算力	Atlas 800T A2 (910B)	4-6	成本高，训练专用
推理算力	Atlas 800I A2 (910B)	3-5	推理优化配置
轻量推理	Atlas 300I (310P)	1-2	功耗低，成本低
边端推理	Atlas 500 A2	0.5-1	边端设备，成本最低
vNPU分片	按比例折算	单价/切分数	细粒度计费

分时段计费

为鼓励闲时利用，可实施分时段计费：

时段	时间范围	计费系数	说明
高峰时段	9:00-18:00（工作日）	1.2x	鼓励错峰
平峰时段	18:00-22:00（工作日）	1.0x	标准计费
低谷时段	22:00-9:00 + 周末	0.5x	鼓励闲时使用

Chargeback体系搭建

Chargeback vs Showback

模式	说明	适用阶段
Showback	展示各团队成本，但不实际扣费	初期，培养成本意识
Chargeback	实际从团队预算中扣除算力费用	成熟期，成本驱动

建议分阶段实施：

第一阶段（1-3月）：Showback，让团队看到自己的用量和成本
第二阶段（3-6月）：半Chargeback，部分成本分摊到团队
第三阶段（6月+）：全Chargeback，团队为实际用量买单

Chargeback实施流程

1. 卡时统计 → 2. 费用计算 → 3. 账单生成 → 4. 费用分摊 → 5. 报告反馈

第一步：卡时统计

Slurm环境：

bash

# 统计各账户的卡时消耗（按月）
sacct --starttime 2026-08-01 --endtime 2026-08-31 \
      --format=Account,AllocatedNPU,Elapsed,State \
      --state=COMPLETED \
      | awk '{account=$1; npus=$2; time=$3; 
              # 计算卡时
              split(time, t, ":");
              hours = t[1] + t[2]/60 + t[3]/3600;
              card_hours[account] += npus * hours;
             } 
             END {for (a in card_hours) print a, card_hours[a]}'

K8s环境：

bash

# 通过Metrics Server + 自定义脚本统计NPU使用时长
kubectl get pods --all-namespaces -o json | jq '
  .items[] | 
  {
    namespace: .metadata.namespace,
    npu: .spec.containers[].resources.limits["ascend.kubernetes.io/npu"]
  }' | group_by(.namespace) | ...

第二步：费用计算

python

# 费用计算脚本示例
from datetime import datetime, timedelta

# 计费配置
PRICING = {
    "training": 5.0,      # 训练算力 5元/卡时
    "inference": 4.0,     # 推理算力 4元/卡时
    "light_inference": 1.5,  # 轻量推理 1.5元/卡时
}

# 分时段系数
TIME_MULTIPLIER = {
    "peak": 1.2,     # 高峰 9:00-18:00
    "normal": 1.0,   # 平峰 18:00-22:00
    "off_peak": 0.5, # 低谷 22:00-9:00 + 周末
}

def calculate_cost(team, resource_type, card_hours, time_period):
    """计算团队算力费用"""
    base_price = PRICING[resource_type]
    multiplier = TIME_MULTIPLIER[time_period]
    cost = card_hours * base_price * multiplier
    return cost

def generate_monthly_bill(year, month):
    """生成月度账单"""
    # 从统计系统获取各团队卡时数据
    usage_data = get_usage_data(year, month)  # {team: {resource_type: {period: hours}}}
    
    bills = {}
    for team, resources in usage_data.items():
        total_cost = 0
        details = []
        for res_type, periods in resources.items():
            for period, hours in periods.items():
                cost = calculate_cost(team, res_type, hours, period)
                total_cost += cost
                details.append({
                    "resource_type": res_type,
                    "time_period": period,
                    "card_hours": hours,
                    "cost": cost
                })
        bills[team] = {"total_cost": total_cost, "details": details}
    
    return bills

第三步：账单生成

月度账单模板：

╔══════════════════════════════════════════════╗
║          昇腾算力月度账单                      ║
║          2026年8月                            ║
╠══════════════════════════════════════════════╣
║  团队：AI研发团队A                             ║
║  账期：2026-08-01 至 2026-08-31               ║
╠══════════════════════════════════════════════╣
║  资源明细：                                    ║
║  ┌────────┬────────┬────────┬────────┐       ║
║  │资源类型 │时段    │卡时    │费用(元) │       ║
║  ├────────┼────────┼────────┼────────┤       ║
║  │训练算力 │高峰    │2,400   │14,400  │       ║
║  │训练算力 │低谷    │1,800   │4,500   │       ║
║  │推理算力 │平峰    │960     │3,840   │       ║
║  └────────┴────────┴────────┴────────┘       ║
║                                              ║
║  总卡时：5,160 卡时                            ║
║  总费用：¥22,740                              ║
║                                              ║
║  备注：低谷时段享5折优惠                        ║
╚══════════════════════════════════════════════╝

成本分摊策略

分摊模式对比

模式	说明	优点	缺点	适用场景
按用量分摊	按实际卡时消耗分摊	公平，激励节约	需精确计量	成熟期
按配额分摊	按团队配额比例分摊固定成本	简单，可预测	不激励节约	初期
混合分摊	固定成本按配额 + 变动成本按用量	兼顾公平和可预测	计算复杂	推荐方案

混合分摊方案

团队月费用 = 固定费用（配额部分） + 变动费用（用量部分）

固定费用 = 团队配额卡数 × 月时长 × 固定单价 × 60%
变动费用 = 实际卡时 × 变动单价 × 40%

示例：

团队A：
- 配额：30张卡
- 固定费用 = 30卡 × 730h × 4元 × 60% = 52,560元
- 实际使用：20,000卡时
- 变动费用 = 20,000 × 4元 × 40% = 32,000元
- 月总费用 = 52,560 + 32,000 = 84,560元

团队B：
- 配额：20张卡
- 固定费用 = 20卡 × 730h × 4元 × 60% = 35,040元
- 实际使用：12,000卡时
- 变动费用 = 12,000 × 4元 × 40% = 19,200元
- 月总费用 = 35,040 + 19,200 = 54,240元

共享资源分摊

多个团队共享的推理服务，按调用量分摊：

团队A月调用量：500万次（50%）
团队B月调用量：300万次（30%）
团队C月调用量：200万次（20%）

推理服务月成本：50,000元

团队A分摊：50,000 × 50% = 25,000元
团队B分摊：50,000 × 30% = 15,000元
团队C分摊：50,000 × 20% = 10,000元

算力TCO计算框架

TCO（Total Cost of Ownership）总拥有成本

算力TCO包含硬件、软件、运维、电费等全生命周期成本：

TCO = 硬件成本 + 软件成本 + 运维成本 + 电费成本 + 场地成本 + 其他成本

TCO详细分解

1. 硬件成本

项目	说明	计算方式
NPU服务器	Atlas 800T A2 / 800I A2	采购价 / 折旧年限（通常5年）
CPU服务器	管理节点、登录节点	采购价 / 折旧年限
网络设备	交换机、网卡（RoCE）	采购价 / 折旧年限
存储设备	NAS/分布式存储	采购价 / 折旧年限
机柜/PDU	机柜及配电	采购价 / 折旧年限

Atlas 800T A2 参考价格：

配置	参考价格	年折旧（5年）
Atlas 800T A2（8×910B）	100-140万元	20-28万/年
Atlas 800I A2（8×910B推理）	80-120万元	16-24万/年
Atlas 300I（310P推理卡）	2-3万元/卡	0.4-0.6万/年
Atlas 500 A2（边端）	3-5万元/台	0.6-1万/年

2. 软件成本

项目	说明	费用
CANN	昇腾计算架构	免费
MindSpore	AI框架	免费（开源）
MindFormers	大模型库	免费（开源）
MindIE	推理引擎	免费
Slurm	作业调度	免费（开源）
KubeSphere	容器平台	社区版免费/企业版收费
商业大模型	盘古大模型等	按许可收费
监控系统	Prometheus + Grafana	免费（开源）

昇腾优势：CANN + MindSpore + MindFormers全免费，软件成本极低。

3. 运维成本

项目	说明	参考费用
运维工程师	硬件运维	1人 × 15-25万/年
AI平台工程师	平台维护	1-2人 × 20-35万/年
算力运营专员	计费/报表	0.5人 × 12-18万/年
培训费用	团队培训	5-10万/年

4. 电费成本

python

# 电费计算
def calculate_power_cost(num_cards, power_per_card_w, hours_per_year, electricity_rate):
    """
    num_cards: NPU卡数
    power_per_card_w: 单卡功耗（瓦）
    hours_per_year: 年运行小时数
    electricity_rate: 电价（元/kWh）
    """
    total_power_kw = num_cards * power_per_card_w / 1000
    annual_kwh = total_power_kw * hours_per_year
    annual_cost = annual_kwh * electricity_rate
    return annual_cost

# 示例：80张910B卡
cost = calculate_power_cost(
    num_cards=80,
    power_per_card_w=400,  # 910B TDP约400W
    hours_per_year=8760,
    electricity_rate=0.8   # 工业电价
)
print(f"年电费: {cost:.1f}元 = {cost/10000:.1f}万元")
# 输出: 年电费: 224256.0元 = 22.4万元

各硬件功耗参考：

硬件	单卡/台功耗	80卡年电费
Ascend 910B	400W/卡	22.4万元
Ascend 310P	75W/卡	4.2万元
Atlas 500 A2	60W/台	-

注意：还需加上服务器其他组件功耗（CPU、内存、风扇等），通常NPU功耗约占总功耗的60-70%。

5. 场地成本

项目	说明	参考费用
机房空间	机柜租用	5000-15000元/机柜/月
网络带宽	互联网/专线	5000-20000元/月
制冷	空调电费	已含在电费或机房费用中

TCO计算示例

10台Atlas 800T A2训练集群5年TCO：

成本项	金额（万元）	年化（万元）	占比
硬件采购	1200	240	65%
电费	112	22.4	6%
运维人力	175	35	9%
场地网络	90	18	5%
软件许可	0	0	0%
培训其他	50	10	3%
合计	1627	325.4	100%

单位成本：

80张卡，年化成本325.4万元
卡时成本 = 325.4万 / (80 × 8760) = 4.64元/卡时
考虑85%可用率：5.46元/卡时

成本优化建议

降低TCO的策略

策略	节省比例	实施难度
提升利用率（30%→70%）	相当于节省57%硬件投入	中
闲时利用（夜间+周末）	提升30%+有效算力	低
vNPU分片	减少30-50%推理卡数	中
模型量化（FP32→INT8）	推理吞吐提升2-4倍	中
混合精度训练	训练速度提升1.5-2倍	低
合理选型（推理用310P）	推理成本降低60%+	低

成本可视化看板

建议建设以下成本看板：

看板	核心内容	更新频率
月度成本总览	总成本/各团队成本/趋势	月
团队成本排行	各团队月费用排行	月
卡时消耗趋势	各团队卡时趋势	周
单位成本趋势	元/卡时趋势	月
ROI分析	各场景投入产出	季度
成本预警	超预算团队预警	实时

下一步

利用率优化 — 提升利用率降低单位成本
调度管理 — 公平分配资源
交付验收 — 硬件验收流程
场景价值发现 — 提升算力的业务ROI

本文档由昇腾AI解决方案架构师团队编写，持续更新中。最后更新：2026-08-26

成本核算与计费 ​

为什么需要算力成本核算 ​

按卡时计费模型 ​

什么是卡时 ​

卡时单价计算 ​

分级计费模型 ​

分时段计费 ​

Chargeback体系搭建 ​

Chargeback vs Showback ​

Chargeback实施流程 ​

第一步：卡时统计 ​

第二步：费用计算 ​

第三步：账单生成 ​

成本分摊策略 ​

分摊模式对比 ​

混合分摊方案 ​

共享资源分摊 ​

算力TCO计算框架 ​

TCO（Total Cost of Ownership）总拥有成本 ​

TCO详细分解 ​

1. 硬件成本 ​

2. 软件成本 ​

3. 运维成本 ​

4. 电费成本 ​

5. 场地成本 ​

TCO计算示例 ​

成本优化建议 ​

降低TCO的策略 ​

成本可视化看板 ​

下一步 ​