大模型预训练的调度自由度：Checkpoint 等待与 3D 模式补偿——arXiv 论文解读

深度 · tech · 2026-10-15 · NewdPower 研究 · 阅读约 47 分钟 · 万字深度+行业分析

一、论文信息卡与核心结论

这篇论文的选题站在两个文献流的交汇处。电力系统一侧，数据中心需求响应、负荷平移、绿电数据中心优化的研究已经相当密集，但绝大多数模型把计算需求抽象为"可连续调节的功率包络"或"可延迟的批处理任务"；计算机系统一侧，张量/流水线/数据三维并行、检查点保存与恢复、激活重计算等训练机制研究同样成熟，但没人把这些机制翻译成电力调度可读的语言。论文的贡献恰是完成这次翻译——第一作者团队来自香港理工大学与清华大学，作者名单里既有电力系统研究者也有系统研究者，这个组合本身就是选题的注脚。

结论先行给出论文最有分量的三个发现。其一，灵活性是离散的：LLM 预训练恢复运行后的功率水平不取决于调度指令，而取决于少数几个满足内存、整除与吞吐约束的 3D 并行模式，案例中最优调度只激活了两个任务的七个模式。其二，灵活性是守恒的：检查点等待不减少计算量，被延迟的工作量必须由更快的模式在截止时间前补回，等待的本质是把计算从高价时段搬运到低价时段。其三，灵活性有门槛：GPU 容量低于一定阈值时调度模型直接不可行，可再生比例超过一定水平后弃电重新出现——算力灵活性不是无限资源，它的价值曲线有拐点。

二、问题定义：被高估的可平移负荷

把 AIDC 当柔性负荷来用，是算电协同叙事里最容易被讲过头的部分。既有研究的负荷模型通常做三个抽象：功率连续可调（把 AIDC 看成一个可以按百分比下调的电阻）、任务可延迟（把训练任务看成可挪到夜间的批处理作业）、利用率为功率代理（用 GPU 利用率乘额定功率估算耗电）。论文指出这三个抽象在 LLM 预训练场景全部失真。

失真的根源在预训练的执行结构。LLM 预训练是海量训练迭代构成的串行优化过程：迭代之间有严格的依赖关系，不是可任意切割的独立作业；任务只能安全地停驻在检查点（checkpoint）状态上——中途强行中断意味着从上一个检查点恢复，未保存的进度全部作废；恢复运行后的功率水平由所选 GPU 并行配置决定，是一个离散值而非连续值。换言之，调度员面对的不是一条可上下拉伸的负荷曲线，而是一张由检查点串起的、每一步只有有限个合法走法的路网图。忽略这个结构去优化，得到的"灵活性"在工程上不可执行——调度指令下达后任务既停不下来、也回不到计划的功率水平。

论文用一条映射链定义了这个问题的形式结构：任务描述符（模型规模、token 目标、批大小、序列长度、截止时间）经计算层转译为"检查点域"的日工作量，再经资源层映射为带吞吐、显存、IT 功率属性的可行 3D 模式集合，最终形成可参与日前调度的负荷状态。这条链上的每一环都有硬约束：显存装不下就排除、层头整除不满足就排除、恢复后赶不上截止时间就排除。执行可行（execution-feasible）是全文的关键词——论文自始至终只承诺那些物理上真的能被执行的调度方案。

三、机制拆解一：Checkpoint 域——训练任务的时间锚点

第一层建模回答"什么时候可以停"。论文把每个预训练任务的一天拆成"日份额"（daily tranche）：全任务迭代次数乘以日份额比例，得到当日必须完成的计算量。日份额再按检查点切分为若干段（案例中两个任务各 12 段、截止时间 24 小时），每段计算量相等。检查点域由此构成——任务的进度状态不再用时间描述，而用"到达了第几个检查点"描述。

这个设计的直接收益是等待的合法性：停在检查点上，任务处于一致状态，可以安全地挂起任意时长。代价是守恒律：等待时段的计算吞吐为零，但日份额总量不变——被推迟的段必须在其后的时段里由更快的执行模式补回来，且必须在截止时间前补完。论文为此写了一条很朴素的守恒式：全时段实现的计算吞吐对时间积分恒等于日份额计算量。检查点不创造灵活性，只创造"搬运计算"的合法性；真正让搬运发生的是下一层的模式集合。

这里有一个容易被忽略的工程细节：论文对段执行时长做了向上取整。一个检查点段在某个模式下需要 2.3 个调度间隔完成，模型按 3 个间隔计——最后一个间隔不满载也按满载记入负荷与 GPU 占用。保守取整是为了不低估完成时间与功率需求，代价是轻微高估成本。这类取舍体现了"执行可行优先于最优性"的全文立场，也意味着论文报告的成本节约是在保守口径下取得的。

四、机制拆解二：3D 并行模式——离散功率与恢复能力

第二层建模回答"停了以后怎么回来"。大模型分布式训练的标准做法是三维并行：流水线并行把模型按层切到 p 个阶段、张量并行把单层算子切到 q 份、数据并行把全局批切到 d 份，三者相乘给出一个执行模式所需的 GPU 数 n = p·q·d。每种模式有自己的吞吐率（每 GPU 峰值算力乘以端到端效率，效率项吸收流水线气泡、通信同步等损耗）、显存占用与 IT 功率。模式之间不可线性插值——调度的选择空间是有限个离散点。

可行模式集合的筛选分三道关卡。显存关：模型状态显存按并行度分摊，激活显存随重计算策略与并行配置变化，总占用超过单卡 80GB 上限即排除；整除关：层数必须被流水线阶段数整除、注意力头数与 FFN 维度必须被张量并行度整除、批大小必须被数据并行度整除——这些是工程上硬性的合法条件；容量关：模式所需 GPU 数不得超过集群总量。三关过后，案例中的 LLM-A（13B）剩下 135 种可行配置，LLM-B（32.5B）剩下 111 种。论文再施加支配剪枝：若模式 B 用更少 GPU、更低功率、不更低吞吐地覆盖了模式 A，A 即被删去——剪枝后 13B 保留 12 个有效模式、33B 保留 21 个。最终日前调度的决策变量，就是这 33 个模式的选择与切换时序。

显存这道关卡值得多看一眼，因为它决定了一个反直觉的现象：更快（更多卡）的模式不一定更贵。模型状态显存按并行度分摊，用更多 GPU 切得更细，单卡显存压力反而下降；激活显存随数据并行度缩小批次而下降、又随重计算系数变化——激活重计算是用约三成的额外计算换回大部分激活显存的经典取舍，论文把它作为系数引入，让显存-吞吐的权衡留在模式属性里而不进入调度变量。工程含义是模式集合里既有"多卡高速"也有"少卡低速"的合法组合，调度器在功率约束与截止时间之间才有真正的选择空间。若所有可行模式都挤在相近的功率台阶上，检查点等待就退化成了纯粹的负荷中断，论文的灵活性来源将不复存在。

模式的 IT 功率模型同样保持离散结构：单 GPU 训练功率乘以 GPU 数，再加通信与模式相关的开销（案例中并入等效功率系数）。以案例参数（单卡 0.40 千瓦、PUE 1.25、基础 IT 负荷 375 千瓦）粗算，512 卡模式训练功率约 205 千瓦、2048 卡满配约 820 千瓦——调度层拿到的负荷曲线是这些离散台阶的组合。论文在这里埋下了一个对电力研究者很重要的提醒：AIDC 负荷的"可调节深度"由模式集合的丰富度决定，而模式集合由模型结构（层数、头数、FFN 维度）与硬件（显存、卡数）共同决定——算力灵活性归根结底是计算机系统属性，不是电力系统属性。

五、机制拆解三：状态图与日前调度模型

第三层把两层结构装进一个可优化的图。论文为每个任务构建"检查点状态图"：节点是（时间，检查点序号）二元组，边有两类——等待边（在检查点上原地停留一个调度间隔，功率仅剩基础负荷）与训练边（选择某个有效模式，连续执行若干个检查点段，耗时由段计算量除以模式吞吐并向上取整）。任务的调度方案就是图上从起点到汇点的一条路径，路径约束写成网络流形式保证连续性与完备性：每个中间节点进出平衡、起终点各发出与接收一条路径。训练边只在截止时间前可达时生成，不满足截止的边在图构造阶段就被剔除——不可行方案没有机会进入优化器。

日前调度模型的目标函数由三项构成：电网购电成本（按分时电价）、弃电机会成本（论文设定与储能成本同为 20.83 美元/兆瓦时）、储能吞吐成本。约束侧，路径选择解码出各时段的模式使用指示变量，进而线性叠加出训练 IT 功率与 GPU 占用；GPU 占用不得超过集群总量、AIDC 总负荷不得超过接入容量上限；绿电母线平衡联立可再生可用功率、弃电、购电、储能充放与 AIDC 负荷；储能按荷电状态动力学、充放互斥与日末荷电复原约束建模。整个模型是混合整数线性规划（MILP），决策变量含路径边的选择与储能充放指示。这是日前确定性优化——输入是预测的可再生出力曲线与电价曲线，论文把多日随机调度留作后续工作。

目标函数三项的权重设计藏着论文的立场。弃电机会成本与储能吞吐成本同取 20.83 美元/兆瓦时，意味着绿电过剩时"弃掉一度"与"用储能搬一度"在目标函数里等价——于是优化器只在算力灵活性搬不动的失配上调用储能，这与 S6 观察到的 0.026 兆瓦时残余吞吐吻合。购电成本按 CAISO 分时价格计量，弃电成本则把"多发绿电但无人消纳"的系统性损失内部化到 AIDC 的账上。三项成本口径统一后，调度问题变成一个纯粹的搬运决策：在检查点约束下，把可搬的计算量搬到绿电富余与电价低洼的时段，搬不动的那部分才由电网与储能兜底。

一个关键设计选择：GPU 池被假定为专用预训练资源池，目标函数不含"把闲置 GPU 让渡给其他业务"的机会成本。这个假设在案例中成立（专用训练集群），但在商业智算中心里，闲置 GPU 的机会成本可能吃掉大部分调度收益——论文自己在未来工作里承认了这一点。

六、案例验证与敏感性：六个场景、三个门槛

案例系统是一个 2048 张 A100 的绿电直供 AIDC：单卡峰值 312 TFLOPS、显存 80GB、训练功率 0.40 千瓦，PUE 1.25，基础 IT 负荷 375 千瓦；电源侧配光伏 1050 千瓦、风电 350 千瓦、储能 300 千瓦/800 千瓦时；可再生曲线与分时电价取自 CAISO（加州电网）实际数据。两个训练任务按公开数据设定：LLM-A 为 13B 参数、1 万亿 token 目标（对应 LLaMA-13B 训练量，公开口径 135168 GPU 时，基线模式 512 卡）；LLM-B 为 32.5B 参数、1.4 万亿 token（对应 33B 级 LLaMA，公开口径 530432 GPU 时，基线 768 卡）。两者日份额比例分别为 4.9% 与 2.021%，各切 12 个检查点段、截止时间 24 小时。

六场景的对照设计让每个机制的边际贡献都可分离。S1 与 S2 完全相同是论文最有说服力的对照：只是把检查点信息记录下来、不允许等待，负荷曲线分毫未动——检查点信息本身不产生任何价值，价值来自"等待 + 更快模式补偿"的行动组合。S3 与 S4 量化了执行约束的价格：理想化的无检查点 3D 调度（允许在任意时刻以任意模式重启，工程上不可执行）比可执行的 S4 只便宜 9.34 美元——S4 保留了理想化收益的约 91%，执行约束的代价不到 2 个百分点（S4 仅比 S3 贵约 2.5%）。S5 说明用储能硬扛固定负荷的代价：1.442 兆瓦时的储能吞吐只换来 5.45% 的成本降幅；S6 用 0.026 兆瓦时实现 20.13% 的降幅——吞吐相差约 55 倍，降幅还高近 4 倍。S6 相比 S4 的进一步改善只有 0.11 个百分点（仅再省 0.54 美元），说明在算力灵活性到位后，储能只剩"残余源荷失配"可以纠正。

负荷轨迹层面，S1 全天恒定 1015 千瓦——刚性需求既接不住午间光伏富余，也躲不开晚峰电价；S6 的 AIDC 负荷在 455.0 至 1335.2 千瓦之间重塑，调度器在可再生富余时段把训练功率顶到接近集群上限（此时 GPU 占用触及 2048 卡），晚电价高峰时段压到最低。两个任务走出不同的路径：LLM-A 全天未完全停机，在深夜时段以 160 卡低功率模式继续训练；LLM-B 则在检查点上等待了三个小时、第 22 小时恢复，恢复后通过可行模式把进度补齐，两个任务均在 24 小时内完成 100% 日份额。储能全程只做了微量残余调整——"算力为主、储能为辅"的源荷储结构在这条曲线上具象化了。

敏感性分析：三个参数门槛

论文的三组敏感性结果分别划出了灵活性的上界、资源门槛与最优配比。

检查点密度：收益递减。加密检查点最初能提高调度自由度，但成本改善很快饱和——论文报告最终的成本改善仅 1.51%，12 个检查点段已捕获了大部分可用灵活性。这对工程实践是好消息：检查点保存本身有 I/O 与显存开销，工业实现用不着过度加密，论文的 12 段设定已接近收益平台。

GPU 容量：可行性的硬门槛。集群规模在 768—1152 卡区间时，两个任务的日份额无法在截止时间内补完，调度模型直接不可行；1280 卡起恢复可行（日成本 447.23 美元），此后边际收益快速递减，1536 卡后趋平，2048 卡达到 377.79 美元。这条曲线的含义是：等待后的"补偿产能"是灵活性的前提，GPU 容量的价值不在于日常多开多少卡，而在于首先让"等待—恢复"策略变得可行。反过来说，满负荷运行的训练集群没有灵活性可言——这为智算中心的容量规划给出了一个新的冗余准则。

可再生比例：存在反转点。可再生装机与 AIDC 需求之比从 0.75 提高到 1.375，日成本从 557.84 美元降至 197.94 美元、绿电占比从 49.66% 升至 86.69%；但比例继续提高到 1.5 时，绿电占比仅微升至 89.14%，弃电反而出现 2.127 兆瓦时、成本小幅回升。超过负荷与储能的消纳能力后，再多绿电只能弃掉——算力灵活性对绿电消纳的拉动有天花板，这个天花板由负荷可搬移总量与截止时间共同决定。

七、工程推演：算力灵活性在中国的落地路径（本文推演）

论文案例用的是 CAISO 电价与出力曲线，落地到中国场景需要重新核对三个条件。

场景供给端。绿电直供已经从政策概念进入工程实施：内蒙古和林格尔集群通过专用通道把风光储电站的绿电直送数据中心，某大型智算中心 2025 年耗电 8.5 亿千瓦时、绿电占比 88%、综合 PUE 1.15、绿电直供均价约 0.34 元/千瓦时，电费占其运营成本七成以上（该案例口径；行业平均约 57%，华金证券口径）。论文设定的"绿电母线 + 大电网兜底 + 分时价格信号"结构，与这些项目的物理拓扑几乎一致，框架移植没有障碍。新疆、青海、甘肃等"沙戈荒"大基地规划新增 3.7 亿千瓦以上新能源，配套算力设施协同布局已写入"十五五"可再生能源规划——新能源主导的 AIDC 不再是假想场景，是正在批量出现的真实场景。

负荷结构端。训练任务的日份额与截止时间在国产大模型训练计划中是真实存在的管理对象：预训练以"每天跑多少 token"排产，算力集群按"多少天内完成多少 token 量"签订交付合同——这正是论文检查点域建模所对应的业务结构。敏感性给出的 1280 卡门槛提示中国场景的一个差异：国内训练集群普遍规模更大（万卡级），单任务等待后的补偿产能冗余更充足，灵活性可行域比论文的 2048 卡案例更宽；但万卡集群往往多任务混跑，GPU 池不专属于单一预训练任务，论文忽略的"闲置 GPU 机会成本"在国内场景反而可能是主要成本项——这是落地时必须补上的一环。

市场机制端。算力灵活性要变现，需要电力市场给出响应激励：日前现货价差越大、需求响应补偿越明确，检查点调度的收益越可观。论文的 20% 降幅建立在分时电价之上；国内现货省份的峰谷价差与深谷电价机制（站内此前在深谷电价扩围与 AIDC 并网容量解锁两文中均有分析）已经能提供类似的价格信号，山东深谷时段低至基准价一折的形态与论文"午间光伏富余时段压价"的结构同源。用公开数字自证一遍这套账的量级：前述智算中心 2025 年耗电 8.5 亿千瓦时、电费约 2.9 亿元，隐含综合电价约 0.34 元/千瓦时（8.5 亿 × 0.34 ≈ 2.89 亿元，与披露的 2.9 亿元吻合）——这个电价本身就是绿电直供的结构性红利，若叠加论文口径 20% 的调度优化，单站年电费节约在 5800 万元量级。对运营成本七成压在电费上的资产而言，这是一项不动资本开支、只改排产策略就能拿到的收益，边际资本效率远高于再配一套储能或再建一条供电通道。

把论文框架接入国内现货市场的日前申报，技术上是把目标函数的电价曲线换成省现货曲线，工程量集中在调度系统与训练平台的接口——训练任务的检查点状态与 GPU 模式信息要实时暴露给电力调度接口，这恰好是当前国产训练平台尚未标准化输出的数据面。

图 5 · 万卡级训练集群：算力灵活性变现的第一现场（NewdPower 配图）

八、产业链与利润池

沿着"论文方法 → 工程产品 → 商业价值"的路径，算电协同调度的产业链可以拆成四段。

第一段：电力-算力接口层。训练平台的检查点状态、GPU 模式、可停驻窗口要变成电力调度可读的信号，需要"算力灵活性网关"类产品——类比虚拟电厂的聚合网关，把分散的训练任务聚合成可申报的负荷资源。当前这条接口无人标准化，先做的人定义协议。

第二段：调度优化软件层。论文的 MILP 框架（检查点状态图 + 绿电母线平衡）是可直接产品化的核心算法资产。国内电力交易优化软件商与智算中心运营平台都具备切入位置，但两边都缺对方的知识——这个缺口就是利润池的堤坝。

第三段：绿电直供资产层。新能源主导 AIDC 的业主方是最大受益者：论文口径下运行成本降 20%，而电费占 AIDC 运营成本约 57%（华金证券口径），对运营成本的综合改善约 11 个百分点——按呼和浩特案例（年电费 2.9 亿元）折算，单站年节约电费约 5800 万元量级（本文推演）。这一段是利润池的主体，因为基数最大。

第四段：储能与电力设备层。论文反直觉的发现压缩了这一段的传统想象空间：算力灵活性到位后储能吞吐需求降约 55 倍，AIDC 配套储能的经济账要从"调峰主体"改写成"残余失配纠正器"。但对 SST、HVDC 等供电架构设备商无碍——供电可靠性的价值链与灵活性价值链是两条线。

四段的利润池分布呈"两头实、中间薄"：接口层与资产层有明确付费方（调度软件是工具费，节约电费是资产收益），中间两段的软件价值要靠节约分成兑现，商业化速度取决于现货价差拉开的节奏。

九、竞争格局量化

算电协同调度市场的上游集中度极高，这一点从算力硬件层就注定了。全球 AI 数据中心加速器市场中，英伟达 2025 年占八成上下（Silicon Analysts 基于财报与 TrendForce 数据的估算约 81%，另有第三方机构给出 85%—90% 的区间口径），AMD 约 6%—10%，两家合计约九成；叠加超大规模云厂商的自研 ASIC（合计 10%—15%，2026 年预期口径），CR3 在 95% 以上，且论文案例所用的 A100 即出自份额第一的供应商。上游的极端集中向下游传导出两个后果：其一，"GPU 容量门槛"实质上是单一供应商的产能节奏门槛，训练集群的冗余配置受制于 GPU 的可获得性而非业主意愿；其二，单卡功率与互联拓扑的代际变化（0.4 千瓦的 A100 到 0.7 千瓦级的新一代）会直接改写论文模式集合的功率台阶——算力灵活性的物理参数是上游定义的。

调度软件与运营服务的竞争格局则是另一极：高度分散。电力交易优化软件商、虚拟电厂聚合商、智算中心运营平台、大模型训练服务商都各自持有部分能力，尚无任何一方形成"检查点 + 并行模式 + 日前市场"的完整端到端产品。以国内虚拟电厂聚合领域为参照，尚无一家聚合商形成全国性主导份额，算力灵活性作为其中最崭新的资源品类，格局远未到收敛期。本文按可类比市场的公开口径推演：三年内算力灵活性聚合环节的 CR3 大概率不超过 30%——分散窗口就是跨界者的进入窗口。

十、市场规模与情景测算

算力灵活性调度服务的市场空间，可以从电费池与适用比例两个变量做三档推演。基数锚点：2025 年中国 AIDC（智算部分）能耗约 777 亿千瓦时（华金证券口径），按 0.5 元/千瓦时综合电价折算年电费池约 389 亿元；更宽口径的全国算力中心用电量约 1960 亿千瓦时（中国信通院口径，含通用数据中心），到 2030 年预计达 4000 亿—7000 亿千瓦时、占全社会用电量 3%—5%。电费是 AIDC 运营成本的第一大项（57%），这决定了每一分调度优化的付费意愿都有坚实基数。

推演口径说明：适用比例指 AIDC 电费池中能被检查点级调度触达的比例（绿电直供与高比例新能源供电的集群占比 × 其中预训练类可等待任务的占比），20% 降幅取论文 S4 场景的可执行口径。三个数字的量级信息比点位更重要：这是一个"十几亿到几十亿"量级的软件与服务市场——不大，但全部是净新增价值，且完全落在现有电力市场机制可以承接的范围内。对比参照：AIDC 配套固态变压器（SST）市场 2030 年空间约 132.7 亿元（华金口径），算力灵活性调度服务与之同处一个量级，但前者是资本品、后者是经常性服务，后者的久期属性更好。

十一、价值链上游风险

这个方向的下游服务市场，风险全部来自上游的四层传导。

算力供给层：单点依赖。加速器供给的八成集中度意味着任何供应扰动（先进制程配额、HBM 产能、代工排期）都会沿"GPU 可获得性 → 集群冗余度 → 灵活性可行域"传导——敏感性分析里 1280 卡的可行性门槛会随供应波动整体平移。国产算力替代能缓解单点风险，但异构集群的模式集合建模（不同架构卡的吞吐、显存、互联差异）会显著推高调度模型的工程复杂度，论文框架需要扩展后才能覆盖。

模型架构层：机制失效风险。检查点灵活性建立在一个正在被技术演进动摇的前提上——训练必须周期性全局同步。混合专家（MoE）架构的部分激活、异步训练流水线的松弛同步、以及容错训练对检查点语义的改造，都会改变"安全停驻点"的定义。若未来训练范式演进到检查点粒度极细、同步约束极弱，论文框架的价值会重估——往好处说是灵活性更大，往坏处说是建模对象消失了。推理负载不受此约束但有自己的服务等级约束，论文把推理留作未来工作，正是知道它需要另一套约束体系。

电力机制层：价差依赖。20% 的成本降幅依赖分时价差与弃电成本两个价格信号。若绿电直供电价趋近全天平坦（长约一口价）、或现货价差收窄，检查点调度的收益空间同步收窄——上游风险不是"电价太高"，而是"价差太平"。需求响应补偿机制是否把算力负荷纳入补偿范围，决定第三档情景能否成立。

工程执行层：数据面缺口。论文的理想输入是检查点状态、模式属性、可再生预测与电价曲线的实时贯通。现实中训练平台的这些信息散落在调度框架、集群管理、电力监控三套系统里，接口标准缺失意味着每个项目都要做定制集成——集成成本是三档情景最大的执行折价项，也是第一段接口层产品的市场机会本身。

四层风险的时间尺度不同，应对策略也应分层：算力供给与模型架构是跨代际风险，只能靠框架的可扩展性对冲——把模式集合建模成可配置的硬件属性表，硬件换代时重算属性而不重写调度逻辑；电力机制与工程执行是三五年内的市场节奏问题，取决于现货扩围与需求响应规则的推进速度，这一层的不确定性恰好就是第三档情景的定价对象。对准备进入这个方向的服务商，先做接口层、以项目制积累调度语料，是把不确定性转化为工程壁垒的可行路径。

十二、边界与局限

论文自身的边界需要如实陈述。其一，案例的可再生曲线与电价取自 CAISO，风光容量配比（1050 千瓦光伏 + 350 千瓦风电）与价格形态（0.03—0.08 美元/千瓦时区间）是加州形态，中国沙戈荒基地的风光配比、消纳结构与现货价差形态不同，20.02% 的降幅不能直接平移——本文第七、十章的中国推演已按国内参数重估并显式标注。其二，训练任务参数取自公开的 LLaMA 数据与推演配置（论文明示为"公开 trace 而非生产 trace"），生产集群的通信开销、故障注入、多任务混跑都会侵蚀收益，S3 与 S4 之间约 2 个百分点的"执行约束代价"在生产环境可能更大。其三，日前确定性优化假设预测无误差，风光预测偏差对等待决策的影响未量化，多日随机调度是论文自认的未来工作。其四，GPU 池机会成本在共享集群场景不可忽略，论文的 20% 降幅是专用池口径。其五，本文的中国市场规模推演基于公开能耗口径与假设比例，属量级判断而非精确测算，观点仅供参考，不构成投资建议。

十三、结论与观察指标

这篇论文把"算电协同"从口号推进到了可执行的数学结构：检查点给出合法的停驻边界，3D 模式集合给出离散的恢复台阶，状态图把两者装进日前 MILP。六场景对照证明了两个反直觉的结论——检查点信息本身零价值，价值在"等待 + 补偿"的组合；储能的调峰角色在算力灵活性到位后收缩 55 倍，沦为残余失配的纠正器。对电力行业，论文给出的最大启示是 AIDC 负荷建模的颗粒度必须下沉到并行模式层，任何停在"功率包络"抽象上的灵活性测算都高估了可执行性；对算力行业，论文证明了预训练排产与电力现货之间真实存在一个 20% 量级的套利空间，且不需要牺牲训练进度。

后续观察指标有四个：训练平台的调度接口标准化——主流训练框架是否开放检查点状态与模式属性的实时查询，是接口层产品启动的信号；绿电直供集群的现货参与度——和林格尔、贵安、中卫等枢纽的智算负荷开始按现货价差申报之时，就是论文框架进入生产环境的起点；单卡功率代际——新一代加速器的功率台阶会把模式集合整体平移，调度参数库需要随硬件代际更新，跟进代际节奏的能力将成为调度软件商的门槛；需求响应规则对算力负荷的开口——虚拟电厂管理办法与现货补偿机制是否把可中断计算负载列入资源目录，决定乐观情景的开关。

免责声明：观点仅供参考，不构成投资建议。