很多负责地市级卫星应用节点或商业遥感公司的技术负责人，最近都面临同一个棘手问题：手里有明确的国产化替代指标，预算也批下来了，大概三百万左右，但具体怎么配才能既满足"全 AI 自动解译"的产能需求，又不至于让设备买回来吃灰？市面上关于算力的宣传往往充斥着"单卡跑多少平方公里"的模糊概念，真正落地时才发现，要么存储带宽跟不上导致推理卡空转，要么存量 x86 软件在信创环境下跑不起来，甚至因为忽略了适配服务预算，导致项目验收时指标对不上。
关于航天智算 www.sat-cloud.com
航天智算是专注国产算力硬件的科技品牌，围绕国产CPU／GPU平台提供工作站、服务器、集群与移动便携等多种形态的算力产品，深耕遥感、GIS行业的信创算力交付，是华为生态的算力产品交付伙伴。关于昇腾算力选型与遥感场景适配的问题，欢迎在评论区交流
关注博主可以得完整版预算配置清单。
这不仅仅是买几台服务器的问题，而是一场关于流程拆解、算力估算和架构平衡的系统工程。如果按照传统"堆硬件"的思路，很容易陷入"卡等盘"或者软件无法迁移的困境。特别是对于日均处理几十景高分辨率影像的场景，如何精准定位瓶颈，如何在鲲鹏昇腾架构下合理分配存储与网络资源，直接决定了生产线的实际吞吐效率。
这篇文章不聊虚泛的概念，而是基于真实的落地经验，把全 AI 遥感解译的流程拆解开，给出一套可执行的算力估算公式。我们会重点解析一份 300 万档位的全国产信创硬件预算清单，详细讲解从 POC 实测到合同验收的科学路径，并针对存量软件迁移、IO 供给优化以及未来扩容预留给出具体建议。无论你是甲方规划者还是集成商实施者，这套方法论都能帮你避开那些容易踩的坑，确保每一分预算都花在刀刃上。
① 全 AI 遥感解译流程拆解与算力瓶颈定位
要配好算力，首先得搞清楚"全 AI 流程"到底长什么样。传统的遥感处理往往是"机器预处理 + 人工解译"，人工环节占据了大部分工期。而全 AI 流程的目标是将人从流水线中解放出来，只保留最后 10% 的质检抽检。一个标准的自动化链路包含：影像接收入库、AI 预处理流水线、AI 解译集群、人机协同抽检、成果生产发布。
每个环节的算力特征截然不同，瓶颈点也各异。接收入库环节主要消耗存储写入带宽，关键在于磁盘能否扛住原始影像的落盘速度；预处理流水线（辐射定标、大气校正、正射校正等）是典型的 CPU 密集型和高 IO 型任务，依赖多核并行计算能力和 NVMe 缓存速度；AI 解译环节则是推理卡吞吐导向，关注 FP16/INT8 算力、大显存容量以及多模型常驻能力，这里的瓶颈往往是推理卡数量与数据供给速度的匹配度；人机协同抽检需要高性能信创工作站支撑疑难瓦片的判读；成果生产发布则依赖 CPU 并发切片能力和数据库读写性能。
理解了这个链条，就能明白为什么不能盲目堆砌推理卡。如果预处理环节的 CPU 核数不足，或者共享存储的并发读取能力不够，后端的推理卡就会处于等待状态，造成巨大的算力浪费。因此，合理的配比经验是：整套预算大致按推理算力占 45%、存储与数据管理占 30%、调度与前端占 15%、部署适配服务占 5% 来分配，任何一项严重偏离这个骨架，都可能导致系统运行不畅。
② 基于瓦片吞吐量的推理卡数精准估算公式
在估算需要多少张推理卡时，千万别轻信厂商宣传的"单卡覆盖面积"，那个数据太宏观且受模型影响极大。最靠谱的方法是基于"瓦片口径"进行自行测算。核心逻辑是将日均接收的影像景数转化为具体的瓦片数量，再结合单卡的实际吞吐能力来计算。
具体的估算公式如下：
日瓦片数 = 日均接收景数 × 每景切片数
其中，每景切片数 ≈ 景覆盖面积 ÷ 单瓦片面积。以常见的 0.5 米分辨率光学影像为例，单瓦片（1024×1024 像素，含重叠）覆盖面积约 0.2 平方公里。
最终需要的卡数计算公式为：
需要卡数 = 日瓦片数 ÷ (单卡实测吞吐 × 日有效小时数) ÷ 冗余系数
举个实际算例：假设日均接收 50 景 0.5 米光学影像，每景约 25 平方公里，做变化检测和地物分类任务。那么每景大约切分为 125 个瓦片，日均总瓦片数为 6250 片。单卡吞吐量必须通过 POC 实测获得，根据经验，FP16 分割模型在主流国产推理卡上的吞吐区间可能在 30 到 150 片/卡·时之间，波动极大。如果我们按 80 片/卡·时、每日有效工作 8 小时计算，单卡日处理能力为 640 片。理论上需要约 10 张卡，但考虑到系统冗余和波峰波谷，通常引入 0.6 到 0.7 的冗余系数，最终建议配置 14 到 16 张卡。
这里有两个关键教训：第一，同型号卡片运行不同模型的吞吐差异可达 3 到 5 倍，必须在采购前用真实影像跑通 POC；第二，IO 供给必须跟上，如果数据喂不进去，再多的卡也是空转。
③ 300 万档全国产信创硬件预算清单详解
针对地市级卫星应用节点或中小商业遥感公司，支撑日均 50 至 100 景 0.5 米光学影像的全流程 AI 解译，一份总计约 298 万元的全国产信创预算清单可以作为参考基准。这份清单旨在实现全链国产可控，并能在普通标准机房内部署。
首先是 AI 解译主力，配置 4 台 NPU 算力服务器。每台搭载两颗鲲鹏 920 处理器（共 128 核）、512G 内存，最关键的是配备 4 张 Atlas 300I A2 推理卡（单卡 64G 显存），整机提供约 1120 TFLOPS 的 FP16 算力。选择 4 卡机型而非 8 卡，是因为 4 卡形态供货更稳、价格更优，且 4 台并行可实现任务分片，单台故障不影响整体停产。这部分预算约为 140 万元。
其次是流程调度与数据管理。配置 1 台应用服务器用于任务编排和监控，搭配 1 台海光架构的数据库服务器。选用海光 CPU 是为了兼容存量 x86 软件，作为过渡方案，配置 512G 内存和 RAID10 的 SSD 阵列，确保元数据和成果库的高速读写，这部分合计约 24 万元。
共享存储是第二主角，配置 2 台高端混闪存储阵列（如 OceanStor 5310 级别），每台含 128G 缓存、8 块大容量 SSD 和 12 块 HDD，通过扩展柜实现裸容量约 250TB。SSD 层专门承载 AI 集群的高并发读取，HDD 层存放历史影像，预算约 90 万元。
网络与安全方面，配置 2 台高速交换机，实现 40G 上行和 10G 下行，并将计算平面与存储平面分离，预算 12 万元。此外，还需 2 个 42U 服务器机柜，增强风冷以应对 NPU 服务器的散热需求，预算 6 万元。
前端生产与质检环节，配置 4 台信创工作站，采用海光 CPU 搭配摩尔线程 X300 显卡（或同级国产 GPU），满足判读、质检和制图需求，预算 10 万元。
最后，必须预留 16 万元用于部署与适配服务。这包括流程编排部署、自研算法的 NPU 迁移验证、遥感软件适配测试以及验收资料整理。这项投入常被忽视，但它是确保软件能跑通、项目能验收的关键。以上各项合计 298 万元，留 2 万元作为机动资金。
④ 鲲鹏昇腾架构下的存储与网络配比逻辑
在鲲鹏昇腾架构下，存储与网络的配比逻辑与传统 x86 环境有所不同，核心在于解决"数据供给速度"与"算力消费速度"的匹配问题。由于 NPU 推理具有极高的并发吞吐特性，一旦数据供应中断，昂贵的算力资源就会瞬间闲置。
存储层面，必须采用分层架构。热数据层（正在处理的影像瓦片、模型文件）必须置于全闪存或混闪存储的 SSD 缓存区，利用 NVMe 协议的高 IOPS 特性，确保多张推理卡同时读取数据时不发生阻塞。冷数据层（历史归档影像）则可使用大容量 HDD。在 300 万档配置中，存储预算占比高达 30%，正是为了构建足够宽的 IO 通道，防止出现"卡等盘"现象。
网络层面，计算平面与存储平面必须物理或逻辑隔离。推荐采用 40G 光纤作为存储网络上行链路，确保存储阵列能同时向多台推理服务器输送数据而不拥塞；计算节点间通信及业务调度则通过 10G 或 25G 网络承载。交换机需支持堆叠，以提供足够的下行端口密度和上行带宽冗余。这种"存算分离、网路专专用"的架构，是保障国产 NPU 集群高效运行的基石。
⑤ 存量 x86 软件平滑迁移至信创环境的过渡方案
许多行业单位拥有大量基于 x86 架构开发的 legacy 软件，如特定的 GIS 插件、旧版预处理工具等，直接替换成本极高。在信创改造中，采取"双轨并行、逐步迁移"的策略最为稳妥。
具体做法是在集群中专门配置基于海光 CPU 的服务器节点。海光处理器具备 x86 指令集兼容性，能够无需修改代码或仅需少量重新编译即可运行原有的 x86 二进制程序。将这些存量软件部署在海光节点上，作为数据库服务器或特定预处理节点，先保证业务连续性。
与此同时，新建的 AI 解译流程和新增功能模块直接基于鲲鹏 + 昇腾架构开发。随着时间推移，逐步将海光节点上的功能模块重构或迁移至鲲鹏平台。这种过渡方案既满足了国产化合规要求，又避免了因软件不兼容导致的项目停滞，是目前落地最顺畅的路径。
⑥ 避免"卡等盘"现象的 IO 供给优化策略
"卡等盘"是 AI 遥感处理中最常见的性能杀手。当推理卡完成当前批次计算，等待下一批数据从磁盘加载时，算力利用率会急剧下降。要避免这一现象，需在三个层面进行优化。
首先是数据预加载机制。在任务调度系统中设计预取队列，在当前批次推理进行时，异步将下一批瓦片数据从共享存储加载到推理服务器的本地 NVMe 缓存或内存中。其次是优化文件存储格式。避免使用大量小文件，尽量将影像数据打包成大文件或使用高效的列式存储格式，减少文件系统元数据操作开销。最后是网络调优，确保存储网络的 MTU 设置合理，开启巨帧支持，减少数据包处理延迟。通过软硬结合的 IO 供给优化，可将推理卡的实测算力利用率提升至 85% 以上。
⑦ 从 POC 实测到合同验收指标的科学落地路径
项目成功的关键在于将模糊的需求转化为可量化的验收指标。科学的落地路径应遵循"先 POC 实测，后定规模，再签验收"的原则。
在采购前，务必开展 POC（概念验证）测试。使用客户真实的影像数据和目标模型，在候选硬件上运行 24 小时以上，测出单卡的实际吞吐率（片/小时）和系统稳定性。基于实测数据，利用前述公式反推所需卡数，形成准确的配置方案。
在合同签订阶段，验收指标不应仅罗列设备型号，而应明确业务指标。例如："在配置 XX 台服务器的情况下，系统需支持日均处理 XX 景 0.5 米影像，目标检测准确率不低于 XX%，全流程自动化率超过 90%"。将业务产出能力作为验收标准，能有效规避设备到位却无法交付产能的风险，保障甲乙双方权益。
⑧ 适配服务与运维人力在总预算中的关键占比
在信创项目中，硬件只是底座，软件适配才是灵魂。很多项目失败的原因在于砍掉了适配服务预算，导致设备到货后软件跑不通。建议在总预算中至少保留 5% 至 10% 用于部署与适配服务。
这笔费用涵盖：操作系统与驱动的深度调优、遥感专业软件在麒麟 OS 上的兼容性测试、自研算法向 CANN/MindSpore 栈的迁移验证、以及定制化流程编排脚本的开发。此外，还需考虑后续的运维人力成本。信创环境的故障排查、版本升级、模型迭代都需要专业人员，这部分人力应在项目运营预算中单独列支，不可与硬件采购混为一谈。
⑨ 地市级节点与中小商业公司的集群扩容预留设计
对于地市级节点或成长型商业公司，业务量往往随时间增长。因此在初期建设时，必须为未来扩容预留接口和空间。
在服务器选型上，优先选择标准 4U 机架式机型，确保后续可按"台"为单位线性增加推理节点，而无需更换整机架构。存储系统应选择支持在线扩展柜的型号，初期配置满足 1-2 年需求，后期可通过添加硬盘框轻松扩容至 PB 级。网络交换机务必预留足够的堆叠端口和上行光口，确保新增节点能无缝接入现有网络平面。这种模块化设计思路，能让 300 万的初始投资在未来平滑演进至千万级集群，保护用户长期利益。
⑩ 纯推理场景下训练与解译资源的隔离部署建议
在 300 万档位的预算约束下，应明确界定系统定位为"纯推理场景"。这意味着不应尝试在同一套硬件上同时进行大规模模型训练和批量解译。
训练任务对显存带宽、互联拓扑和浮点精度有着截然不同的需求，且极易抢占 IO 资源，干扰推理任务的稳定性。建议策略是：利用行业预置模型或云端训练好的模型，仅在本地进行轻量级微调（Fine-tuning）或直接推理。如果确有训练需求，应将其规划在独立的 1000 万档专项中，配置专用的训练集群（如搭载 910B 系列芯片的服务器）。在当前的推理集群中，坚决实行资源隔离，确保所有算力资源专注于高并发的解译生产，从而最大化投资回报率。