多园区人工智能数据中心中位置鲁棒且成本保持的混合定价方法

《Symmetry》：Location-Robust Cost-Preserving Blended Pricing in Multi-Campus AI Data Centers Qi He

　　

多园区人工智能（AI）数据中心会在地理上异质的多个地点采购相同的硬件与服务SKU，但财务与运营管理需要针对每个SKU建立单一的系统级基准（“世界价格”），以支持预算编制、成本分摊和容量规划。朴素的按部署加权聚合虽然能够保持总成本，但可能诱发辛普森型（Simpson-type）聚合偏差：异质的位置组合会逆转全局SKU排序，并削弱管理决策信号。该研究对“位置鲁棒且成本保持的聚合”问题进行了形式化，并为生产级成本流水线开发了两类具有数学结构的算子。第一类算子采用双向固定效应（two-way fixed-effects, FE）分解，将全局SKU效应与园区特异性溢价分离，并通过归一化保证成本的严格保持。该方法可生成具有可解释性的基准，并在园区覆盖足够广、位置效应近似可加时表现良好。第二类算子求解受约束的凸公共权重优化（constrained convex common-weight optimization），生成一组统一的、非负的园区权重；该权重在保持总成本的同时，在有序设定下能够对支配关系逆转提供最强保护。仿真实验与半真实校准的AI数据中心运营支出（operating expenditure, OPEX）示例表明，相较于朴素混合，两类算子都能显著提升排序稳定性，而凸算子在不利异质性条件下是更保守的防护方案。由此形成的“检测—校正—验证”（detect–correct–validate）工作流，为分布式AI基础设施中的稳健成本聚合提供了可扩展的决策支持框架，并说明了保持对称性的聚合算子如何在大型异质系统中稳定基准构建。

该文发表于《Symmetry》，聚焦多园区人工智能（AI）数据中心中“世界价格”构建的核心难题：相同硬件或服务SKU虽然在不同园区具有可比性，但由于电力、制冷、劳动力等区位成本差异，以及SKU在各园区的部署结构不同，若直接采用按部署数量加权的朴素混合价格，虽然能在会计意义上严格匹配总成本，却会出现典型的辛普森悖论（Simpson’s paradox）式排序逆转。即某SKU在每个园区内都更便宜，但汇总到系统层面后反而显得更贵。这一偏差会误导预算、采购谈判、容量扩缩、内部分摊与工作负载迁移等关键管理决策。因此，研究人员提出需要一种同时满足成本保持、位置鲁棒与可分布式实施的混合定价框架。

围绕这一问题，研究人员首先将多地点成本聚合形式化为一个跨位置价格矩阵到SKU级世界价格向量的映射问题，并明确提出三项性质：其一，成本保持，即用世界价格替代各园区局部价格后，按观测数量计算得到的总成本必须与真实系统总成本完全一致；其二，位置鲁棒性，即当某SKU在所有园区都不高于另一SKU时，聚合后应尽量避免发生排序逆转；其三，可实施性，即方法应能基于低维汇总量在分布式数据管道中稳定运行。基于此，论文设计了两种互补的聚合算子。第一种是双向固定效应（two-way fixed-effects, FE）世界价格算子，将局部单价表示为SKU固定效应、园区固定效应与残差之和，并使用数量加权最小二乘估计；随后再施加统一标量校正，使最终SKU价格向量严格满足总成本保持。该方法的突出优点是具有较强可解释性，可将“SKU内在成本水平”与“园区系统性溢价”区分开来。第二种是受约束凸公共权重算子，其核心是为所有SKU施加同一组非负园区权重，以构造统一的加权平均价格；再通过一个带有单纯形约束与成本约束的凸二次规划，使该公共权重尽量接近预设基线权重，同时严格复原系统总成本。由于不同SKU不再使用各自不同的地点权重，该方法在有序园区情形下能够从结构上消除支配关系逆转。

为支撑方法选择与验证，研究人员建立了一套诊断驱动的决策支持流程。该流程包括朴素基线计算、双向FE加性结构可行性评估、排序鲁棒性需求评估以及算子选择规则，并建议在生产环境中采用“FE优先、凸算子作防护栏”的默认策略。评价指标方面，论文提出排序违背率（order violation rate, OVR）与成本扭曲比（cost distortion ratio, CDR）。OVR用于衡量在局部价格存在明确支配关系的SKU对中，聚合后发生排序颠倒的比例；CDR则衡量用聚合价格重算总成本时与真实总成本的偏离程度。样本并非真实企业私有账目队列，而是由两类数据来源构成：一类是受控园区级仿真场景；另一类是半真实校准的AI数据中心OPEX案例，后者设定10个北美和欧洲匿名数据中心与6个标准化AI计算SKU，电价、功率使用效率（power usage effectiveness, PUE）、单位计算小时能耗与部署模式均被校准到公开可接受范围。

方法上，研究主要采用四类关键技术：第一，建立产品×园区截面价格—数量矩阵及成本保持约束的数学表述；第二，采用数量加权双向固定效应（FE）回归并通过统一标量归一化实现严格成本保持；第三，构建带单纯形与线性成本约束的凸二次规划，通过公共非负园区权重获得更强排序约束；第四，利用OVR、CDR及结构化压力测试，在仿真与半真实校准OPEX数据上开展“检测—校正—验证”评估，并讨论其在PySpark或SQL支持的分布式系统中的实现方式。

以下为论文各部分核心结果解读。

2. Problem Formulation and Simpson’s Paradox
研究人员首先给出问题设定：对每个产品_i和园区_j，观测局部单价与部署数量，并希望以每个产品一个世界价格来替代完整价格矩阵。论文指出，最自然的朴素方法是对每个SKU按自身部署份额进行加权平均，但这会使不同SKU因部署地理结构不同而混入不可比的位置成分。研究人员用一个“两产品—两园区”最小示例严格展示：即使产品A在每个园区都便宜于产品B，只要A更多部署在高价园区、B更多部署在低价园区，朴素混合后就会出现A全球价格高于B的逆转。这一部分奠定了全文的理论起点，即问题不是单纯的求平均，而是要避免由地点组合差异引起的辛普森型聚合偏差。

3. Method 1: Two-Way Fixed-Effect World Prices
在这一部分，研究人员提出双向固定效应世界价格算子。具体而言，局部单价被分解为SKU固定效应、园区固定效应与残差。通过数量加权最小二乘估计，部署规模更大的单元在拟合中拥有更高权重，从而使估计结果更符合财务暴露的重要性。随后，研究人员对估计得到的SKU效应施加统一标量调整，使按SKU总量加权后的总成本与系统真实总成本完全相等，从而严格满足成本保持。该方法的关键结论是：其对成本保持具有构造性保证；当价格矩阵覆盖较完整、园区效应近似可加、SKU×园区交互较弱时，FE世界价格能较稳定地保留局部排序，并提供“产品效应—园区溢价”的经济学解释。研究人员同时强调其边界条件：若SKU×园区交互很强、数据稀疏或大量依赖插补，则该算子的排序稳健性会下降，尽管成本保持仍然成立。

4. Method 2: Constrained Convex Weight Aggregation
这一部分提出受约束凸公共权重聚合。与FE分解不同，该方法仍保留“加权平均”的直观形式，但要求所有SKU共享同一组园区权重，且权重非负并和为1。研究人员进一步引入一个基线权重向量，例如按全局数量份额构造，再通过凸二次规划在“尽量接近基线权重”和“严格满足总成本保持”之间求解唯一最优解。该部分的核心结论是：由于所有SKU使用统一的非负园区权重，只要某SKU在每个园区都不高于另一SKU，聚合后就不可能发生排序逆转，因此其在有序情形下提供了全文最强的排序纪律保证。文中还给出忽略非负约束时的闭式投影解，以及处理负权重时的主动集（active-set）迭代方案，并分析其计算复杂度在园区数量较小时几乎可以忽略，适合在大规模分布式环境中作为轻量后处理步骤部署。

5. Decision Support Workflow and AI Data Center OPEX Case Study
本节先提出方法选择工作流，再利用半真实校准AI数据中心OPEX案例进行演示。工作流中，研究人员建议先用朴素混合作为会计基线，再拟合双向FE模型判断加性结构是否合理；若排序敏感且观察到明显违背，则切换到凸公共权重算子。评价指标上，OVR直接度量局部支配关系被颠倒的比例，CDR则度量总成本扭曲。
在AI数据中心案例中，10个数据中心的电价约为9–18美分/kWh，PUE在1.2–1.6之间，6个SKU对应训练型、推理型或混合型AI服务器配置，每单位标准化计算小时的OPEX大致在0.6–1.4美元之间。局部数据被有意设计为：各园区内部SKU排序稳定单调，训练型SKU始终最贵，推理型SKU始终最便宜；但SKU部署地域结构高度异质。结果显示，朴素混合严重扭曲该局部层级，使本应最便宜的推理型SKU在全球世界价格中反而排名最贵，OVR约为0.73。相比之下，FE算子恢复了预期的SKU₁ > … > SKU₆单调结构，OVR接近0，CDR在机器精度范围内为0；凸公共权重算子同样获得严格单调排序，并在成本保持上达到数值精度级精确。研究人员据此认为，两种方法都显著优于朴素混合，而凸算子在排序敏感场景中更为保守可靠。

5.5. Interpretation for AI Capacity Planning
在面向AI容量规划的解释中，论文指出，全球单一SKU成本常被用于内部计费、迁移模拟、定价折扣与区域扩容评估。如果该标量由当前部署结构驱动的朴素混合产生，就会把“今天的地理分布”错误固化为“明天的决策依据”。FE与凸公共权重算子则能在保持总OPEX不变的同时，剥离地点效应或统一地点权重，使全球SKU单位成本更多反映技术与效率本身，而非偶然的部署位置，从而为长期容量规划与公平分摊提供更可信的基准。

6. Robustness Under Stress Scenarios
这一部分是论文的重要稳健性分析，围绕四类现实摩擦展开。
6.1. Design and Main Finding: Mix Extremity
研究人员通过极端化部署混合压力测试，控制性地让局部更便宜的产品越来越集中于高价园区，让另一产品越来越集中于低价园区。结果表明，朴素混合的排序信号随极端程度单调恶化，并在足够强的异质性下跨越零界点发生逆转；FE与凸算子在整个路径上均维持正确排序，说明二者能消除由产品特异性地点混合引起的典型辛普森失效模式。
6.2. Interaction Stress: Boundary of Additive Two-Way FE
在SKU×园区交互压力测试中，研究人员逐步增强非平行的园区溢价效应，使价格矩阵偏离双向加性结构。结果显示，FE加性拟合的均方根残差随交互强度升高而显著上升，表明加性假设受到越来越强的结构失配；但在完全观测设定下，FE排序依然稳定，而朴素混合在较低交互强度下便出现逆转。这说明交互效应首先破坏的是基准恢复精度与结构解释，而不是立刻破坏FE的成本保持。
6.3. Sparsity Stress: Missing SKU×Campus Prices
针对价格矩阵不完整情形，论文通过随机遮蔽单元格引入稀疏性，并保证每个SKU与园区仍具有最小可识别观测。FE方法利用双向加性结构对缺失价格进行插补，凸算子则在插补基础上计算园区暴露。结果表明，朴素混合即使在完全观测时也极不稳定；随稀疏性增加，其排序翻转率依然很高。FE与凸算子在大范围稀疏水平下都基本维持无翻转，且相对“全矩阵oracle基准”的误差比朴素方法低一个数量级。与此同时，FE对缺失单元的插补均方根误差随稀疏水平升高而单调增大，明确揭示了其在稀疏环境中的性能边界主要来自外推误差。
6.4. Noise Stress: Ranking Stability and Estimation Accuracy Under Price Perturbation
最后，研究人员用乘法噪声模型同时加入园区共享扰动与SKU×园区特异扰动，并考察OVR、Spearman秩相关、与干净基准的平均绝对偏差以及CDR。结果显示，朴素混合在噪声增强时与干净基准的秩相关迅速下降，世界价格偏离不断扩大，说明其在实际数据扰动下最为脆弱。FE在中等噪声区间保持较高稳定性与较低误差，但在大噪声下保护作用减弱。凸公共权重算子则在整个测试范围内保持近零OVR、较高秩相关与平滑增长的误差曲线，体现出最保守的排序防护特性。

Discussion部分总结指出，本文贡献并不局限于某单一文献传统，而是连接了指数理论（index-number theory）、位置效应校正与面向财务的基准设计。研究人员提出的核心框架由两类互补算子、两项无模型诊断指标及一套结构化选择工作流组成，共同构成面向分布式AI基础设施的可扩展决策支持系统（DSS）。其中，FE算子更适合需要解释性、覆盖相对完整、且加性结构仍有信息量的情形；凸公共权重算子则适用于部署混合高度异质、排序与公平性要求更高的场景。论文同时指出，该框架也可推广至其他多地点、共享会计边界且需要单一系统级成本基准的分布式成本环境，但若各地点产品不可真正比较，或质量与捆绑差异主导价格变化，则适用性会下降。

结论部分可译为：
该研究推进了应用科学中的决策制定过程，提供了一种可实施、可解释的决策支持系统（DSS），用于提升大规模、地理分布式云计算运营中成本基准构建的可靠性与公平性。