百度公布天池超节点架构设计文档:一文读懂供电系统设计

一项大模型训练任务，可能连续运行数天。64张GPU通过高速网络组成一个计算整体，其中一路电源发生故障，如果保护和冗余没有接住，整项任务都可能中断。

所以，超节点的供电不能只看“总功率够不够”。它还要适应不同数据中心的输入条件，在某个电源模块退出后维持运行，并且尽早发现母排接点的异常发热。

百度最新开放的《天池超节点技术架构设计规范》，把这些问题写进了一套64卡整柜方案。文档中提出，天池超节点已经在百度百舸AI计算平台完成大规模部署验证，并实现主流大模型推理单卡吞吐提升数倍。

这套供电设计面向实际运行环境，已经走过了单纯样机展示的阶段。

需要完整版《百度天池超节点技术架构设计规范》的朋友，可以私信后台，领取完整PDF文档。

 01｜四种输入解决的是存量机房怎么接入

假设同一款天池机柜需要部署到两个数据中心：一个机房提供三相380V交流，另一个机房已经建设240V直流。如果整柜只接受一种输入，第二个项目就要改造前端供配电，部署周期和成本都会上升。

百度把这部分差异交给Power Shelf处理。规范列出了四种输入组合：单相交流双路、240V直流双路、单相交流与240V直流混合，以及三相交流双路。

机房电源通过Power Whip进入Power Shelf，经过电源模块转换后统一形成54V输出，再由整柜Busbar给GPU计算节点和高速交换节点供电。无论前端接入交流还是240V直流，计算节点看到的都是同一套54V接口。

可以把Power Shelf理解成机房电源与计算节点之间的适配层。存量数据中心不必为了引入一款超节点，把原有供电路线全部推倒重建。项目现场主要调整Power Whip和输入配置，后面的计算节点、母排和管理逻辑可以继续复用。

这项设计也有代价。

兼容的输入类型越多，电源模块需要覆盖的工作范围越复杂，混合输入场景还要验证两路电源在动态切换、保护定值和故障恢复上的一致性。规格写着“支持”只是起点，现场能否稳定切换还要靠整柜测试。

 02｜一路电源掉线训练任务不能跟着停

天池每台Power Shelf安装12个3.3kW电源模块。每个模块都配有A、B两路独立输入，并集成ATS自动切换功能。

正常运行时，电源模块从默认回路取电。主回路失电后，模块自动切到备用回路；主回路恢复后再自动切回。规范要求整个过程中54V输出保持在±5%范围。

这项指标落到业务层面很好理解。机房一路电源发生波动时，GPU不应该察觉到明显的供电中断。切换过程中如果54V母线跌落过大，计算节点可能复位，运行了几天的训练任务就要重新开始。

百度还给业务交换机和ILO带外管理交换机安排了独立交流供电。Power Shelf后部提供3+3路冗余C13插座，这些管理设备不从算力54V母线取电。

发生算力供电故障时，带外管理通道仍有机会保持在线。运维人员可以远程查看告警、读取日志并定位故障。如果管理交换机和GPU共用同一故障域，机柜一旦失电，运维人员看到的往往只剩下“设备离线”。

 03｜N+1和N+2买到的是不同程度的保险

32卡天池配置一台Power Shelf，12个3.3kW电源模块全部装满。按照N+1运行，需要预留一个模块应对故障，可用功率为11×3.3kW，也就是36.3kW。整柜散热设计功耗为33kW，两者之间留有约10%的余量。

64卡版本使用两台Power Shelf。按照文档给出的22个可用模块计算，总功率为72.6kW，整柜散热设计功耗为66kW。

如果选择N+2，每台Power Shelf需要预留两个模块，可用功率会降到33kW；两台合计66kW。多留一个备份模块，相当于用3.3kW可用容量换取更强的故障容忍能力。

这笔账对用户很重要。宣传材料常把N+1、N+2和最大功率放在同一张参数表里，容易让人以为它们能够同时达到。实际项目必须明确采用哪一种冗余模式，并写清楚对应的持续功率、峰值时间和高温降额条件。

规范中还有一个需要百度进一步解释的数字。Busbar章节写到单柜最大支持150kW，但母排电流规格为1400A。按照54V计算，一条1400A电流路径对应的理论功率约为75.6kW，与64卡方案72.6kW的可用功率基本吻合。

150kW若要成立，需要双路母排、两条独立电流路径或其他扩展设计。当前文档没有交代这些条件。现阶段可以确认的是72.6kW配置，150kW更适合视为待补充边界条件的平台指标。

 04｜两台Power Shelf一起供电，还要避免一边累死

64卡方案把两台Power Shelf分别放在机柜顶部和底部，两路54V输出通过Busbar并联。功率简单相加并不困难，难点是让两台设备合理分担电流。

这有点像两个人一起抬重物。两个人的力量总和足够，如果重心偏向一侧，其中一个人仍可能先撑不住。电源并联也是如此：均流出现偏差时，一台Power Shelf可能提前过载，另一台还有不少余量。

百度在每台Power Shelf中配置独立RMC，通过拨码开关确定主从关系，再用RJ45接口连接两台RMC，完成电流均衡、状态交换和统一调度。

实际验收不能只看正常工况下的均流曲线。主从通信中断、单台RMC重启、一个电源框退出、某个PSU突然失效，这些场景都要逐项测试。双Power Shelf能否构成有效冗余，取决于故障发生后负载是否能够平稳转移。

 05｜一个50微欧的接点，可以变成72W热源

在66kW负载下，54V母线电流约为1222A。千安级电流经过Busbar Clip时，接触电阻的一点变化都会被迅速放大。

假设某个接点因为松动、氧化或装配偏差，接触电阻增加50微欧。在1200A电流下，这个接点产生的热量约为72W。可以想象成把一只老式70W灯泡产生的热量，集中塞进一个很小的连接界面。

局部温升会加快镀层和接触面的老化，接触电阻继续增加，发热也会随之上升。等到整台Power Shelf报告过温，连接位置可能已经出现明显损伤。

天池Busbar采用T2紫铜，镍打底、表面镀银，用于降低导体与接触界面的电阻。百度还把Busbar Clip温度单独接入RMC。系统可以把接点温度与母排电流、整柜功率放在一起判断，从异常温升中提前识别接触电阻变化。

计算节点采用盲插供电，推进机柜后由Bar Clip直接接触背部Busbar。现场少接一根线，工厂端就要多控制几项参数，包括结构公差、插接压力、表面磨损和插拔寿命。母排连接器能否长期稳定，比纸面上的1400A额定值更难验证。

 06｜RMC相当于整柜电源的值班工程师

天池RMC安装在Power Shelf内部，支持热插拔。它持续采集输入输出功率、电压、电流、环境温度和Busbar Clip温度，同时监控每一个PSU是否在位。

单个电源模块发生异常后，RMC可以把故障定位到具体槽位，并保存故障前后的黑盒日志。运维人员据此判断问题来自机房输入、PSU本身还是母排接点，无需把整柜所有电源逐一排查。

规范还要求PSU支持在线升级和降级回滚。依靠N+1或N+2冗余，电源模块可以逐台轮换升级，计算任务继续运行。

当整柜功率、电流或温度接近设计边界时，RMC采集的数据还可以用于Power Capping。系统提前限制部分功耗，避免过流或过温保护突然切断整柜电源。对用户来说，适度降低一段时间的性能，通常比训练任务整体中断更容易接受。

类似的模块化运维已经出现在其他整柜产品中。Dell在2026年发布的IR7044维护资料，把Power Shelf、Power Management Controller和Power Busbar分别设计成可更换部件，并提供独立维护流程。

这说明整柜电源行业正在形成相近的运维思路：故障要定位到模块，部件要能够单独更换，维护过程尽量减少对其他计算节点的影响。

 07｜百度百舸的部署说明了什么

按照规范披露的信息，天池超节点已经在百度百舸AI计算平台完成大规模部署验证。对于这套供电架构，至少可以得出两个判断。

第一，交流与240V直流兼容、双路ATS、双Power Shelf均流以及RMC管理已经进入实际平台环境，设计目标显然覆盖批量部署和长期运维。

第二，公开文档暂时没有给出故障率、均流偏差、ATS切换波形、Power Capping效果和平均修复时间。这些数据决定供电架构在真实运行中的表现，也是后续评估天池成熟度时更值得跟踪的指标。

因此，供应商阅读这份规范时，可以把注意力放在几个具体问题上：电源模块退出后整柜能否保持运行；双Power Shelf在各种故障工况下怎样分配电流；Busbar Clip异常升温能提前多久发现；PSU升级是否真的对业务无感。

把部件连接成一套能长期运行、方便维修、适应存量机房的系统，是百度这份规范对产业链提出的完整要求。