面向多校区AI数据中心的地点稳健成本保持混合定价

大型AI数据中心组合在地理上异构的校区上采购相同的SKU，但财务和运营需要单一的系统级'世界价格'用于预算和规划。常见做法是部署加权混合校区价格，这在保持总成本的同时，可能触发Simpson型聚合失效：异构的地点混合会反转SKU排名并扭曲决策信号。我形式化了在地点异构性下的成本保持混合定价，提出两种实用操作符以协调会计身份与排名稳健性和生产可行性。两种-way固定效应操作符将全局SKU效应与校区效应分离，并通过标量归一化恢复确切的成本保持，提供可解释的分解和在轻微缺失情况下的平滑。一种凸common-weight操作符在会计约束下计算单一校区权重，以强制执行地点稳健的基准并防止支配反转；我还提供可行性诊断和针对极端混合条件的松弛后备方案。仿真和AI数据中心OPEX示例显示，相对于简单混合，在保持成本准确性的同时，显著减少排名违规，同时具有可扩展的分布式实现。