简介：这份HCS-Pre-Sales-Intelligent Computing智能计算售前题库，面向备考华为智能计算售前认证的售前工程师、渠道技术人员及ICT从业者，帮助系统梳理服务器、存储、安全、网络与计算五大领域的核心考点。题库以选择题与判断题为主，覆盖TPM可信平台模块、Taishan服务器型号与iBMC管理接口、RAID与SSD分类、鲲鹏920处理器、GPU应用场景、网卡形态及企业标准QDKBA2096-2013等高频知识点，并附有参考答案，便于自测与查漏补缺。资源包共1个PDF文件，约183KB，轻量便携，适合打印或移动端随时刷题。目前已有1169人学习下载，可作为考前冲刺与知识点速查的实用参考。

1. 从一道 H19-381 模拟题说起：智能计算售前到底考什么

上周帮一个准备转售前岗的兄弟复盘 H19-381 的错题，他卡在一道「智算中心算力规划」的多选题上：给定 32 台 GPU 服务器、单机 8 卡、集群网络收敛比 1:1，问在训练和推理混合负载下，如何分配存储带宽和参数面网络。他背了三天题库，答案能默写，但换个参数就懵。这不是他一个人的问题——HCS-Pre-Sales-Intelligent Computing（智能计算售前）认证的题库，表面考的是记忆，实际考的是你能不能把算力、网络、存储、能耗这几条线在客户场景里串起来。

这篇笔记不打算给你一份「背了就能过」的答案列表，而是把 H19-381 智能计算售前题库背后的知识域拆开，告诉你每类题在考什么、参数怎么推、现场怎么讲。适合两类人：一是正在刷 H19-381 题库、想搞懂「为什么选这个」的备考者；二是刚转智能计算售前、需要一套可复用的算力方案推演方法的从业者。题库是死的，客户场景是活的，把题库当索引去补知识域，比死记选项有用得多。

2. 拆解 H19-381 题库的四大知识域与出题逻辑

2.1 算力规划题：从 GPU 卡数反推集群规模

H19-381 题库里占比最高的一类题，是给定模型参数量、训练数据量、目标训练周期，反推需要多少张 GPU、多少台服务器。这类题的核心公式不复杂，但坑在「有效算力」的折算上。

常见做法是先用理论算力估算，再乘一个经验利用率。以 FP16 训练为例，单卡理论算力记作 P，实际能跑到的有效算力通常是理论值的 30%～45%，取决于集群规模、并行策略和通信开销。题库里如果没给利用率，默认按 40% 估，这是行业里比较稳的中间值。

# 训练算力需求估算：给定模型和数据，反推GPU卡数 # 参数说明： # N: 模型参数量（单位：十亿，B） # D: 训练token数（单位：十亿，B） # target_days: 目标训练天数 # gpu_peak_tflops: 单卡FP16峰值算力（TFLOPS） # utilization: 有效算力利用率，默认0.4 def estimate_gpu_count(N, D, target_days, gpu_peak_tflops, utilization=0.4): # 训练总计算量约 6 * N * D FLOPs（前向+反向） total_flops = 6 * N * 1e9 * D * 1e9 # 单卡每天有效算力：峰值 * 利用率 * 秒数 per_gpu_per_day = gpu_peak_tflops * 1e12 * utilization * 86400 # 需要的卡数 = 总计算量 / (单卡日算力 * 天数) gpu_count = total_flops / (per_gpu_per_day * target_days) return int(gpu_count) + 1 # 向上取整 # 示例：70B模型，2T token，30天训完，单卡FP16峰值312 TFLOPS print(estimate_gpu_count(70, 2000, 30, 312))

这段代码的逻辑是：总计算量按 6ND 估（这是训练 FLOPs 的经典近似），单卡日有效算力用峰值乘利用率再乘一天的秒数。参数里最容易拍脑袋的是utilization，小集群（几十卡）能到 0.45，上千卡的大集群因为通信墙，掉到 0.3 以下很常见。题库里如果出现「千卡集群」字样，利用率要往下调。

提示：算出来的卡数还要向上取整到单机卡数的整数倍，比如算出 250 张、单机 8 卡，实际要按 256 张、32 台规划，多出来的卡用于容错和负载均衡。

2.2 网络选型题：参数面、数据面、业务面怎么分

智能计算售前题里，网络部分最爱考的是「三张网」的划分：参数面（梯度同步）、数据面（存储读写）、业务面（管理调度）。H19-381 题库里经常给一个集群规模，问参数面该用 InfiniBand 还是 RoCE、收敛比设多少。

选型逻辑其实就一条：看通信量和延迟敏感度。参数面做 AllReduce，对延迟和丢包极其敏感，大规模训练优先 IB，中小规模可以用 RoCEv2 但必须配无损网络（PFC+ECN）。数据面走存储流量，带宽大但延迟容忍度高，收敛比可以放到 3:1 甚至 5:1。业务面千兆都够。

收敛比这个参数，题库里经常换个说法叫「超订比」。1:1 就是无收敛，下行和上行带宽相等，成本最高但训练效率最好。实际项目里，参数面做到 1:1 的客户不多，2:1 是性价比拐点，再往上训练效率掉得厉害。

2.3 存储配置题：带宽和 IOPS 哪个先算

存储题在 H19-381 里属于「看起来简单、算起来容易漏」的类型。题目通常给训练数据集大小、epoch 数、单 epoch 时间，问需要多少存储带宽。很多人直接拿数据集大小除以时间，漏了数据加载的并发和预取。

正确做法是先算「每卡每秒需要喂多少数据」。假设单卡 batch size 为 B、单样本大小 S 字节、单步耗时 T 秒，则单卡数据带宽需求 = B × S / T。再乘卡数，就是存储集群要提供的聚合带宽。IOPS 则要看小文件比例，训练数据集如果是大量小文件，IOPS 会成为瓶颈，这时候要上并行文件系统或者做数据打包。

# 用 fio 快速验证存储节点实际能跑出的带宽和IOPS # 顺序读带宽测试（模拟大文件训练数据读取） fio --name=seq_read --ioengine=libaio --direct=1 --bs=1M \ --numjobs=8 --rw=read --size=10G --runtime=60 --group_reporting # 随机读IOPS测试（模拟小文件加载） fio --name=rand_read --ioengine=libaio --direct=1 --bs=4k \ --numjobs=32 --rw=randread --size=1G --runtime=60 --group_reporting

bs=1M的顺序读测的是大文件吞吐，bs=4k的随机读测的是 IOPS。售前阶段如果客户已有存储，这两个命令跑一遍，比看厂商标称值靠谱。参数里numjobs模拟并发客户端数，direct=1绕过页缓存，测的是真实落盘性能。

2.4 能耗与制冷题：PUE 和机柜功率密度

这类题在题库里占比不高但容易丢分，因为很多人只记 PUE 公式，不会结合机柜功率密度算制冷方案。常见考法是：给定单机柜功率和机房 PUE 目标，问该用风冷还是液冷。

判断线大致是：单机柜功率 15kW 以下风冷能扛，15～30kW 要用冷板式液冷，30kW 以上基本只能浸没式或强液冷。PUE 方面，风冷机房做到 1.4 算不错，液冷能压到 1.1～1.2。题库里如果出现「PUE 低于 1.2」的要求，直接选液冷方案，不用犹豫。

3. 用 H19-381 题库做售前方案推演的实操路径

3.1 把题目参数翻译成客户需求清单

刷题和做方案最大的区别是：题目给全了参数，客户不会。所以拿到一道 H19-381 的算力规划题，先别急着套公式，把题目里的隐含条件列成一张需求清单。

比如题目说「某客户要建一个支持 70B 模型训练的智算中心」，你要拆出：模型参数量 70B、训练数据量未知（要问）、目标训练周期未知（要问）、精度 FP16 还是 BF16、并行策略是 TP 还是 PP、集群规模上限、预算范围。这些信息题库不会全给，但售前现场必须问全。

我一般会做一张对照表，左边是题库参数，右边是客户现场要确认的问题。这样刷题就不是背答案，而是练「问对问题」的能力。

3.2 从题库选项反推方案边界

H19-381 的选项设计有个规律：错误选项往往对应「参数取极端值」的情况。比如一道网络收敛比的题，正确选项是 2:1，错误选项里一定有 1:1（成本过高）和 5:1（训练效率崩）。刷题时把错误选项为什么错想清楚，就等于把方案的边界条件摸了一遍。

具体做法：每道错题旁边标注「这个选项在什么条件下反而正确」。比如 1:1 收敛比在「小规模、预算充足、追求极致训练效率」时就是对的。这样积累下来，你手里就有了一套「什么场景选什么参数」的决策树，比死记答案有用。

3.3 用模拟题做 15 分钟方案速讲

售前岗的核心能力是「15 分钟讲清一个方案」。拿 H19-381 题库里的一道综合题，强迫自己在 15 分钟内输出一个完整方案框架：算力规模、网络架构、存储配置、能耗估算、大致预算。

方案速讲模板（15分钟版）： 1. 需求复述（2分钟）：客户要做什么模型、多大数据、多久训完 2. 算力规划（4分钟）：卡数、服务器数、利用率假设 3. 网络架构（3分钟）：三张网选型、收敛比、关键设备 4. 存储与能耗（3分钟）：带宽需求、PUE目标、制冷方式 5. 风险与边界（3分钟）：哪些参数敏感、哪些地方可能超预算

这个模板练熟了，题库里的综合题基本都能覆盖。关键是第 5 部分「风险与边界」，这是区分背题者和真懂的人的分水岭。

4. 智能计算售前刷题避坑：5 个血泪教训

4.1 现象：算力估算结果和题库答案差一倍

原因：利用率取值不同。题库默认 0.4，你用了 0.8 的理论值，结果自然差一倍。 解决：统一按 0.35～0.45 估，题库没给就取 0.4。如果题目明确说「小规模集群」，可以取 0.45；说「千卡以上」，取 0.35。

4.2 现象：网络题选了 RoCE 但答案要 IB

原因：没看清题目里的规模关键词。题库里出现「千卡」「大规模」「极致性能」时，参数面默认选 IB。 解决：记一条硬规则——参数面规模超过 500 卡，优先 IB；500 卡以下，RoCEv2 配无损网络可以打。数据面和业务面永远选以太网。

4.3 现象：存储带宽算出来偏小，被判错

原因：漏了数据预取和并发系数。实际训练时数据加载是流水线并行的，存储带宽要按「聚合需求 × 1.5」预留。 解决：算完基础带宽后乘 1.5 的安全系数，题库里如果给了「数据加载效率 80%」之类的条件，再除以这个效率。

4.4 现象：能耗题 PUE 算对了但制冷方案选错

原因：只看 PUE 没看机柜功率密度。PUE 1.2 可以用液冷实现，但如果单机柜只有 8kW，风冷也能做到 1.3，题库可能考的是「性价比最优」而不是「PUE 最低」。 解决：先算单机柜功率，再对照风冷/液冷的分界线（15kW），最后看 PUE 目标。两个条件都满足才选液冷。

4.5 现象：综合题时间不够，最后几道全靠蒙

原因：在前面的计算题上死磕，一道题算了 10 分钟。 解决：H19-381 的计算题，单题超过 3 分钟就先标记跳过，把概念题和选型题做完再回头算。售前考试考的是决策速度，不是计算精度。

5. 从题库到现场：把 H19-381 变成售前话术的进阶技巧

刷完 H19-381 题库的人容易陷入一个误区：以为考试通过就等于能做售前。实际上题库训练的是「给定条件下的最优解」，而售前现场面对的是「条件不全、需求模糊、预算卡死」的真实场景。把题库知识转化成现场话术，才是这套认证真正值钱的地方。

我的做法是给每个知识域准备一段「30 秒白话版」。比如算力规划，白话版是：「您要训 70B 的模型，按 30 天训完算，大概需要 256 张卡、32 台服务器，这是按 40% 利用率估的，实际跑起来如果通信优化得好，能省个十来张卡。」这段话里没有公式，但把关键参数和不确定性都带到了，客户听得懂，也留了后续调整的空间。

再比如网络选型，白话版是：「参数面这张网，500 卡以下我们用 RoCE 加无损配置，性价比高；上了千卡，建议直接上 IB，不然梯度同步的延迟会把训练效率吃掉一大截。」这句话把选型边界和理由都说了，客户如果有预算压力，自然会追问 RoCE 方案的具体配置，这时候你再展开 PFC 和 ECN 的参数，节奏就对了。

还有一个进阶技巧：用题库里的错误选项做「反向话术」。客户如果提出一个明显不合理的方案（比如参数面用 5:1 收敛比），你不要直接否定，而是说：「这个收敛比在数据面上没问题，但参数面如果这么配，AllReduce 的通信时间可能会超过计算时间，训练效率会掉到 30% 以下。我们可以先按 2:1 设计，如果预算实在紧，再考虑把非关键流量分离出去。」这种说法既专业又留了余地，比「你错了」管用得多。

最后说个我自己的习惯：每次刷完一套 H19-381 模拟题，我会挑三道错题，假装客户就在对面，把正确选项背后的方案讲一遍，录音回听。讲得磕巴的地方，就是知识域没打通的地方。这个习惯坚持了两个月，现场讲方案的流畅度明显不一样。题库是磨刀石，但刀要拿到现场去砍柴才知道快不快。希望帮到你。

本文还有配套的精品资源，点击获取