在人工智能、機器學習、物聯(lián)網(wǎng)等多領域?qū)τ嬎隳芰Φ某掷m(xù)需求下，AI智算也正迎來“水漲船高”的黃金時期，但與此同時，相應的人工智能基礎設施也迎來了“水能載舟”的散熱挑戰(zhàn)。

憑借更加優(yōu)異的散熱性能，液冷架構(gòu)正異軍突起，成為散熱和保持優(yōu)秀性能的關鍵解決方案。但知易行難，從規(guī)劃到落地，液冷該如何實際幫助AI智算中心從散熱挑戰(zhàn)中“冷靜”突圍？

挑戰(zhàn)存在，但無需恐慌

從GPT、Deepseek到Grok，我們耳熟能詳?shù)腁I工具其實都屬于生成式AI模型，對于生成式AI模型而言，GPU的多種優(yōu)勢使之成為業(yè)內(nèi)更為主流常見的加速器。隨著GPU性能與熱設計功耗的不斷提升，液冷解決方案也日益成為兼容低能耗、低運營成本和高計算密度的更優(yōu)解。

對于主流數(shù)據(jù)中心而言，液冷還是新鮮技術，從傳統(tǒng)風冷向液冷的時代性過渡也面臨著切實的憂慮與挑戰(zhàn)——

部署液冷會不會拖慢AI的啟動實施？

該如何尋找液冷架構(gòu)運營與支持？

液冷會不會增加停機、服務器受損、保修失效的風險？

挑戰(zhàn)客觀存在，但進步勢在必行。與施家這一可信賴的生態(tài)合作伙伴攜手，以正確、高效、可靠的轉(zhuǎn)型實踐奠基，未來成功之路更加寬闊平坦。

液冷新生，可和而不同

服務器液冷主要有兩種方法：冷板式液冷和浸沒式液冷，其中冷板式液冷（亦稱直接對芯片冷卻），已成為當今全行業(yè)的首選。

一方面，冷板式液冷能夠更大限度地減少對服務器風扇的依賴，并優(yōu)化機架內(nèi)的空間利用；

另一方面，冷板式液冷也能與現(xiàn)有風冷配置相適配，實施更簡單，也更具監(jiān)管優(yōu)勢。

正如上文所言，因為服務器中的某些元器件和數(shù)據(jù)中心的其他IT設備對風冷的需求，以及對能效、成本、空間利用率及系統(tǒng)可靠性的更好平衡性，在未來，風液融合將是一種業(yè)內(nèi)長存的冷卻方式。

同時，二者也能在當下實現(xiàn)多種配合，為智算中心創(chuàng)造更符合制冷需求的環(huán)境——液冷架構(gòu)使用冷卻液分配單元（CDU），通過風-液或液-液交換方式，將冷板中的熱量傳遞到冷卻系統(tǒng)的其他部分，實現(xiàn)液冷生態(tài)系統(tǒng)的構(gòu)建。

滑動查看更多

冷卻液分配單元（CDU）的另一個重要作用，則是利用熱交換器將制冷設施水系統(tǒng)與 IT 水系統(tǒng)隔離，借助調(diào)節(jié)溫度、流速、壓力等關鍵功能避免熱沖擊及損壞芯片。

規(guī)劃落地，需步步為營

對于AI智算中心的液冷改造和新建而言，物理基礎設施規(guī)劃與IT規(guī)劃是一體兩面，同步進行才能各有所進。對于常見問題與挑戰(zhàn)，施家給出了步步為營、各個擊破的指導思路——

避免AI部署延遲：在設計過程中，以清晰的檢查與評估清單，盡可能在前期降低延遲部署風險，例如智算中心的容量與冗余設置、制冷系統(tǒng)的實際需求與兼容性、數(shù)據(jù)中心基礎設施管理（DCIM）能否管理液冷系統(tǒng)、天花板或樓板等結(jié)構(gòu)能否承載并提前驗證

強化液冷運營與支持技能：提前了解并補充液冷運營與實際操作支持，例如壓力測試與化學處理、組件如何隔離、最終清潔工作等

減少停機風險：通過與設計、安裝和運營的實踐經(jīng)驗結(jié)合來管理風險，并與可信賴的供應商、安裝商和運營商合作，讓停機風險盡可能減小并可控

降低服務器損壞風險：積極借助服務器供應商在設計、制造和工藝流程的豐富經(jīng)驗，依托合作伙伴生態(tài)系統(tǒng)的專業(yè)能力，大幅降低人工智能部署的風險

液冷架構(gòu)對于智算中心的散熱賦能是長期主義，為應對這一轉(zhuǎn)變，企業(yè)應主動出擊，通過教育和告知決策團隊、評估當前的基礎設施、增強與合作伙伴生態(tài)系統(tǒng)合作和規(guī)劃、持續(xù)關注可持續(xù)性等步驟，完成未來智算中心持續(xù)進化的長線閉環(huán)。

AI智算發(fā)展熱潮涌動，亟需“冷靜”突圍。在未來，隨著生成式AI應用的進一步深化發(fā)展，施家也將持續(xù)以全球化的技術沉淀與深厚的創(chuàng)新技術布局，助力智算中心高效、穩(wěn)定、智慧、可持續(xù)進化，迸發(fā)無限可能。