如何为 AI 基础设施规划液冷

液冷规划在订购服务器之前就开始了。高密度 AI 系统将计算、网络、电力输送和热管理紧密结合，以至于设施可能拥有足够的占地空间，却仍无法运行设备。因此，有用的规划问题并不是液体是否比空气更善于传热，而是从芯片到室外排热的整个路径能否安全、持续且可维护地承载预期负载。

一份可信的计划连接五项决策：机架热负载、冷却架构、建筑的机械和电气限制、可靠性模型，以及在扩大部署前所需的证据。把其中任何一项当作独立的采购工作，都会造成集成风险。

将计算计划转化为热量预算

机架消耗的几乎全部电力最终都会变成热量。从预期的机架配置和功率范围开始，包括加速器、CPU、交换机、光模块、存储设备和电源转换损耗。不要只围绕芯片的标称额定值进行规划。领先的加速器可超过一千瓦，而完整的机架级系统可达到数百千瓦。密度会把组件散热转变成设施问题。

至少对三种状态建模：正常持续运行、最高可信工作负载，以及降级的冷却状态。如果后续设备可能占用同一行或同一回路，也要纳入增长因素。目标不仅是移除平均热量，而是在工作负载变化或系统某一部分不可用时，仍将温度、流量和压力维持在获批范围内。

还要区分由液体捕获的热量与排放到空气中的剩余热量。直接芯片冷却设计可能冷却处理器和选定的网络组件，而内存、存储、电源硬件或辅助设备仍会使机房升温。一些较新的机架设计将液体连接延伸至计算托盘和交换托盘，但这并不意味着数据大厅的空气管理需求会自动消失。每个实际系统的设计文件应确定这一划分。

这份热量预算会成为机架布局、管道尺寸、CDU 选型、配电、控制和室外设备的共同输入。如果这些团队采用不同假设，站点可能通过各自的设计审查，却仍会作为一个集成系统失败。

按边界而非标签选择架构

“液冷”描述的是多种架构，而不是一种可互换的产品。直接芯片冷却将冷板贴合在发热设备上。服务器侧回路通过软管和歧管将热量带到冷却液分配单元，即 CDU。CDU 管理流量、压力、温度，以及设备回路与设施回路之间的隔离。随后，建筑回路将热量带往干冷器、冷却塔、冷水机组或其他排热系统。

浸没式冷却则将设备置于介电液体中。其液体、维护程序、组件兼容性和环境考量均不同于水基冷板回路。除非市场预测或供应商关于“液冷”的说法明确架构，否则它并不完整。

对于每个选项，都绘制完整热链，并在每个边界标明责任归属。识别谁规定冷却液、谁维护其化学性质、谁提供 CDU 控制、谁能隔离机架，以及谁对泄漏或污染事件负责。在 IT 设备与设施系统的接口处，责任不清尤其危险。

已发布的平台可提供有用的设计参考，而不应成为通用模板。NVIDIA 的 GB200 NVL72 系统 在液冷机架级设计中连接了 36 个 Grace CPU 和 72 个 Blackwell GPU。该公司还通过一项开放硬件贡献分享了机架机械结构和冷却规范。这些示例可以减少接口不确定性，但每一台选定服务器、设施和运行环境仍需要验证。

在选择组件前测试建筑条件

CDU 是桥梁，而不是设施容量的替代品。站点必须能够接收输入热量并将其排至室外。调查可用的管线路由、楼板承重、维护净空、电力馈线、备用电源、控制集成以及现有机械设备的容量。改造一座风冷机房可能需要的变更远不止在机架旁增加管道。

供液温度会影响设施设计。能接受最高 45 摄氏度入口冷却液的供应商设计，可为使用干冷器进行无冷水机排热创造机会。NVIDIA 描述了这种温水方案，但它是一种能力，并非处处适用的结果。气候、季节性天气、接近温差、工作负载和现有设备决定冷水机组或冷却塔是否仍有必要。

应在全站边界评估用水和能源主张。闭式回路可能减少直接用水，尤其是在配合干冷器时，但结果会因地点和设计而异。将泵、风扇、冷水机组、水处理和剩余机房冷却计入其中。比较孤立组件的效率，可能掩盖被转移到系统其他位置的能源消耗。

电气容量与热容量必须一同调试。高密度机架可能需要更大的馈线、母线槽、配电设备和备用系统。比电气系统提前数月就绪的冷却设计并不会形成可用的计算容量，反过来也同样如此。

设计故障隔离与维护

液体将泵、密封件、连接器、阀门、传感器和流体质量纳入可用性模型。目标不是声称绝不会发生泄漏，而是防止单一故障扩散，并在设备受损前检测异常状态。

根据故障域为 CDU 和泵定义冗余。确定一台 CDU 服务的是一个机架、一行机架还是更大的群组，然后模拟维护和故障期间会发生什么。纳入隔离阀、旁路路径、备用容量，以及断电或通信丢失后的控制行为。如果多个组件共用同一控制器、电力馈线或设施回路，那么名义上的 N+1 标签并不够。

超快速断开接头应在安装和维护期间限制液体泄漏，但其证据必须涵盖重复连接、温度变化、振动、压力变化和长时间运行。维护程序应防止颗粒和滞留空气进入狭小通道。技术人员需要明确的步骤来排液、重新连接、排气、验证流量并让设备恢复服务。

监测应酌情包括供液与回液温度、流量、压力、泵状态，以及湿度或泄漏信号。在投产前设定告警阈值和自动响应。完成的维护操作应同时通过冷却遥测和已恢复的系统健康状态验证，而不只是关闭工单。

将材料视为系统级兼容性决策

冷板、连接器、软管、歧管、密封件和冷却液必须在预期温度、压力和使用寿命范围内保持兼容。冷板性能取决于通道几何形状、粘接质量、压降、表面接触和制造一致性。微通道设计可改善设备附近的传热，但狭窄通道会提高对颗粒、腐蚀、粘接缺陷和流量不均的敏感性。

应向供应商索取经过认证的材料组合，而不是分别批准每个组件。流体规范应涵盖洁净度、防腐蚀、热稳定性、处理方式和更换间隔。更改冷却液或浸润材料应触发兼容性审查，因为局部看似可接受的替代可能影响回路其他位置的密封件、金属或沉积物。

将直接芯片冷却风险与浸没式流体风险分开。水基冷却液在冷板系统中很常见。一些浸没式系统使用过含氟介电液体。3M 已于 2025 年底完成其 PFAS 制造业务退出，这与受影响流体供应链有关，但并不意味着每个液冷机架都依赖这些流体。采购应为所选架构记录流体组成、可获得性、环境处置和寿命终止计划。

要求部署证据，而不只是容量主张

高订单量显示的是兴趣，而不是运行可靠性。组件就绪度经历设计、样品、性能测试、生产测试、客户认证、重复制造和现场运行。这些阶段不应被压缩为单一的可用性主张。精密部件的认证耗时可能远长于装配产能扩张所需的时间。

要求提供带有分母和运行背景的证据。有用的衡量指标包括生产良率、泄漏测试结果、泵耐久性、连接器配接循环、压力和温度范围、冷却液维护、现场事件、修复时间以及跨季节表现。区分小批量出货与获得认证的批量和确认收入。

预测同样需要严格对待。TrendForce 在其市场展望中预计，AI 芯片中的液冷渗透率将从 2025 年约 33% 上升至 2026 年的 53%，并在 2027 年接近 60%。这些数字描述的是对 AI 芯片的预测，而不是所有服务器或数据中心中观察到的采用情况。将预测用于情景规划，然后围绕实际平台进度、建设就绪情况和认证结果确定承诺规模。

在最小且有意义的故障域中开展试点。运行具有代表性的工作负载、维护程序、故障切换事件和异常状态测试。成功的热演示证明了其测试条件下的传热；它并不能确立跨季节的正常运行时间、可维护性或供应连续性。

实施清单

在批准设计或扩大试点前，确认以下事项：

• 热负载： 机架功率、峰值状态、剩余空气负载、增长和降级状态假设共享同一份有记录的模型。
• 架构： 服务器回路、CDU、设施回路和排热路径已端到端绘制，并识别流体和运行范围。
• 设施适配： 已勘察管线路由、楼板承重、配电、备用电源、控制、净空、气候、水和室外设备。
• 故障域： 已映射 CDU、泵、控制器、电源和设施回路的依赖关系；隔离与冗余在计划维护期间有效。
• 材料： 冷却液、金属、密封件、软管、连接器和冷板作为一套接受认证，并具备污染与腐蚀控制。
• 维护： 员工能够使用有记录的程序和可用备件连接、隔离、排液、排气、检查并恢复设备。
• 监测： 温度、流量、压力、泵和泄漏信号具有阈值、责任人、升级路径和经过测试的响应。
• 证据： 供应商主张标明测试条件、样本量、故障、生产阶段、认证状态和现场持续时间。
• 调试： 热负载、故障切换、断电、告警、维护和恢复由计算与设施团队共同测试。
• 扩展规则： 扩展取决于正常运行时间、事件、维护、能源、用水和容量证据，而非仅仅取决于机架交付。

健全的液冷计划将机架和建筑视为一个运行系统。密度确立热问题；架构定义边界；设施工程承载负载；材料保护回路；而可测量的部署结果决定何时扩展。这一顺序将冷却从后期的机械附加项转变为可控的基础设施决策。