液冷时代来了：数据中心散热革命

一个不得不面对的现实

如果你走进一座传统风冷数据中心，耳边是震耳欲聋的风扇轰鸣。一排排服务器机柜之间，冷风被强行灌入，带走热量，再变成热风排出。这套逻辑运行了二十年，但今天，它快撑不住了。

问题出在芯片上。以NVIDIA GB200为代表的新一代AI加速器，单颗功耗已突破1000瓦，一个满载的NVL72机柜功耗接近120千瓦。而传统风冷机柜的散热上限大约在15-20千瓦。这中间的差距，不是靠多装几台风扇就能弥补的。

当空气已经无法胜任，液体登上了舞台。

为什么是液体？

道理很简单：液体的比热容和导热系数远高于空气。水的体积比热容大约是空气的3500倍，导热系数是空气的20多倍。这意味着同样体积的冷却介质，液体能带走的热量是空气的数千倍。

目前液冷主要有两条技术路线：

冷板式液冷——在CPU/GPU上方安装一块金属冷板，冷却液在板内微通道中流动，直接带走芯片热量。它不需要把服务器完全浸泡在液体里，改造成本相对可控，是目前商用部署最广泛的方案。

浸没式液冷——把整台服务器浸入不导电的氟化液或矿物油中，热量直接传给液体。散热效率最高，但运维习惯和硬件生态需要重构。

无论哪条路线，核心逻辑都是一样的：让冷却介质离热源更近。风冷是“隔着房间吹空调”，液冷是“贴着芯片敷冰袋”。

自适应控制：液冷系统的“大脑”

但液冷并非万能药。一个容易被忽视的事实是：液冷系统本身也耗能。泵要转，冷却塔要运行，二次侧换热器要工作。如果控制策略粗放，省下来的服务器风扇电费，可能又被冷却系统的水泵吃回去。

这就是自适应控制的价值所在。

传统液冷系统往往采用定流量运行——不管芯片负载高低，冷却液始终以固定流速循环。但AI训练负载是剧烈波动的：一轮大模型训练可能让GPU利用率瞬间从10%飙到100%，然后又跌回来。定流量策略要么在低负载时过度冷却（浪费泵功），要么在高负载时响应滞后（威胁芯片安全）。

自适应控制的做法是：实时采集芯片功耗、温度、冷却液进出口温差等数据，通过模型预测当前和未来的热负载，动态调节泵速、阀门开度和冷却液流量。

效果如何？根据行业实测数据，引入自适应控制后，液冷系统整体PUE可再降低0.05-0.1，冷却系统自身能耗下降20%-30%。对于一个10兆瓦规模的数据中心来说，这意味着每年节省数百万度电。

更关键的是，自适应控制还能延长硬件寿命。芯片温度波动每降低1℃，长期可靠性就有可测量的提升。对于动辄数千万一台的AI集群，这不是小账。

吉之星实践

在液冷数据中心领域，吉之星围绕冷板式液冷+自适应控制方向进行了系统性技术布局。

我们自主研发的液冷散热控制平台，核心是一套基于模型预测控制（MPC）的算法引擎。它能够融合IT负载预测、冷却液热力学模型和实时传感器数据，在秒级时间尺度上完成流量优化决策。相比传统PID控制，我们的方案在负载突变场景下的温度超调量降低了60%以上。

同时，吉之星在洁净室工程领域积累的精密环境控制经验，也被迁移到了液冷系统的二次侧设计中。我们深知，液冷不是简单地“把水通进去”，而是一整套涉及流体力学、传热学、材料兼容性和智能控制的系统工程。

目前，吉之星已具备从液冷方案设计、控制算法开发到系统集成交付的全链条能力，并在多个智算中心项目中完成了技术验证。

写在最后

液冷不是一道选择题，而是一道必答题。当芯片功耗曲线继续陡峭上扬，当“双碳”目标对数据中心PUE提出更严要求，液冷+智能控制将成为行业标配。

但技术路线之争远未结束：冷板还是浸没？单相还是两相？集中式还是分布式？这些问题的答案，取决于场景、成本和运维能力的综合权衡。

唯一确定的是：谁先把散热这件事做“聪明”，谁就能在算力竞赛中走得更稳。

吉之星将持续深耕这一领域，用工程能力把“冷静”变成算力的底色。