高性能计算冷却已跨过一道决定性的门槛。NVIDIA H100（700 W）和 Blackwell B200（1,000 W）等 AI 加速器将机柜功率密度推高至 100 kW 以上，而风冷在每机柜约 25 至 30 kW 时便已触及天花板。行业的答案是液冷——Dell’Oro Group 预测这一市场到 2029 年将达到约 70 亿美元。对 HPC 运营商而言，问题不再是是否采用液冷，而是哪种架构最适合自身的工作负载、预算与机房条件。
为什么高性能计算冷却成为 AI 集群的关键瓶颈？
对流传热的物理规律为风冷设定了难以逾越的天花板，风扇与散热器无法突破。加速器功耗急剧攀升：据 The Cooling Report 报道，H100 功耗达 700 W，Blackwell B200 达 1,000 W，下一代 Rubin 预计还将更高。高密度 AI 训练集群将机柜功率密度推至 100 kW 以上，部分配置接近 120 kW。下一代设计的目标是每机柜 200 至 250 kW，这正是高性能计算冷却跃居设计议程首位的原因。
AMD 的 MI300X 和 Intel 的 Gaudi 3 同样超出了风冷所能处理的功耗包络，因此这并非单一厂商的问题。预计 2026 年全球 AI 工作负载将达到约 44 GW，超过约 38 GW 的非 AI 工作负载。当一个机柜的耗电量超过一栋小型办公楼时，冷却便成为制约计算密度、能源成本与可用性的瓶颈。如今，高性能计算冷却的决策直接决定集群是满负荷运行，还是在热应力下被迫降频。
当今主流的高性能计算冷却技术有哪些？
三大技术路线主导着现代 HPC 机房。传统风冷依靠机房空调机组、风扇与散热器排热。芯片直连液冷（又称冷板冷却）让冷却液流经安装在 CPU、GPU 和内存模组上的金属冷板。浸没式冷却则将整台服务器浸入介电冷却液中，分为单相与两相两种配置。每条路线满足不同层级的高性能计算冷却需求。
应用数据显示了这一格局变化之快。Uptime Institute 2024 年冷却系统调查（基于 964 名受访者）发现，22% 的受访者已在机房中使用直接液冷，61% 表示未来会考虑采用。近半数 DLC 用户表示，其 IT 机柜中使用该技术的比例不足 10%。对高性能计算冷却而言，实际问题不再是向哪家厂商采购，而是随着密度攀升，应以哪种架构作为标准化方向。
传统风冷式高性能计算冷却能带走多少热量？
风冷存在约每机柜 25 至 30 kW 的实际上限，这一极限多年来几乎没有改变，任何优化都无法突破。凡每机柜功率密度超过约 30 kW 的 HPC 集群，都需要采取不同的排热策略。理解这一上限，是制定任何高性能计算冷却战略的第一步。
效率差距在电能使用效率（PUE）上同样显而易见。据中国经济网报道，传统风冷数据中心长期运行在 PUE 1.8 以上。冷却通常消耗数据中心总能耗的 30% 至 40%，仅次于占比 45% 至 60% 的 IT 设备本身。液冷机房可将 PUE 压至 1.1 以下，而中国八大国家枢纽节点目前的平均值约为 1.25。对高性能计算冷却而言，这一效率差值直接转化为运营成本、碳足迹，以及在现有电力包络内增加算力容量的能力。
芯片直连还是浸没：高性能计算冷却架构该如何选择？
芯片直连液冷将冷板贴合在发热最高的元件上，在源头带走大部分热量。浸没式冷却则将整台服务器浸入介电冷却液，几乎能排掉所有元件产生的全部热量。两者之间的选择将塑造整个高性能计算冷却路线图，因此值得审慎分析。
Dell’Oro Group 指出，单相直接液冷已巩固其作为 AI 集群主导架构的地位。对大多数组织而言，芯片直连是获得高性能计算冷却能力最快的路径，且对运营的干扰最小。在密度目标超出改造支持范围、或运营商希望彻底摆脱风冷系统的场景中，浸没式冷却仍然具有吸引力。
高性能计算冷却升级的成本是多少，又能节省什么？
随着市场规模化，高性能计算冷却的经济性正在改善。Dell’Oro Group 预测，到 2029 年全球液冷市场的厂商收入将达到约 70 亿美元。据中国信息通信研究院数据，2024 年中国智算中心液冷市场规模达到 184 亿元人民币，同比增长 66.1%，到 2029 年有望达到约 1300 亿元人民币。
高性能计算冷却的节省主要来自 PUE 的降低。将 PUE 从 1.8 降至 1.2 以下，可使冷却相关能耗削减一半以上。国家枢纽节点目前的平均 PUE 为 1.2 至 1.3，而液冷设计已证明可将 PUE 做到 1.1 以下。余热再利用还能带来新的收益来源：温热的冷却液可用于区域供热，让废热变成资产。在机房五年的生命周期内，高性能计算冷却升级节省的能源成本通常超过设备本身的资本支出。
如何在不停机的情况下迁移高性能计算冷却系统？
迁移遵循分阶段推进的模式，以保护正在运行的工作负载。首先，利用遥测数据而非铭牌额定值，审计每个机柜的实际热负载。其次，在一排或一个分区进行试点，在生产负载下验证冷却液流量、泄漏检测与温度控制。第三，逐步扩展，优先处理风冷已捉襟见肘的高密度机柜。分阶段计划能让高性能计算冷却升级保持可控、可预期。
冷却液分配单元（CDU）是集成的核心枢纽，它将机房用水与服务器冷却液隔离，并控制流量与温度。歧管（Manifold）将冷却液分配到每台服务器，快插接头支持不排空回路即可维护。每个连接点都应配置泄漏检测，监控系统应持续跟踪冷却液温度与芯片结温。面对混合代际的硬件，可为老服务器保留一个小型风冷区域。每一次高性能计算冷却迁移都应在机柜层面可回退，这样即使部署失败，也只会影响一个分区，而不会波及整个集群。
高性能计算冷却能带来哪些可靠性与性能提升？
液冷消除了困扰风冷加速器的热降频问题。稳定低温让 GPU 能够长时间维持满频运行，从而缩短训练与仿真时间。联想 Neptune 平台将冷板直接贴合在 GPU 和内存模组上，官方称其因消除热尖峰而减少了性能下降、延长了硬件寿命。这些收益使高性能计算冷却从单纯的配套设施变成了性能杠杆。
运营商还在利用数字孪生技术调优冷却行为。美国橡树岭国家实验室（Oak Ridge National Laboratory）打造百亿亿次超算 Frontier 的团队构建了一个数字孪生系统，可模拟电力与冷却遥测数据，让工程师在将其应用于真实机器之前，先测试冷却水温与调度方案的调整。这降低了在一台价值过高、不宜直接试验的系统上试错的风险。高性能计算冷却正因此从一个静态的配套设施，演进为一个主动管理的子系统——可靠性、效率与性能在其中被协同优化。
到 2030 年，高性能计算冷却将如何演进？
到本十年末，三大趋势将定义高性能计算冷却的发展。其一，单相直接液冷仍将是 AI 集群的默认方案，而两相与浸没式技术将在细分场景中逐步成熟。其二，机柜功率密度将持续攀升，瞄准每机柜 200 至 250 kW 的设计已提上日程，这会推高冷却液温度，也让余热再利用更具吸引力。其三，机房集成将不断加深，液冷从一开始就被设计进建筑中，在寒冷地区余热回收将成为标配。
战略意义不言自明：高性能计算冷却如今是一项核心架构决策，而非机房的事后补充。那些在液冷就绪机柜、专业团队与监控工具上实现标准化的组织，无需重构机房即可承接每一代新 GPU。而那些坐等风冷在负载下失效的组织，则将面临仓促迁移和本可避免的停机。
结论
高性能计算冷却已从一项可选的能效措施，转变为 AI 规模集群的必备要求。风冷在每机柜约 25 至 30 kW 处止步，而 B200 级加速器已把机柜推至 100 kW 以上。芯片直连液冷是近期内的主导答案。Uptime Institute 数据显示，22% 的机房已在使用 DLC，Dell’Oro 预测到 2029 年市场规模将达 70 亿美元，液冷机房则普遍能将 PUE 做到 1.2 以下。行动框架切实可行：审计热负载，在单个分区试点，以液冷就绪机柜为标准化方向，并借助监控持续扩展。今天做出的每一个高性能计算冷却决策，都将决定哪些组织能够以满负荷状态部署下一代加速器。
发表回复