人工智能正在彻底重塑数据中心基础设施。随着新一代AI加速器将机架密度推向100千瓦以上,某些情况下甚至高达600千瓦,传统冷却和电力系统已经接近极限。这种需求激增正推动向液冷技术的快速转变。根据ABI Research数据,液冷技术有望成为数据中心冷却市场增长最快的细分领域,复合年增长率高达20%。
但这不仅仅是冷却升级,更是一次完整的架构演进。支持高密度AI驱动工作负载需要从根本上重新思考设施设计,涵盖散热排放、管道系统、电力分配和机架集成等各个方面。越来越多的数据中心从建设第一天起就内置了液冷和AI规模容量。
传统数据中心的挑战与新建设施的变革
传统数据中心并非为液冷而设计。许多设施缺乏必要的管道系统、地板承重能力和热管理基础设施来支持高密度机架,使得改造成本高昂且复杂。新建设施,特别是专为AI设计的数据中心,正在采用不同的方法,从最早期的设计阶段就集成液冷技术。
热管理现在直接嵌入到设施架构中,机架格式也在突破传统的48U、600毫米×1200毫米规格,向更宽、更深的机柜发展,以容纳大规模GPU系统和集成冷却组件。这些变化打破了传统的气流和密闭策略,特别是在混合环境中,需要能够随机架配置变化而扩展的适应性冷却系统。
液冷技术从小众走向主流
液冷技术曾经是专业高性能计算和研究环境的专属领域,如今随着AI工作负载将热管理需求推向纯风冷系统的极限,液冷已经成为主流。在机架规模的AI部署中,冷板和直接芯片冷却解决方案越来越多地在制造过程中集成。
混合方法仍然是常见选择,即GPU和CPU采用液冷,而电源、网络和存储设备采用风冷。然而,行业正稳步向源头全液体热捕获方向发展。除了实现更高的机架密度外,液冷还带来效率提升,并为区域供热和附近设施能源回收等热量再利用策略开辟了道路。
跨学科协作的热管理挑战
热管理已成为跨学科挑战。它不再仅仅是设施团队的专属领域,现在需要IT、计算和软件团队之间的密切协作,以优化能源使用和系统性能。在一些先进环境中,AI工作负载开始调节自身的热条件,利用实时数据动态调整冷却并提高效率。这种集成水平正迅速成为必需。
同时,可持续发展目标正在重塑优先级。随着能源成本上升、资源约束收紧以及监管压力不断演变,特别是在欧洲地区,运营商越来越需要从一开始就设计节能和热量再利用方案。
数据中心战略的根本性转变
数据中心战略正在经历根本性转变。热约束现在影响着从工作负载配置、站点选择到人员配置模式和可持续发展报告等整个技术栈的决策。运营商必须在性能和成本之间取得平衡,同时考虑资源可用性,如水资源获取和热量再利用潜力,并应对日益严格的合规要求。在能源受限或有雄心勃勃气候目标的地区,设施、IT和财务团队之间的早期协调对于确保投资和长期成功至关重要。
人工智能正在加速数据中心基础设施的转型。液冷技术曾被视为小众技术,如今正成为现代设施设计的核心。在提高可持续性和能源效率的同时支持AI规模计算,需要包含存储、网络和电力系统的集成热管理策略。随着计算密度增长和外部压力加剧,热管理创新正成为关键的竞争优势。
Q&A
Q1:为什么数据中心需要从风冷转向液冷技术?
A:随着新一代AI加速器将机架密度推向100千瓦以上,某些情况下甚至高达600千瓦,传统的风冷系统已经无法满足散热需求。液冷技术不仅能支持更高的机架密度,还能带来效率提升,并为热量再利用策略开辟道路。
Q2:传统数据中心改造液冷系统面临哪些挑战?
A:传统数据中心并非为液冷而设计,许多设施缺乏必要的管道系统、地板承重能力和热管理基础设施来支持高密度机架,使得改造成本高昂且复杂。因此新建设施更倾向于从最早期设计阶段就集成液冷技术。
Q3:液冷技术如何影响数据中心的整体运营策略?
A:热管理已成为跨学科挑战,需要IT、计算和软件团队密切协作。热约束现在影响从工作负载配置、站点选择到人员配置的各项决策。运营商必须在性能成本间取得平衡,同时考虑水资源获取、热量再利用潜力和合规要求。
好文章,需要你的鼓励
Y Combinator合伙人Ankit Gupta与Anthropic预训练负责人Nick Joseph最近进行了一次深度对话。
微软研究院提出潜在分区网络(LZN),首次实现生成建模、表示学习和分类任务的真正统一。该框架通过共享高斯潜在空间和创新的潜在对齐机制,让原本独立的AI任务协同工作。实验显示LZN不仅能增强现有模型性能,还能独立完成各类任务,多任务联合训练效果更是超越单独训练。这项研究为构建下一代通用AI系统提供了新的架构思路。
9月13日的PEC 2025 AI创新者大会暨第二届提示工程峰会上,“年度提问二:新工作时代:AI工作流由谁主导?”从企业实践到技术实现、从业务落地到战略决策,展开了一场高密度的思想碰撞与经验分享,将AI工作流背后的难题和解决路径彻底揭开。
上海AI实验室开发的VLAC模型让机器人首次具备真实世界自主学习能力。该系统如同给机器人配备智能导师,能实时评估动作效果并从中学习。在四个操作任务测试中,机器人成功率从30%提升至90%,仅需200次练习。技术结合视觉、语言理解和动作生成,支持跨场景适应和人机协作,为家庭服务、医疗护理等领域应用奠定基础。