为什么风冷来越压不住AI服务器？

AI时代，真正遇到瓶颈的不是芯片，而是热量

当人们讨论AI服务器时，目光通常聚焦在GPU、算力和模型参数上。

但在数据中心里，还有一个很少出现在聚光灯下的问题，正在悄悄决定这些芯片究竟能发挥出多少性能。

它不是算法，也不是芯片，而是——热量。

导语：AI算力狂奔，热量却成了新的瓶颈

2022年以来，生成式AI的快速发展，让整个数据中心行业进入了一个全新的阶段。

几年前，一家企业采购服务器，最关心的是CPU型号、内存容量和存储性能；今天，越来越多企业讨论的是GPU型号、显存容量以及集群规模。

AI模型越来越大，训练周期越来越长，单台服务器承载的计算任务也越来越重。

算力在不断刷新纪录。

与此同时，另一个数字也在不断攀升。

那就是功耗。

过去，一块服务器处理器产生的热量，还可以依靠传统风冷轻松解决；而今天，一台AI服务器内部可能安装多块高性能GPU，它们持续释放的热量，让整个机柜都成为一个巨大的热源。

对于普通用户来说，服务器似乎只是变得”更快”了。

但对于数据中心工程师而言，每提升一代算力，都意味着一个新的问题：

这些热量，到底该如何带走？

如果热量不能及时排出，会发生什么？

很多人的第一反应是：

服务器会不会烧坏？

事实上，现代服务器早已具备完善的保护机制。

真正首先受到影响的，往往不是硬件寿命，而是性能。

当芯片温度持续升高，系统为了保护硬件，会主动降低运行频率。

这意味着，一块理论性能很强的GPU，在持续高温环境下，并不一定能够长期保持最佳状态。

于是，一个过去很少受到关注的话题，开始成为AI时代的新焦点。

越来越多服务器厂商开始推出液冷产品。

越来越多数据中心在规划液冷基础设施。

越来越多行业会议开始讨论冷板液冷、浸没式液冷和高密度机柜。

不少人因此得出一个简单结论：

风冷是不是已经不行了？

答案并不是。

截至目前，全球绝大多数服务器依然采用风冷方案。

无论企业数据中心、互联网机房，还是大量云计算基础设施，风冷仍然是应用最广泛、技术最成熟的散热方式。

真正发生变化的，并不是风冷突然失去了价值。

而是AI时代对散热提出了前所未有的挑战。

今天这篇文章，我们不讨论哪一种技术”更先进”，也不讨论哪一种方案”一定更好”。

我们希望回答三个问题：

• 什么过去二十多年，风冷一直能够满足服务器散热需求？

• AI时代，到底是什么改变了散热逻辑？

• 液冷为什么会在今天快速进入大众视野？

理解这三个问题，也许就能理解，为什么越来越多人开始重新思考数据中心里的”热量”。

01、风冷统治数据中心二十多年，并不是偶然

如果时间回到十几年前，几乎没有人会把”散热”视为服务器行业最重要的话题。

那个时代，服务器性能虽然不断提升，但整体节奏相对平稳。

企业采购服务器，首先考虑的是计算能力、稳定性、存储容量以及网络性能。

至于散热，大多数情况下都有一套成熟且可靠的解决方案。

那就是风冷。

风冷为什么能够成为行业标准？

原因其实很简单。

它成熟、稳定、成本低，而且经过了几十年的工程验证。

打开一台传统服务器，可以看到这样一条热量传递路径：

芯片工作时产生热量。

热量首先传递到金属散热器。

散热器再通过热管，把热量均匀分散。

高速风扇持续推动空气流动，将热量带离散热器表面。

最后，热空气进入机房，再由空调系统统一排出。

整个过程看似复杂，本质上只有一句话：

利用空气，把热量从芯片搬运到机房外。

空气虽然导热能力有限，但它几乎无处不在。

获取成本低。

维护简单。

也不存在泄漏介质的问题。

因此，几十年来，风冷一直是服务器行业最经济、最成熟的选择。

为了让风冷发挥更大的能力，工程师们不断优化每一个环节。

散热器越做越大。

热管越来越多。

风扇效率持续提升。

冷热通道设计不断完善。

服务器内部风道越来越科学。

可以说，在很长一段时间里，服务器性能每提升一步，风冷技术也都会同步完成一次升级。

因此，很多人误以为：

只要风扇足够大，风冷就永远能够解决散热问题。

事实上，这种平衡能够维持，是因为过去服务器功耗增长相对缓慢。

空气还能跟得上芯片的发展速度。

真正改变这一切的，并不是风扇。

而是AI。

【知识卡】

为什么风冷能够长期成为主流？

✔ 技术成熟，生态完善

✔ 成本相对较低

✔ 维护方便

✔ 工程经验丰富

✔ 适用于绝大多数传统服务器

02、真正改变游戏规则的，不是液冷，而是GPU

很多人以为，是液冷技术的发展推动了行业变化。

实际上，顺序恰恰相反。

不是液冷先成熟。

而是GPU先发生了变化。

过去，数据中心主要承担的是网页服务、数据库、企业办公、虚拟化等任务。

这些应用虽然也需要计算能力，但主要依赖CPU完成。

CPU性能不断提升，功耗也在增长。

不过，这种增长相对平缓。

服务器整体热量始终处于风冷可以有效管理的范围内。

AI时代到来后，一切开始发生变化。

越来越多计算任务转向GPU。

从图像识别，到自然语言处理，再到今天的大模型训练，GPU逐渐成为AI服务器中最重要的计算核心。

它们承担着海量并行计算任务，也释放着前所未有的热量。

更重要的是，这种变化并不是简单地”热一点”。

而是热量开始高度集中。

过去，一台服务器可能只有少量高功耗器件。

如今，一块块高性能GPU被密集安装在同一台服务器、同一个机柜中。

单位空间内产生的热量越来越高。

这就是工程师常说的一个词：

热密度。

如果说过去的数据中心，更像是一间普通办公室。

那么今天的AI数据中心，更像是一座全天候运行的工业工厂。

同样面积下，需要持续处理更多热量。

空气仍然可以流动。

风扇仍然可以旋转。

但空气需要搬运的”货物”，已经比过去重得多。

问题开始出现了。

如果继续依赖更大的风扇、更高的风速来解决散热，会带来更高噪声、更大的能耗，以及更加复杂的气流组织。

也就是说，AI真正带来的挑战，并不是服务器变热了。

而是单位空间里的热量增长速度，正在超过传统散热方式持续优化的速度。

直到这一刻，人们才开始重新思考另一个问题：

如果空气越来越难完成这项工作，还有没有更高效的方法，把热量直接带走？

液冷，正是在这样的背景下，再次走到聚光灯下。

但在继续讨论液冷之前，我们还需要回答一个更关键的问题：

空气，到底为什么越来越”搬不动”这些热量？

这个问题，才是理解风冷与液冷之争的真正起点。

03、空气为什么越来越“搬不动”热量？

很多人会有一个很自然的疑问：

既然风冷散热能力不够，那是不是只要把风扇做得更大、转得更快就可以了？

答案是：可以改善，但无法无限改善。

原因并不在风扇，而在空气本身。

空气是一种非常容易获取的冷却介质，但它也有天然的物理特性。

它的密度较低，能够携带的热量有限。

当芯片持续释放大量热量时，空气需要不断流过散热器，把热量带走。

如果热量增加一倍，空气就需要流得更快、流得更多，或者流经更大的散热面积。

过去几十年，服务器行业几乎把所有办法都尝试了一遍。

散热片越来越密。

热管越来越多。

风扇尺寸不断优化。

风道设计越来越精细。

冷热通道开始隔离。

甚至连机房地板、送风方式、机柜排列，都围绕着空气流动不断优化。

这些改进让风冷的能力持续提升。

但所有优化都有一个共同前提：

空气依然是热量运输工具。

运输工具没有改变，提升空间终究有限。

可以把空气想象成一辆运输卡车。

过去，每天运输100吨货物。

后来变成200吨。

工程师可以增加运输次数，可以优化路线，也可以升级车辆。

但如果货物增长到1000吨、2000吨，仅靠增加运输频率，效率提升会越来越有限。

AI服务器面对的，就是类似的问题。

GPU不断释放热量，而空气却必须一次又一次地完成相同的搬运工作。

于是，一个过去并不明显的问题开始出现。

热点（Hot Spot）。

热点，并不是整个服务器都很热。

而是某一个区域，温度明显高于其他区域。

例如，多块GPU紧密排列时，中间区域可能聚集大量热空气。

即使整体平均温度没有达到危险水平，局部热点也可能率先影响芯片运行。

为了避免热点扩大，服务器必须提高风扇转速。

风扇越快，噪声越大。

耗电越高。

振动越明显。

与此同时，大量高速空气进入机房，也意味着空调系统需要承担更大的制冷负荷。

于是，一个看似只是服务器内部的问题，最终影响了整个数据中心。

真正消耗能源的，不只是风扇。

还有整个制冷系统。

因此，今天的数据中心讨论散热，已经不仅仅关注服务器温度。

更关注整个基础设施的运行效率。

【知识卡】

风冷真正遇到的挑战

━━━━━━━━━━━━━━

✔ 热量越来越集中

✔ 热点越来越明显

✔ 风扇能耗持续增加

✔ 噪声不断提升

✔ 空调系统负担加重

━━━━━━━━━━━━━━

真正的问题，

不是风扇不够努力。

而是空气开始越来越吃力。

04、液冷改变的，不只是散热方式

很多人第一次听到液冷，会下意识认为：

“就是把空气换成了液体。”

这句话不能说错。

但远远没有说完整。

真正改变的，不是冷却介质，而是热量运输方式。

回到前面那个运输货物的例子。

如果每天运输100吨货物，卡车足够。

但如果每天运输1000吨，继续增加卡车数量，效率越来越低。

另一种思路是什么？

不是继续增加卡车。

而是换一种运输方式。

例如铁路。

例如货轮。

液冷，本质上就是一次运输方式的改变。

它尽可能让热量在离开发热源之前，减少中间环节。

传统风冷的热量，需要经历：

芯片。

散热器。

空气。

机柜。

机房。

空调。

最后才排出建筑物。

整个过程，热量经历了多次传递。

而液冷则希望在热量刚刚产生时，就迅速把它带走。

以冷板液冷为例。

冷却液直接流经安装在芯片上的冷板。

热量进入冷却液。

随后进入循环系统。

最终通过换热设备排出。

浸没式液冷则更进一步。

服务器直接工作在绝缘冷却液中。

热量无需经过空气，而是直接进入冷却液循环。

无论采用哪一种路线。

它们都有一个共同目标：

缩短热量离开发热源的距离。

因此，液冷真正改变的，并不是温度数字。

而是整个热管理逻辑。

需要强调的是。

液冷也不是一种单一技术。

目前行业主要包括冷板液冷、浸没式液冷等不同路线。

它们面对的应用场景并不完全相同。

因此，当我们讨论液冷时，更准确的理解应该是：

它是一类热管理方案，而不是一种具体产品。

【信息卡】

液冷改变了什么？

✔ 热量更快离开发热源

✔ 降低局部热点

✔ 减少风扇依赖

✔ 支持更高功率密度

✔ 为未来GPU升级预留空间

05、真正拉开差距的，不是温度，而是持续性能

如果今天问一位普通用户：

液冷最大的优势是什么？

很多人都会回答：

“温度更低。”

其实，这只是表象。

真正重要的问题不是：

GPU有多凉。

而是：

GPU能否一直保持设计性能。

现代GPU拥有复杂的温度控制机制。

当温度处于合理范围内，它会保持较高的运行频率。

随着温度不断上升，为了保护芯片，它会逐渐降低运行频率和功耗。

这个过程，被称为热管理。

很多时候，服务器并没有故障。

GPU也没有损坏。

只是系统主动降低了性能。

对于普通办公电脑来说，这种变化可能几乎感觉不到。

但对于AI训练来说，却可能意味着数天甚至数周的累计时间差异。

假设两台服务器拥有完全相同的GPU。

理论性能完全一致。

如果其中一台因为散热条件更稳定，能够长期保持更高的运行频率，那么最终完成同一项训练任务所需的时间，就可能更短。

因此，今天的数据中心越来越关注一个词：

持续性能（Sustained Performance）。

它强调的，不是峰值速度。

而是长时间、高负载运行下，服务器是否还能稳定输出设计能力。

从这个角度来看。

散热已经不仅影响温度。

它开始影响算力释放。

影响能源利用效率。

影响数据中心运营成本。

甚至影响未来基础设施规划。

这也是为什么越来越多AI数据中心开始重新评估散热系统。

他们真正追求的，不是让芯片更凉。

而是让每一瓦功耗，都尽可能转化为稳定、持续的计算能力。

06、风冷会被液冷取代吗？

每当一种新技术开始普及，总会有人提出同一个问题：

它会不会彻底取代旧技术？

十年前，人们讨论云计算是否会取代传统服务器。

后来，人们讨论SSD是否会完全取代机械硬盘。

今天，这个问题又落到了液冷身上。

未来，风冷会不会消失？

如果站在行业发展的角度来看，这个问题的答案并不是”会”或者”不会”，而是：

不同的计算需求，正在催生不同的散热方案。

对于大量企业应用来说，风冷依然是最成熟、最经济的方案。

例如办公系统、ERP、数据库、中小型虚拟化平台，这些应用通常不会持续运行在极高负载下，对单柜功率密度的要求也相对有限。

成熟的风冷技术完全能够满足需求。

另一方面，AI训练、高性能计算以及超大规模GPU集群，则呈现出另一种特征。

服务器需要长时间保持高负载运行。

GPU持续输出大量热量。

单柜部署密度越来越高。

这些因素叠加之后，散热开始成为影响整体系统设计的重要变量。

因此，我们今天看到的，不是风冷”退出舞台”。

而是液冷开始进入那些过去风冷越来越难覆盖的应用场景。

技术的发展，往往不是替代，而是分工。

几十年前，笔记本电脑并没有取代台式机。

今天，两者依然同时存在。

同样，液冷的发展，更可能意味着数据中心拥有了更多散热选择，而不是唯一答案。

【知识卡】

一个容易产生的误区

━━━━━━━━━━━━━━

液冷越来越普及

≠

风冷已经淘汰

━━━━━━━━━━━━━━

真正决定散热方案的，

不是技术流行程度。

而是应用场景。

07、AI真正改变的，不只是服务器，而是整个数据中心

过去，人们评价一座数据中心，通常会关注服务器数量、机柜数量、网络带宽以及供电能力。

今天，越来越多建设者开始关注另一个问题：

未来，这座数据中心还能承载更高密度的算力吗？

这意味着，散热已经不再只是服务器内部的一项技术。

它开始影响整个数据中心的规划方式。

例如机柜布局。

例如供电系统。

例如冷热通道设计。

例如制冷系统。

甚至包括未来扩容能力。

过去，一个机柜部署十几千瓦设备已经算是高密度。

而随着AI服务器不断发展，更高功率密度的部署需求开始出现。

对于数据中心运营者来说，这意味着需要重新思考一个问题：

未来新增的热量，将如何被带走？

如果散热系统无法同步升级，即使增加更多服务器，也可能无法释放更多有效算力。

因此，越来越多人开始意识到：

数据中心建设，不只是增加服务器。

更重要的是建设一套能够持续支撑未来算力增长的基础设施。

散热，就是其中最重要的一环。

值得注意的是，液冷的发展不仅影响服务器。

它还带动了整个产业链的变化。

从冷板、CDU、换热设备，到冷却液、管路、控制系统，再到数据中心整体设计，都在形成新的产业协同。

未来，数据中心竞争的不只是芯片采购能力。

还有基础设施设计能力。

谁能够更加高效地管理热量，谁就更有机会释放更大的算力价值。

这也是为什么近年来，越来越多国际服务器厂商、云服务提供商以及基础设施企业开始持续投入液冷技术。

因为他们看到的，不只是今天。

更是未来十年的AI基础设施。

【信息卡】

AI时代，数据中心正在发生哪些变化？

✔ GPU成为核心计算单元

✔ 单柜功率密度持续提升

✔ 散热系统重要性快速提升

✔ 基础设施开始围绕热管理重新设计

✔ 热量正在成为新的工程变量

写在最后：真正推动液冷发展的，从来不是液冷

如果把过去二十年的服务器发展画成一条曲线。

会发现，CPU性能在不断提升。

GPU性能也在不断提升。

AI模型规模持续扩大。

算力不断增长。

而另一条几乎同步增长的曲线，则是热量。

过去，热量更多是服务器工程师需要解决的问题。

今天，它已经成为整个AI基础设施共同面对的问题。

因此，我们今天讨论液冷，并不是因为液冷突然变得”更先进”。

真正推动液冷发展的，是AI计算方式的改变。

是GPU持续增长的热密度。

是数据中心不断提升的功率需求。

也是未来算力持续增长的趋势。

换句话说，液冷并不是AI时代的起点。

它更像是AI不断发展的结果。

风冷会长期存在吗？

答案是肯定的。

液冷会持续发展吗？

答案同样也是肯定的。

未来很长一段时间，它们不会站在彼此的对立面。

而是根据不同场景，共同支撑数据中心的发展。

对于普通服务器而言，成熟可靠的风冷依然拥有不可替代的价值。

而对于高密度AI计算，液冷正在成为越来越重要的工程选择。

技术的发展，从来不是为了证明谁更先进。

而是为了回答一个更现实的问题：

面对不断增长的热量，我们还能怎样让算力持续稳定地释放？

或许，这才是风冷与液冷之争背后，真正值得思考的问题。

参考阅读

为了帮助读者进一步了解AI服务器散热的发展方向，建议在文末补充以下资料来源：

· NVIDIA 关于 AI 基础设施与液冷服务器的公开技术资料

· Intel 数据中心热管理相关技术文档

· Open Compute Project（OCP）液冷技术规范

· ASHRAE 数据中心热环境指南

· Uptime Institute 关于高密度数据中心发展的研究报告

· 各主流服务器厂商（Dell、HPE、Lenovo、Supermicro 等）公开发布的液冷解决方案白皮书