深夜十一点，老王的小炒店后厨像一座小火山。十个灶头同时开猛火，锅气冲上天花板，厨师们的汗把围裙浸透。订单还在排长队——可厨房已经热得待不住人了。老王面临一个选择：要么不接新单，要么想办法给厨房降温。AI 行业此刻正站在同样的十字路口。训练一个大模型需要成千上万块 GPU 同时满负荷运转，每块芯片就像一只猛火灶，把电能变成算力，也把电能变成热量。当一整个机柜的“灶头”挤在几十厘米见方的空间里，热浪就成了比算力更早到顶的瓶颈。本文就用一间餐厅后厨的降温故事，带你走完 AI 集群散热的完整地图：热从哪来、怎么带走、用什么指标衡量、又如何聪明地运维。厨师会炒菜不算本事，能把后厨的火候管明白才是真功夫；AI 工程师也一样，会让集群“凉快”下来，才能让算力真正跑得稳。

岗位关联

搞懂散热，是 AI 算力工程师从“能跑”走向“能稳健跑”的分水岭——它直接决定集群的可用性、电费账单和 GPU 的寿命。

目录
  1. 可视化演示
  2. 散热危机起源
  3. 热量产生机理
  4. 主流散热方案
  5. 冷却系统架构
  6. 关键效能指标
  7. 优化与运维
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示散热三维度：散热方式对比（风冷≤15kW/液冷50kW/浸没100kW功率密度与PUE）、热链路传递（GPU 90°C→TIM→冷板→CDU→冷却塔温度逐级降低）、PUE功耗分解（风冷PUE1.55冷却损耗35%→浸没PUE1.08冷却损耗7%），三模式切换理解数据中心热管理。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+C1+'

散热危机起源

老王的小炒店十年前只有两个灶头，生意不温不火。后来招牌菜火了，订单像雪片一样飞来，他把厨房从 2 个灶台扩到了 50 个，还换上了火力更猛的商业大灶。可厨房面积没怎么变，问题立刻出现了：每到晚市高峰，厨房里的温度高得让人喘不过气，厨师们热得直想撂挑子。老王这才明白，厨房的瓶颈从来不是灶台不够，而是“一平米能烧多大火”。

AI 世界正在经历一模一样的“灶台扩张”。训练一个千亿参数的大模型，需要成千上万块 GPU 同时满负荷运转。每一代 AI 芯片的功耗都在飙升：英伟达 V100 约 300 瓦，A100 来到 400 瓦，H100 突破 700 瓦，最新一代加速卡甚至逼近 1000 瓦以上。与此同时，机柜从早年只放几台通用服务器、功率 5 千瓦，发展到现在塞满高功率加速卡、功率超过 100 千瓦。发热量被压缩进同一个狭小空间，热密度成了比算力更早到顶的“隐形天花板”。

工程上用一个简洁的物理量刻画这种危机——热密度，即单位空间内产生的热量功率：

老王想通了：想继续把生意做大，要么扩建厨房，要么给厨房降温。房租这么贵，扩建不现实，降温成了唯一出路。AI 集群也一样——算力要继续扩张，散热就必须同步升级。这就是散热危机的起源。

ρheat=PtotalVrack\displaystyle \rho_{\text{heat}} = \frac{P_{\text{total}}}{V_{\text{rack}}}
热密度就像“每平方米厨房里灶火的功率”。密度越高，厨房越容易变成蒸笼，人（芯片）就越容易中暑（过热）。
  1. 总发热功率$P_{\text{total}}$ 是机柜里所有设备（GPU、CPU、电源等）发热功率之和，单位瓦特，代表“整座厨房同时开多少个猛火灶”。
    Ptotal=∑i=1nPiP_{\text{total}}=\sum_{i=1}^{n}P_i
  2. 机柜体积$V_{\text{rack}}$ 是机柜的容积，单位立方米，相当于“厨房一共有多大面积”。
    Vrack=长×宽×高V_{\text{rack}}=\text{长}\times\text{宽}\times\text{高}
  3. 热密度$\rho_{\text{heat}}$ 是发热功率除以体积的商。数值越大，说明单位空间里火力越密集，散热难度越高。
    ρheat=PtotalVrack\rho_{\text{heat}}=\frac{P_{\text{total}}}{V_{\text{rack}}}

热量产生机理

灶台为什么烫手？因为有火焰在燃烧。芯片为什么烫手？因为它把电能“烧”成了热量。一块 700 瓦的 GPU 内部有数百亿个晶体管，它们像一群极小的阀门，每秒钟开合上百亿次，完成 0 和 1 的运算。每一次开合都要给电路充放电、克服电阻，这个过程的能量损耗，就是芯片发热的源头。

芯片发热主要分两笔账。第一笔叫动态功耗：晶体管开关动作越频繁，充放电次数越多，功耗就越大，这占了芯片发热的大头。第二笔叫静态功耗：晶体管再小也不是完美的绝缘体，总会有微量电流“漏”过去，就像关不紧的水龙头一直滴水。芯片制造工艺越先进、晶体管越微小，漏电反而越严重。两笔账加起来，就是芯片的总功耗。

动态功耗可以用一条经典公式表达：

明白了热从哪来，才知道从哪下手：芯片设计者靠降电压、调频率来控制发热，而数据中心运维者能做的，是把已经产生的热及时搬走。老王的经验是——先知道灶火为什么烫，才能决定是加排风扇还是换冰锅。

Pdyn=α×C×V2×f\displaystyle P_{\text{dyn}} = \alpha \times C \times V^2 \times f
动态功耗像“翻炒频率×锅的重量×火力的平方”：火候（电压）稍微降一点，发热就能明显减少，但火太小菜又炒不熟。
  1. 活动因子$\alpha$ 表示晶体管平均每个时钟周期发生翻转（0→1 或 1→0）的比例，相当于“灶头被翻炒的频率”。
    α=N翻转N总数\alpha=\frac{N_{\text{翻转}}}{N_{\text{总数}}}
  2. 负载电容$C$ 是晶体管栅极与连线的等效电容，电容越大，每次充放电需要的电荷越多，像更厚重的铁锅更费火。
    Q=C×VQ=C\times V
  3. 电压平方$V^2$ 是供电电压的平方项，这是公式里最“敏感”的因子——电压降 10%，这部分功耗能降约 19%。
    Pdyn=α×C×V2×fP_{\text{dyn}}=\alpha\times C\times V^2\times f
  4. 工作频率$f$ 是时钟频率，频率越高开关越快、算力越强，但功耗也线性上升，相当于“翻锅越快手越累”。
    E热≈Pdyn×tE_{\text{热}}\approx P_{\text{dyn}}\times t

主流散热方案

老王面前有三条降温路线。第一条是装一台大排风扇，对着灶台猛吹——这叫风冷，简单便宜，可一旦灶头太多、火力太猛，风一吹整屋都是热浪，效果立刻打折扣。第二条是给每个灶台夹层里通上冷水，灶火的热量直接被水带走——这叫冷板液冷。第三条更彻底：把灶台整个泡进一个冰水池子里，锅再烫，也烫不过这池子——这叫浸没式液冷。

对应到数据中心，风冷就是散热片加风扇，把芯片的热先导到翅片，再用空气带走。它的优点是成熟可靠、成本低，但空气的“载热能力”太弱，面对 100 千瓦以上的高密度机柜，风扇吹得再猛也无济于事。冷板液冷则让冷却液流经芯片上方紧贴的金属冷板，带走 70% 以上的热量，风扇只需处理电源等“杂热”，是目前 AI 高密集群的主流选择。浸没式更进一步，把整台服务器泡在绝缘冷却液中，液体换热能力远强于空气，适合超大规模、超高密度的场景，但成本与运维复杂度也最高。

三种方式背后的换热能力，可以用牛顿冷却公式衡量：

老王最后这样选：厨房不大、灶头不多，就装排风扇；生意火爆、灶头密集，就上冷水夹层；要是开了流水席、灶头成百上千，那干脆把灶台泡进池子。数据中心的工程师做选择时，逻辑完全一样。

Q=h×A×ΔT\displaystyle Q = h \times A \times \Delta T
单位时间带走的热量 = 传热系数 × 接触面积 × 温差。空气传热系数小，水大得多；所以“泡冰水澡”天然比“吹电扇”更高效。
  1. 传热系数$h$ 代表冷却介质带走热量的能力。空气约 10~100，水约 500~10000，数值越大说明介质“吸热越积极”。
    h=QA×ΔTh=\frac{Q}{A\times \Delta T}
  2. 换热面积$A$ 是散热片或冷板与流体接触的面积。面积越大，热量出口越多，相当于“散热面积铺得越开”。
    A=A基板+A翅片A=A_{\text{基板}}+A_{\text{翅片}}
  3. 温差$\Delta T$ 是发热表面与冷却流体的温度差。温差越大，热量“冲劲”越足，所以冷水比温水降温快。
    ΔT=T壁面−T流体\Delta T=T_{\text{壁面}}-T_{\text{流体}}
  4. 换热量三个因子相乘得到单位时间带走的热量 $Q$，单位瓦特，直接对应散热方案的“排水量”。
    Q=h×A×ΔTQ=h\times A\times \Delta T

冷却系统架构

老王最终决定给后厨装一套“中央空调”。原理不复杂：地下室有个制冰房负责制造冷水，水管把冷水送到每个灶台旁的冷风盘管，吸走热量后的温水再送回屋顶的散热塔，把热量扔给夜空。制冰房、管道、盘管、散热塔，四个角色各司其职，厨房才凉快下来。

数据中心的冷却系统也是同样的四步循环。第一步“冷量制备”：冷水机组和冷却塔负责制造低温冷冻水，相当于制冰房；第二步“冷量输配”：一次侧冷冻水通过管道进入板式换热器，与二次侧回路隔离换热，再由冷却液分配单元（CDU）泵送到各机柜；第三步“末端冷却”：冷板或风机盘管把冷量送到芯片身边，完成热量交接；第四步“热量排放”：变热的冷却液回到冷却塔，把废热排到大气。整个系统环环相扣，任何一环断裂，机柜温度都会失控。

衡量这套系统有多“省”，行业用一个核心指标：PUE（电能使用效率）：

PUE 越低，说明冷量制备和输配越高效。传统风冷数据中心 PUE 常在 1.3~1.6，而采用液冷的大型 AI 集群可以压到 1.1 左右。对老王来说，菜卖得再好，电费单太吓人也白搭；对云厂商来说，PUE 就是集群运营成本的生命线。

PUE=PtotalPIT\displaystyle \text{PUE} = \frac{P_{\text{total}}}{P_{\text{IT}}}
老王看电费单时发现：每花 1 度电炒菜，还要额外花 0.5 度电开空调。PUE 就是这“空调费”和“菜钱”的比值。
  1. IT 设备功耗$P_{\text{IT}}$ 是服务器、存储、网络这些“干正事”设备的耗电，相当于炒菜本身用的火。
    PIT=∑PGPU+∑PCPU+P网络P_{\text{IT}}=\sum P_{\text{GPU}}+\sum P_{\text{CPU}}+P_{\text{网络}}
  2. 数据中心总功耗$P_{\text{total}}$ 在 IT 功耗上叠加制冷、供配电和照明损耗，相当于整间厨房的电表读数。
    Ptotal=PIT+P制冷+P输配电P_{\text{total}}=P_{\text{IT}}+P_{\text{制冷}}+P_{\text{输配电}}
  3. PUE 比值两者相除。PUE=1 是理想值，1.5 意味着每 1 瓦算力的背后要多花 0.5 瓦“杂费”。
    PUE=PtotalPIT\text{PUE}=\frac{P_{\text{total}}}{P_{\text{IT}}}

关键效能指标

老王每天在厨房里挂一支温度计，还盯着厨师脸色。温度计看的是“室温”，厨师脸色才是“核心体温”——室温再正常，厨师中暑了也得出事。芯片也一样：机房环境温度只是参考，真正要盯的是芯片内部的“结温”（$T_j$），那是晶体管的真实体温。

AI 芯片对结温非常敏感。以主流 GPU 为例，安全工作范围通常要求结温低于 95~105°C。一旦越线，芯片会启动降频保护——就像厨师热到头晕，只能放慢炒菜速度；长期在高温下运行，芯片内部的金属连线还会加速老化（电迁移），寿命大打折扣。所以散热系统的第一目标，就是把结温稳稳压在红线以内。

从芯片结到环境空气，热量要走一条“阻力重重”的路：先穿过芯片封装，再经过硅脂或焊料，最后通过散热器交给空气或冷却液。这段路上的总阻力就是热阻 $R_{\text{ja}}$：

老王给每位厨师测体温、定红线，数据中心则用结温和热阻做“健康档案”。买散热器不看体积大不大，而看热阻低不低，就像买衣服不看厚不厚，而看透不透气。

Rja=Tj−TaP\displaystyle R_{\text{ja}} = \frac{T_j - T_a}{P}
热阻像“衣服的保暖程度”：羽绒服保温好但散热差，速干衣才适合大出汗的场景。散热器要做的，就是给芯片换上“散热更快的速干衣”。
  1. 结温$T_j$ 是芯片内部晶体管结区的温度，相当于厨师的“核心体温”，是散热系统真正要守护的对象。
    Tj=T壳温+P×RjsT_j=T_{\text{壳温}}+P\times R_{\text{js}}
  2. 环境温度$T_a$ 是机柜进风或冷却液入口温度，相当于“厨房室温”。它越低，结温越容易压住。
    Ta=T进风T_a=T_{\text{进风}}
  3. 热阻$R_{\text{ja}}$ 是热量从结到环境一路上遇到的阻力，单位 °C/W，数值越小散热路径越通畅。
    Rja=R结到壳+R硅脂+R散热器R_{\text{ja}}=R_{\text{结到壳}}+R_{\text{硅脂}}+R_{\text{散热器}}
  4. 温差与功率之比结温减环境温度，再除以发热功率，就得到热阻。工程上常用它反推芯片在给定功耗下的结温。
    Tj=Ta+P×RjaT_j = T_a + P \times R_{\text{ja}}

优化与运维

厨房稳定运转之后，老王开始琢磨更精明的管理。第一招是“看天做饭”：提前看订单和客流预测，晚市高峰前半小时就把空调开足——这叫智能温控。第二招是“巧摆菜位”：把需要猛火快炒的菜安排在通风口附近，把炖菜放到角落——这叫负载调度。第三招是“变废为宝”：灶台的余热用来烧洗碗水，夏天还能顺便预热热水器——这叫余热回收。

落到 AI 集群上，这三招都有对应的工程实践。智能温控：用机器学习模型预测未来几分钟的训练负载和温度场分布，动态调节冷冻水流量、风机转速和 CDU 泵速，让冷量“追着热度跑”。负载调度：训练任务提交时，调度器避开高温机柜，把高负载任务分散到“凉快”的区域，从源头缓解热点。仿真设计：用计算流体力学（CFD）在机房建设前模拟气流组织，优化冷热通道布局，减少冷热气流“打架”。

余热回收的效率，用回收热量占废热总量的比例来衡量：

散热从来不是“被动挨热”，而是主动经营。老王靠三招把厨房打理得井井有条，AI 集群的运维工程师同样靠预测、调度、回收和仿真，把每一度电都花在刀刃上。会散热的后厨才养得起大生意，会散热的集群才撑得起大模型。

η=QrecoveredQwaste\displaystyle \eta = \frac{Q_{\text{recovered}}}{Q_{\text{waste}}}
老王算得精：洗碗水不额外烧煤气，等于白赚一笔。数据中心把 30°C 的冷却回水送去给周边办公楼供暖，也是在“白赚”。
  1. 回收热量$Q_{\text{recovered}}$ 是冷却系统从芯片带走并重新利用的热量，比如供暖或预热，单位焦耳或千瓦时。
    Qrecovered=c×m×ΔT热水Q_{\text{recovered}}=c\times m\times \Delta T_{\text{热水}}
  2. 总废热$Q_{\text{waste}}$ 是集群运行产生的全部废热，它近似等于 IT 设备的耗电量（电能几乎全部变成热）。
    Qwaste≈PIT×tQ_{\text{waste}}\approx P_{\text{IT}}\times t
  3. 回收效率$\eta$ 是回收量与总废热的比值。η 越高，说明“余热利用越充分”，能源账单上被抹掉的数字越大。
    η=QrecoveredQwaste\eta=\frac{Q_{\text{recovered}}}{Q_{\text{waste}}}

AI 应用场景

数据中心智能温控系统

阶段：运营优化（AI for Efficiency）

解决的问题：传统数据中心按固定温度设定运行空调，面对训练负载的剧烈波动，要么制冷过度浪费电能，要么制冷不足产生热点。AI 通过预测负载变化和热分布，动态调节冷冻水流量、风机转速与冷却塔启停，让冷量供给精准匹配发热需求。

具体案例：某大型云厂商在其 AI 训练集群中部署了强化学习温控模型，模型输入历史负载、室外气温和机房温度场，输出下一时段各区域冷却设备的运行参数。上线后冷却能耗下降约 30%，PUE 从 1.35 降至 1.15 附近，并成功消除了多个周期性热点。

液冷集群热异常预警

阶段：智能运维（AIOps）

解决的问题：液冷系统管路繁多，冷板结垢、泵速异常、漏液等问题早期难以察觉，传统阈值告警总是“事后报警”，往往已经造成 GPU 过热降频甚至损坏。AI 用温度、流量、压力等时序数据训练异常检测模型，能在故障发生前发出预警。

具体案例：一家大模型训练公司给 2000 张 GPU 的液冷集群安装了智能监测系统，采集每个机柜的进出水温度、压差和泵转速。某次模型在训练 3 小时后检测到一台 CDU 的压差持续偏离基线，提前 8 分钟自动切换备用回路，避免了一次整机柜过热宕机事故。

Python 演示

python37 行
import math class RackSimulator:    def __init__(self, max_power, cooling_power, capacity_heat):        self.max_power = max_power        self.cooling_power = cooling_power        self.heat_capacity = capacity_heat        self.temp = 25.0        self.throttle_count = 0     def step(self, util):        heat = self.max_power * util        removed = min(self.cooling_power, heat)        self.temp += (heat - removed) / self.heat_capacity        if self.temp > 88.0:            self.throttle_count += 1            self.temp = min(self.temp, 92.0)        return self.temp def build_load_profile(minutes):    return [0.4 + 0.6 * abs(math.sin(t * 0.3)) for t in range(minutes)] if __name__ == "__main__":    profile = build_load_profile(120)    wind = RackSimulator(20000, 8000, 4000)    liquid = RackSimulator(20000, 18000, 4000)    peak_wind = 0.0    peak_liquid = 0.0    for i, u in enumerate(profile):        tw = wind.step(u)        tl = liquid.step(u)        peak_wind = max(peak_wind, tw)        peak_liquid = max(peak_liquid, tl)        if i % 20 == 0:            print("t=%3dmin 负载=%4.1f%% 风冷=%5.1fC 液冷=%5.1fC" % (i, u * 100, tw, tl))    print("风冷峰值: %.1fC 过限次数: %d" % (peak_wind, wind.throttle_count))    print("液冷峰值: %.1fC 过限次数: %d" % (peak_liquid, liquid.throttle_count))
目的：模拟一座 20kW 发热机柜在同样的训练负载波动下，分别采用风冷（冷却能力 8kW）与液冷（冷却能力 18kW）时的温度变化，对比两者是否触发 88°C 过热红线。
  1. heat = self.max_power * util负载越高，机柜发热功率越大，像灶火越旺产热越多。
  2. removed = min(self.cooling_power, heat)冷却系统先尽力带走热量，但带走能力有上限。
  3. self.temp += (heat - removed) / self.heat_capacity净余热量除以热容量就是温度变化量。
  4. if self.temp > 88.0:越过 88°C 红线就记录一次“过热限频”事件。
  5. wind = RackSimulator(20000, 8000, 4000)风冷方案只能带走 8kW，面对 20kW 峰值捉襟见肘。
  6. liquid = RackSimulator(20000, 18000, 4000)液冷方案能带走 18kW，峰值负载也能从容应对。

常见误区

误区经常看到新闻说液冷如何先进，于是觉得只要做 AI 训练，就必须立刻把所有机柜改成液冷，风冷已经过时了。

正解液冷的核心优势是换热能力强、适合高密度场景，但它的成本、改造复杂度和维护要求都更高。如果集群规模小、机柜功率密度不高（比如单柜低于 15kW），成熟的风冷方案反而更经济可靠。就像小面馆没必要装中央空调，开个落地扇就挺舒服——选散热方案要看“厨房有多挤”，而不是盲目追新。

为何常见：媒体和厂商都在宣传液冷，容易让人忽略技术选型要匹配实际热密度和预算的现实。

误区看到 GPU 规格表上写着 TDP 700W，就觉得这块芯片任何时候都在消耗 700 瓦，散热器也必须按这个值设计。

正解TDP（热设计功耗）是散热系统需要满足的设计上限，不代表实际功耗。芯片在低负载时可能只消耗 200 瓦，在瞬时突发的 Turbo 场景下甚至可能超过 700 瓦。它更像灶台的“额定火力”——大火爆炒时接近上限，小火慢炖时远低于上限。

为何常见：规格表上的数字最醒目，人们容易把“设计上限”当成“实际读数”。

误区两家数据中心比能效，直接比 PUE，谁低谁就更环保更省钱。

正解PUE 只衡量基础设施开销与 IT 开销的比值，完全不关心 IT 设备本身利用率。一个空转闲置、PUE 1.1 的数据中心，浪费的电可能比一个满载运行、PUE 1.4 的还要多。就像比“空调费占电费比例”没意义，还得看饭店到底炒了多少菜、卖了多少桌。

为何常见：PUE 是行业里被宣传最多的指标，人们容易忽略它只是“比值”而非“绝对消耗量”。

误区既然芯片怕热，那就把机房温度设成 15°C 甚至更低，觉得越冷越安全。

正解主流服务器的进风温度推荐范围一般在 18~27°C，芯片结温的安全余量足够宽。把室温每调低 1°C，制冷能耗可能增加 3%~5%，过度制冷等于把钱扔进空调。合适的做法是设定在设备允许的温度上限附近运行，再靠智能温控动态调节。

为何常见：人的直觉是“越冷越安全”，忽略了散热系统消耗的电能本身也在增加成本和碳排。

误区芯片过热会自我保护、自动降速，所以即使散热差点也无所谓，反正烧不坏。

正解降频确实能防止立刻烧毁，但长期工作在高温下会加速电迁移和材料老化，显著缩短 GPU 寿命；如果散热系统失效速度太快，降频也来不及兜底，仍可能造成永久损坏。就像人中暑后会头晕减速，但一直硬扛还是会进医院。

为何常见：看到“过热保护”功能就以为万事大吉，忽略了持续高温对寿命的慢性侵蚀。

面试题

Q1. 下列关于热密度说法正确的是？

单选题 · easy

  • A.热密度代表单位体积的发热功率← 正确答案
  • B.热密度与机柜体积总是成正比
  • C.热密度反映的是芯片温度高低
  • D.热密度只与风扇数量密切相关

答案：A。热密度是总发热功率除以机柜体积，衡量单位空间的发热强度，所以 A 正确。它不由体积单独决定，也不等同于温度，更与风扇数量无关。类比厨房：热密度是“每平米开了几个猛火灶”，不是“屋里有多热”。

Q2. 动态功耗公式中影响最显著的因素是？

单选题 · mid

  • A.活动因子与频率双线性项
  • B.供电电压的三次方关系
  • C.负载电容与频率的乘积
  • D.供电电压的平方关系← 正确答案

答案：D。动态功耗 $P=\alpha C V^2 f$ 中电压是平方项，影响最显著：电压降 10%，这部分功耗可降约 19%。频率和电容都是线性关系，影响次之。就像炒菜时“火力”稍微调小一点，整个厨房的热浪就能明显减弱。

Q3. 下列属于液冷散热方式的有？

多选题 · mid

  • A.采用冷板接触传热散热← 正确答案
  • B.采用浸没式介质散热← 正确答案
  • C.采用风扇直吹机箱散热
  • D.采用热管自然对流散热

答案：AB。冷板液冷和浸没式液冷都依赖液体介质换热，属于液冷；风冷靠空气对流，热管主要靠相变导热加空气散热，都不算液冷。类比厨房：冷板是“灶台夹层通冷水”，浸没是“整灶泡水池”，而风扇只算“排风扇”。

Q4. PUE 为 1.5 的数据中心意味着什么？

单选题 · mid

  • A.IT 设备耗电占总耗电量的 15%
  • B.每 1 瓦算力需多花 0.5 瓦杂费← 正确答案
  • C.制冷系统耗电占总耗电一半以上
  • D.数据中心整体能效达到优秀水平

答案：B。PUE=总功耗/IT 功耗。PUE=1.5 表示总功耗是 IT 功耗的 1.5 倍，即每瓦算力背后有 0.5 瓦用于制冷和输配等基础设施开销。它不等于 IT 占比 15%，也不表示制冷一定超过一半——杂费包含制冷、输配电等多项。

Q5. 芯片发热 100W、热阻 0.5°C/W、环境温度 25°C，结温是多少？

单选题 · hard

  • A.结温为 50°C
  • B.结温为 75°C← 正确答案
  • C.结温为 100°C
  • D.结温为 125°C

答案：B。由 $T_j=T_a+P\times R_{ja}=25+100\times 0.5=75°C$。热阻把发热功率换算成温差：100W 乘以 0.5°C/W 等于 50°C 温差，加上环境温度 25°C 得 75°C。就像穿了一件“保温 0.5 度每瓦”的衣服，火力越大体温升得越高。

Q6. 关于静态功耗说法正确的有？

多选题 · hard

  • A.与晶体管的漏电流密切相关← 正确答案
  • B.芯片处于空载时依然存在← 正确答案
  • C.只与运行频率成正比关系
  • D.工艺越先进漏电现象越严重← 正确答案

答案：ABD。静态功耗源于晶体管漏电流，芯片空载时依然存在，且工艺越先进、晶体管越小，漏电越严重。它与频率无关——这是动态功耗的特征。类比：静态功耗像关不紧的水龙头，不炒菜也在滴水；频率影响的是“翻炒”的体力消耗。

Q7. 浸没式液冷相对于风冷的主要优势是？

单选题 · easy

  • A.冷却介质换热能力更强← 正确答案
  • B.完全不需要消耗任何电能
  • C.冷却液比空气价格更低廉
  • D.服务器无需任何密封结构

答案：A。液体的传热系数远大于空气，所以浸没式液冷换热能力最强。它依然需要泵和冷却设备耗电；冷却液并不比空气便宜；服务器反而需要更强的密封和防腐设计。类比：泡冰水澡比吹电扇降温快，但澡堂子也要维护成本。

Q8. AI 芯片结温超过红线时通常会发生？

单选题 · mid

  • A.自动降低频率以保护芯片← 正确答案
  • B.自动提升时钟频率来散热
  • C.自动加快风扇排出全部热量
  • D.自动切换备份芯片继续训练

答案：A。芯片过热时首先触发降频保护（thermal throttling），降低功耗来降温；提升频率只会热上加热，风扇是系统层面动作而非芯片自身行为，也没有芯片自动切换备份的机制。类比厨师中暑后先放慢速度，而不是更拼命炒菜。

Q9. 降低数据中心散热能耗的优化策略有？

多选题 · mid

  • A.根据负载预测动态调节冷量← 正确答案
  • B.回收冷却余热用于冬季供暖← 正确答案
  • C.把环境温度设得越低越省电
  • D.适当提高冷冻水的供水温度← 正确答案

答案：ABD。智能温控、余热回收、提高冷冻水温度（扩大自然冷却窗口）都能降低散热能耗。把环境温度设得过低反而大幅增加制冷耗电。类比老王：提前开空调、用余热烧水、别把厨房冻成冰窖，才是精明的省钱之道。

Q10. 数据中心冷却塔的主要作用是什么？

单选题 · hard

  • A.把系统废热排放到大气中← 正确答案
  • B.直接接触冷却芯片的表面
  • C.为整机柜提供稳定的电力
  • D.通过超频提升算力的上限

答案：A。冷却塔位于冷却系统末端，负责把循环水携带的废热通过蒸发和换热排放到大气，完成“热量闭环”。它不直接接触芯片，不供电，更与超频无关。类似老王屋顶的散热塔——把厨房的热气扔给夜空，才算走完整个降温流程。