假设有这样一栋“数字大厦”，里面住着成千上万个勤劳的GPU租客。它们每天拼命训练大模型、处理海量数据，干得越猛，身体“出汗”（发热）就越厉害。过去，大厦物业靠几台大风扇和空调（风冷）就能维持舒适；可如今租客数量暴增、每个租客的出力也翻了几倍，整栋楼的温度直线飙升——传统“吹风”方案眼看就要压不住了。于是散热技术开始进化：从“给整栋楼吹风”转向“给每位租客穿上贴身冷却背心”，甚至把租客泡进凉水浴缸（液冷）。这篇文章用这栋大厦的故事，帮你搞清风冷的极限、液冷的三大路线、PUE这个“能耗体检指标”、未来趋势，以及选型时怎么算清一笔经济账。

岗位关联

学会看透AI数据中心的散热技术与成本逻辑，你才能在算力规划、绿色双碳和硬件选型中理解“看不见的能耗瓶颈”，不再被芯片参数宣传单牵着走。

目录
  1. 可视化演示
  2. 算力发热浪潮
  3. 风冷的天花板
  4. 液冷三大路线
  5. 能耗与PUE
  6. 散热趋势演进
  7. 选型的算术账
  8. 绿色算力
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示风冷散热瓶颈（1000W芯片vs15kW机柜极限）、液冷技术路线演进（冷板式→浸没式）、PUE能耗对比（风冷1.5vs液冷1.1）及5年TCO成本效益分析，步进式切换深入理解散热方案选型。

本节配有交互动效（进入视口后自动加载，约 3KB）。

风冷散热瓶颈：功耗攀升突破散热极限 AI芯片功耗从300W攀升至1000W，B200单卡达1000W 风冷散热密度上限约15kW/机柜，无法满足高密度AI训练 Air Limit: 15kW/rack | B200: 1000W/card 风冷已成为AI算力扩展的物理瓶颈。

算力发热浪潮

数字大厦里的GPU租客，个个都是拼命三郎：白天训练大模型，晚上跑推理，全年无休。跑得越欢，“出汗”越多。三四年前，一个机柜里的租客加起来只冒4kW的热，像几台跑步机；如今一柜子的AI加速卡干起活来能释放100kW的热量，相当于40多个家用热水器同时烧水。“汗”出成这样，大楼的空调系统还能坐得住吗？

这波“汗量暴涨”的根源，是AI算力需求的指数级增长。大模型训练靠的是成千上万颗GPU并行计算，单颗GPU功耗从过去的100-300W，一路飙升到450W、700W。单柜功率密度从几kW跳到30kW、60kW甚至100kW以上，“热浪”不再是均匀弥漫，而是集中在机柜里、芯片上爆发。散热系统如果不换思路，机房就要变成桑拿房。

散热设计首先要知道“这栋楼到底有多热”，于是要精确计算机柜功率密度：

一头扎进“卖力出汗”的租客群中，我们发现真正压在空调系统身上的，不是某台设备，而是“功率密度”这个总开关。它决定了数字大厦的散热体系必须推倒重来。接下来要做的，是先看看原来的“吹风扇”方案为何到了极限。

P机柜=n×P单机\displaystyle P_{\text{机柜}} = n \times P_{\text{单机}}
机柜总功率 = 设备台数 × 单台设备满载功耗。它决定了制冷系统要选多大、电力和管路要怎么配。
  1. n（设备数量）一个标准机柜的U高是固定的，能塞进多少台服务器，取决于每台设备的高度和散热设计。
    n\displaystyle n
  2. P单机（单台功耗）AI服务器满载时，GPU、CPU、内存和网卡共同消耗的电功率，数值可从硬件规格书查到。
    P单机\displaystyle P_{\text{单机}}
  3. 乘积（机柜总功率）台数乘以单台功耗，得到整个机柜满负荷下的发热功率，这是散热方案的输入基准。
    P机柜=n×P单机\displaystyle P_{\text{机柜}} = n \times P_{\text{单机}}

风冷的天花板

大厦原有的空调逻辑很简单：多装几个大风扇，把整栋楼的空气搅动起来。走廊凉快了，但GPU租客们挤在一个个小格里埋头苦干，局部区域还是热得冒烟。空气这种“搬热工”太弱了——它既搬不快，也搬不多。

风冷的本质，是用空气做中间介质产生对流换热。空气的导热系数和比热容都很低，风机再卖力，单位体积能带走的热量也有限。实践中，风冷能稳定处理的单机柜热密度大约在10-20kW量级；一旦机柜功率冲到30kW以上，需要提高的风速会带来爆炸式增长的风扇功耗和噪声，同时远端机柜吹不到风，散热效率急剧恶化。

要理解风冷的“天花板”，牛顿冷却公式是最直白的表达：

把大风扇换成更大的风扇，只是量变，不是质变。就像让人工呼吸团队去扑灭一栋楼的火灾——方向就错了。于是大厦物业开始寻找一名更强的“搬热工”：液体。

Q=h⋅A⋅ΔT\displaystyle Q = h \cdot A \cdot \Delta T
散热功率 = 换热系数 × 换热面积 × 温差。空气的换热系数太低，扇叶面积又有物理极限，天花板看得见摸得着。
  1. h（对流换热系数）表示每平方米、每开尔文温差下能搬走多少瓦热量。空气约5-25 W/(m²·K)，液体可达数百到数千。
    h\displaystyle h
  2. A（换热面积）散热鳍片、机箱外壳等真正接触空气的面积，受机柜尺寸和结构限制，不能无限扩大。
    A\displaystyle A
  3. ΔT（温差）发热表面与空气之间的温度差，受芯片最高允许温度约束，不可能无限拉高。
    ΔT\displaystyle \Delta T
  4. 乘积（换热量）三个因子相乘，就是空气这个“搬热工”单位时间能搬走的热量。风冷想提高Q，三条路都是死胡同。
    Q=h⋅A⋅ΔT\displaystyle Q = h \cdot A \cdot \Delta T

液冷三大路线

风冷是吹整栋楼，液冷则是给每位GPU租客发一件“贴身冷却背心”，甚至直接让租客泡进凉水浴缸。液体不怕“汗”，因为它一次能搬运的热量远超空气。

液冷目前有三大路线。冷板式是在芯片上方贴一块金属水冷板，冷却液在板内管道流动，间接带走热量，改造灵活，是当前主流；浸没式是将整台服务器直接浸入绝缘冷却液中，让发热部件与液体零距离接触，散热效率最高，但需要专门设计的服务器和液体；喷淋式则把冷却液精准喷淋到发热器件上，结构灵活但工程化应用仍在探索。不管哪条路，本质都一样：让液体尽量靠近热源。

液冷能搬走多少热，同样有明确公式：

从“吹整栋楼”到“穿背心泡浴缸”，液冷把散热半径从米级缩短到厘米级。不过，背心穿久了要保养，管路怕漏液，冷却液要防腐蚀——这些工程细节，最终都会反映在能耗和成本指标上。下一节就看数字大厦的“能耗体检报告”。

Q=m˙⋅cp⋅ΔT\displaystyle Q = \dot{m} \cdot c_p \cdot \Delta T
散热功率 = 冷却液质量流量 × 比热容 × 进出口温差。水比空气“能装”得多，所以同样的管路能带走几十倍热量。
  1. $\dot{m}$（质量流量）单位时间内流过管路的冷却液质量，流量越大，搬运能力越强，但泵功耗也会上升。
    m˙\displaystyle \dot{m}
  2. $c_p$（比热容）每千克液体升高1℃能吸收的热量。水约4200 J/(kg·K)，是空气的4倍多。
    cp\displaystyle c_p
  3. ΔT（进出口温差）冷却液流经热源前后的温度差，体现冷却液实际“吃进”了多少热量。
    ΔT\displaystyle \Delta T
  4. 乘积（带走的总热量）三者相乘，就是液体这种“搬热工”单位时间从芯片旁边运走的热量总账。
    Q=m˙⋅cp⋅ΔT\displaystyle Q = \dot{m} \cdot c_p \cdot \Delta T

能耗与PUE

数字大厦每月的电费单上，除了租客们干活的电费，还有空调、风泵、照明和供电损耗。物业想知道自己“后勤系统”到底吃了多少电，于是引入了一个体检指标：PUE。

PUE是Power Usage Effectiveness的缩写，即能源利用效率。传统风冷数据中心的PUE通常在1.3-1.6之间，意味着IT设备每耗1度电，整栋大楼实际要掏1.3到1.6度电——多出来的部分，很大一块给了空调和风扇。液冷因为把水直接送到芯片旁边，不再需要“吹整个房间”，PUE可以压到1.15甚至1.1以下。

PUE计算公式：

PUE虽然只是一个比值，却是整个行业的“通用体检单”：投资方拿它评估项目，监管方拿它做绿色审核，客户拿它对比谁的算力更绿色。这一指标还直接牵连下一节要聊的趋势——当租客功耗再翻一倍，体检单还撑得住吗？

PUE=E总EIT\displaystyle PUE = \frac{E_{\text{总}}}{E_{\text{IT}}}
PUE = 数据中心总耗电 ÷ IT设备耗电。越接近1，说明电都花在了“算”上，而不是“凉”上。
  1. $E_{\text{IT}}$（IT设备耗电）服务器、存储和网络设备真正干活的耗电量，是散热效率的分母基准。
    EIT\displaystyle E_{\text{IT}}
  2. $E_{\text{总}}$（总耗电）包括IT设备、冷却系统、供电损耗、照明等所有用电，是分子。
    E总\displaystyle E_{\text{总}}
  3. 比值（PUE）总耗电除以IT耗电，得到一个大于等于1的比值。1.5的PUE意味着冷却等系统多吃了50%的电。
    PUE=E总EIT\displaystyle PUE = \frac{E_{\text{总}}}{E_{\text{IT}}}

散热趋势演进

GPU租客的“体质”越来越猛：从早期CPU的100多瓦，到AI加速卡的四五百瓦，下一代旗舰TDP已在冲击1000W以上。单个租客越来越“烫”，而机柜里的租客数量还在增加——散热方案不进化，整栋大厦就要宕机。

热设计功耗（TDP）是芯片发热的“标称值”，但真正决定散热难度的是热流密度，也就是单位面积上的发热功率。芯片面积受制造成本和物理极限约束，增长十分缓慢，功耗却在成倍上涨，于是单位面积的热量输出急剧攀升：

于是我们看到清晰的趋势：新建的智算中心，在土建阶段就开始预埋液冷管路，把“冷却水管接进每家每户”；存量机房没有条件全面改造，就走“风液混合”路线，将高密机柜改用液冷、普通机柜保留风冷。风冷不会被一夜淘汰，但它正从主角退居配角。

q′′=P芯片A芯片\displaystyle q'' = \frac{P_{\text{芯片}}}{A_{\text{芯片}}}
热流密度 = 芯片功耗 ÷ 芯片面积。功耗涨得快、面积涨得慢，所以热流密度一路狂奔，直接淘汰低效散热方案。
  1. $P_{\text{芯片}}$（芯片功耗）GPU/CPU在满负载下的持续热功耗，可从TDP或TGP参数中读出。
    P芯片\displaystyle P_{\text{芯片}}
  2. $A_{\text{芯片}}$（芯片面积）芯片核心die的表面积，受光罩尺寸和良率限制，无法随功耗同步增长。
    A芯片\displaystyle A_{\text{芯片}}
  3. 商（热流密度）单位面积的发热功率。用千瓦级功耗除以巴掌大的面积，热流密度高出传统CPU一个数量级。
    q′′=P芯片A芯片\displaystyle q'' = \frac{P_{\text{芯片}}}{A_{\text{芯片}}}

选型的算术账

装中央空调还是给每家每户装冷却背心？这不是技术问题，而是财务问题。数字大厦的物业（数据中心运维方）要按十年使用期来算总账，不能只看哪套方案更时髦。

TCO（总拥有成本）是选型的关键框架：液冷系统建设成本更高，因为要增加冷却液分配单元（CDU）、二次侧管路、防漏监测等；但液冷的运行成本远低于风冷，因为PUE低、电费省，而且高功率密度能减少机房面积和建筑成本。这笔账算下来，结果常常出人意料：

在10年尺度上，液冷多出的建设投资，通常能在3-5年内靠省下的电费收回。但如果只是一栋小机房、电价又便宜、负载也不高，风冷依然是最精明的选择。选型没有标准答案，只有“谁更省”的算术答案。

TCO=C建+C运×Y\displaystyle TCO = C_{\text{建}} + C_{\text{运}} \times Y
总拥有成本 = 一次性建设成本 + 每年运行成本 × 使用年限。液冷贵在开局，省在长跑。
  1. $C_{\text{建}}$（建设成本）冷却设备采购、管路施工、机房改造等一次性投入，液冷明显高于风冷。
    C建\displaystyle C_{\text{建}}
  2. $C_{\text{运}}$（年度运行成本）每年电费、水费、维护费之和，液冷的PUE优势在这里兑现。
    C运\displaystyle C_{\text{运}}
  3. $Y$（使用年限）基础设施一般按10-15年折旧，年限越长，液冷节约的电费越能摊薄初期投资。
    Y\displaystyle Y
  4. 求和（TCO）建设成本与多年运行成本相加，得到全生命周期总账，这是决策层最关心的数字。
    TCO=C建+C运×Y\displaystyle TCO = C_{\text{建}} + C_{\text{运}} \times Y

绿色算力

数字大厦的“散热费”不只是钱的问题，更是环境账单。液冷把热量从芯片搬到液体里，流出来的不再是“废热”，而是可以再次利用的“热水”——北方机房把余热送给办公楼供暖，南方机房用它加热生活用水，废热也能变成资源。

与此同时，监管和客户都在盯着算力中心的碳排放。数据中心的碳排放大头来自电力消耗，计算公式很直白：

从“给大厦散热”到“让大厦供暖”，液冷把废热变成资源；从“省电费”到“减碳排”，液冷又帮算力中心拿到了绿色通关证。数字大厦的散热革命，本质上是一场精打细算的能源管理革命。

E碳=P×t×EF\displaystyle E_{\text{碳}} = P \times t \times EF
碳排放量 = 平均功率 × 运行时间 × 电网碳排放因子。PUE越低，等量算力的总耗电和碳排放就越少。
  1. $P$（平均功率）数据中心在统计周期内的平均运行电功率。
    P\displaystyle P
  2. $t$（运行时间）按全年8760小时或实际运营时长折算。
    t\displaystyle t
  3. $EF$（碳排放因子）电网每生产1kWh电对应的二氧化碳排放量，各地电网因能源结构不同而有差异。
    EF\displaystyle EF
  4. 乘积（总碳排放）三者相乘得到统计期内的碳排放总量，液冷的高能效在这里直接转化为碳减排。
    E碳=P×t×EF\displaystyle E_{\text{碳}} = P \times t \times EF

AI 应用场景

新建智算中心：一开始就把冷却水管铺进大楼

阶段：基础设施规划与建设

解决的问题：传统风冷设计按每机柜5-10kW预留制冷，与AI高密度50kW+机柜完全不匹配，建成即瓶颈。AI时代的方法是：在规划阶段就用机柜功率密度公式估算载荷，用PUE目标反推冷却方案，让土建、供电与散热一次到位。

具体案例：某东部城市新建智算中心，规划300个液冷机柜、单柜60kW，设计PUE低于1.15，机房占地面积比同规模风冷方案减少约35%，余热接入市政供暖管网。

存量机房改造：让老楼也能容纳新一代GPU

阶段：升级改造与运维

解决的问题：老机房受限于空间、UPS和制冷能力，无法直接部署新一代高功耗GPU；拆除重建成本极高。AI方法是用冷板式液冷对高密机柜做“后装改造”，同时保留部分风冷机柜承担中低负载任务，形成风液混合散热体系。

具体案例：华北某云厂商将两排风冷机柜改为液冷冷板式，部署1000张新一代AI加速卡，机房整体PUE从1.5降至1.25，单机柜功率密度提升3倍。

绿色算力披露：把省下的电折算成碳减排

阶段：运营管理与ESG报告

解决的问题：监管部门和大型客户要求提供算力中心的真实碳排放数据，传统按“总电费估算”的方式误差大。AI方法是用PUE和碳排放因子建立全周期碳排模型，并将余热回收量计入碳资产，形成闭环的绿色算力报告。

具体案例：某互联网公司液冷机房冬季回收芯片余热为办公园区供暖，每年减少天然气消耗折合碳排放约1200吨CO2，该数据直接写入企业ESG报告。

Python 演示

python45 行
"""AI数据中心散热方案对比与温升仿真""" import math  class CoolingRack:    """单个机柜散热仿真模型：风冷或液冷"""     def __init__(self, power_kw, mode='air', ambient=24.0):        self.power_kw = power_kw        self.mode = mode        self.ambient = ambient        self.pue = 1.6 if mode == 'air' else 1.15        self.delta_t = 54.0 if mode == 'air' else 28.0        self.tau = 6.0 if mode == 'air' else 2.5        self.temp = ambient        self.energy_kwh = 0.0     def step(self, dt_hour):        """推进一个时间步，返回当前芯片温度(℃)"""        self.temp = self.ambient + self.delta_t * (1 - math.exp(-dt_hour / self.tau))        self.energy_kwh += self.power_kw * self.pue * dt_hour        return self.temp  def annual_cost(power_kw, hours=8760, price=0.65):    """对比风冷与液冷机柜一年运行电费"""    air = CoolingRack(power_kw, 'air')    liquid = CoolingRack(power_kw, 'liquid')    air_energy = air.power_kw * air.pue * hours    liquid_energy = liquid.power_kw * liquid.pue * hours    print('风冷：年耗电 %.1f 万千瓦时，电费 %.1f 万元' % (        air_energy / 10000, air_energy * price / 10000))    print('液冷：年耗电 %.1f 万千瓦时，电费 %.1f 万元' % (        liquid_energy / 10000, liquid_energy * price / 10000))    print('液冷每年节省电费 %.1f 万元' % ((air_energy - liquid_energy) * price / 10000))    for hours_elapsed in [1, 2, 5, 10]:        print('运行 %d 小时后：风冷温度 %.1f℃，液冷温度 %.1f℃' % (            hours_elapsed,            air.step(hours_elapsed),            liquid.step(hours_elapsed)))  if __name__ == '__main__':    annual_cost(60)
目的：用一阶温升模型模拟同一功率下风冷与液冷的芯片温度和全年电费，帮你直观感受“选型算术账”。
  1. self.pue = 1.6 if mode == 'air' else 1.15风冷和液冷的核心能耗差异，直接写进能耗累计
  2. self.delta_t = 54.0 if mode == 'air' else 28.0稳态温升不同，决定芯片最终温度高不高
  3. self.temp = self.ambient + self.delta_t * (1 - math.exp(-dt_hour / self.tau))一阶温升模型，温度随时间指数逼近稳态
  4. self.energy_kwh += self.power_kw * self.pue * dt_hour用PUE放大实际耗电，逐步累计总能耗
  5. air_energy = air.power_kw * air.pue * hours按全年8760小时计算风冷总耗电
  6. if __name__ == '__main__':让脚本既可独立运行，又可作为模块被调用

常见误区

误区很多人以为液冷就是把水淋到主板上，听着就吓人，觉得液冷不靠谱。

正解液冷并不是“给服务器浇水”。冷板式液冷的冷却水在密封金属板内流动，与芯片隔着一层高导热金属，完全不接触电路；浸没式虽然让液体直接接触主板，但使用的是绝缘冷却液，不是导电的水。这就像给租客穿了一件密封的冷却背心，水在背心夹层里循环，不会淋到人身上。

为何常见：因为“液冷”两个字太形象了，容易让人联想到“泡水”，而忽略了工程上严谨的隔离设计。

误区PUE低=省电=省钱，所以液冷肯定整体更划算。

正解液冷省的是运行电费，但建设成本更高：需要冷却液分配单元、管路、防漏监测和专门机柜。如果机房规模小、电价低、负载不满，省下的电费可能很多年都补不回建设成本。选型要算TCO，而不是只看PUE。就像买电动车：日常通勤确实省钱，但不常开的话，买车贵的那部分就回不了本。

为何常见：PUE是行业热词，大家只看到“省电”的一面，忽略了资本开支的另一面。

误区PUE做到1.05就是顶尖机房，那是不是越低越好？

正解PUE是能源效率指标，不是散热容量指标。如果为了压低PUE，过度减少冷却余量，遇到极端高温天气或负载突增，温度会瞬间失控。PUE 1.1的机房如果冷机配置没有冗余，故障时连应急能力都没有。追求PUE要同时保证可靠性余量，不能为了指标好看而牺牲安全。

为何常见：KPI驱动的思维方式让人只盯一个数字，忽视了指标背后的工程冗余。

误区液冷这么强，未来全是液冷，风冷过两年就淘汰了。

正解液冷适合高密度AI机柜和新建大型智算中心，但大量中小机房、边缘节点、推理类负载的功率密度并不高，风冷依然是最成熟、最便宜、最易维护的方案。更现实的图景是“风液混合”长期共存：同一条机房走廊里，高密机柜用液冷，普通机柜保留风冷。就像电梯和楼梯共存，电梯快但楼梯永远有需求。

为何常见：媒体和厂商宣传容易放大新技术，让人忽略存量市场和细分场景的真实需求。

面试题

Q1. 传统风冷数据中心遇到散热瓶颈的直接原因是什么？

单选题 · easy

  • A.空气比热容低换热弱← 正确答案
  • B.机柜数量不够多
  • C.GPU缺少新指令集
  • D.机房电价水平偏高

答案：A。风冷瓶颈的本质是空气的换热能力太弱。空气比热容低、对流换热系数小，单位体积能搬走的热量有限，机柜数量、指令集和电价都与散热物理极限无关。

Q2. 某风冷机房PUE为1.5，IT设备年耗电1000万kWh，机房总耗电是多少？

单选题 · easy

  • A.1000万kWh
  • B.1500万kWh← 正确答案
  • C.666万kWh
  • D.2000万kWh

答案：B。PUE=总耗电/IT耗电，所以总耗电=1000万×1.5=1500万kWh。多出的500万kWh就是冷却、配电和照明等配套设施消耗的电。

Q3. 冷板式液冷的核心特征是哪个？

单选题 · mid

  • A.整机浸入绝缘冷却液
  • B.冷板紧贴芯片水冷换热← 正确答案
  • C.用大量风扇吹冷板
  • D.完全不耗费任何电能

答案：B。冷板式液冷是在芯片上方安装一块带微通道的金属冷板，冷却液在管路内循环带走热量。整机浸入液体是浸没式；冷板式仍需要泵推动液体，并非零功耗。

Q4. 相对风冷，液冷的优势包括哪些？（选两项）

多选题 · mid

  • A.换热效率大幅提升← 正确答案
  • B.可明显降低PUE← 正确答案
  • C.初期建设成本更低
  • D.完全取消机房空调

答案：AB。液冷用液体替代空气搬热，换热效率高，PUE可压到1.15以下。但液冷建设成本高于风冷，而且机房仍需空调处理环境散热和温控，无法完全取消。

Q5. 某机房液冷建设费比风冷多200万元，每年可省电费50万元，投资回收期约为多久？

单选题 · mid

  • A.约2.5个月
  • B.约2年
  • C.约4年← 正确答案
  • D.约10年

答案：C。回收期=额外建设成本÷每年节省运行成本=200万÷50万=4年。这也解释了为什么液冷更适合长期运行的满负载机房，负载不满则回本周期更长。

Q6. 以下哪个指标用于衡量数据中心整体能源效率？

单选题 · easy

  • A.PUE← 正确答案
  • B.ROP
  • C.SLA
  • D.QoS

答案：A。PUE（Power Usage Effectiveness）是衡量数据中心能源效率的标准指标，等于总耗电除以IT设备耗电。SLA是服务等级协议，QoS是服务质量，都不衡量能源效率。

Q7. 关于浸没式液冷，正确的说法有哪些？（选两项）

多选题 · hard

  • A.服务器浸入绝缘冷却液体← 正确答案
  • B.冷却液必须不导电且防腐蚀← 正确答案
  • C.使用水来浸泡服务器主板
  • D.只适用于大规模实验场景

答案：AB。浸没式液冷把整台服务器浸入冷却液中，冷却液必须满足绝缘和防腐要求，水能导电，不能直接使用。浸没式虽然在快速增长，但已规模化商用，并非只适用于实验场景。

Q8. 数据中心碳排放计算公式中，电网碳排放因子EF的单位通常是什么？

单选题 · hard

  • A.kgCO2/kWh← 正确答案
  • B.kWh/kgCO2
  • C.kW/℃
  • D.元/MWh

答案：A。碳排放因子EF表示每消耗1kWh电所产生的二氧化碳排放量，单位是kgCO2/kWh。用功率乘以时间得到耗电量，再乘以EF，才能换算成碳排放总量。

Q9. 未来AI数据中心散热趋势最合理的描述是哪个？

单选题 · mid

  • A.风冷一轮通吃全球
  • B.高密液冷存量混合← 正确答案
  • C.完全取消散热系统
  • D.油冷全面替代液冷

答案：B。新建高功率密度智算中心以液冷为主，存量机房则采用风液混合冷却方案，两者长期共存。风冷在低密度场景仍有优势，完全取消散热不现实，油冷也不是主流替代路线。

Q10. 某AI数据中心IT负载10MW，风冷方案PUE=1.5，液冷方案PUE=1.1，电价0.65元/kWh，年运行8760小时。关于两者的对比，正确的有哪些？（选两项）

多选题 · extreme

  • A.液冷比风冷每年少耗电约3504万kWh← 正确答案
  • B.液冷比风冷每年省电费约2280万元← 正确答案
  • C.风冷比液冷每年多耗电约2280万kWh
  • D.液冷与风冷每年电费完全相同

答案：AB。年耗电差值=10MW×8760小时×(1.5-1.1)=8760万kWh×0.4=3504万kWh，电费差值=3504万kWh×0.65元≈2280万元。C的数值错了，D显然错误。这正是TCO算账中液冷“长跑省电”的部分。