想象一下，你刚跑完一场马拉松，浑身滚烫、汗如雨下。你的心脏立刻加速跳动，把滚烫的血液泵向全身——血液流经发热的肌肉时带走热量，再流到皮肤表面散发出去，让你不会烧坏。这正是人体最精密的散热系统。AI 数据中心里的 GPU 芯片，就是一群永不停歇的“马拉松选手”，满载训练时，单颗芯片的热量密度比核反应堆表面还高。靠风扇吹，就像给火山口扇扇子。 于是工程师们想到了液体——比热容是空气的 3500 倍，天生就是“热量海绵”。而 CDU（Coolant Distribution Unit，冷却液分配单元），正是这套液冷系统的“心脏”。它负责把冷却液泵到每一块芯片的冷板上接走热量，再把热量转交给外部的冷水机组；它还要管水压、管温度、管水质、管备用。没有它，整个液冷系统就是一潭死水。这篇文章，我们就一起拆开 CDU 这颗“数据中心的心脏”，看看冷却液如何奔涌、热量如何被安全搬走。

岗位关联

掌握 CDU 的原理与部署方法，是从风冷迈向液冷的“必修课”，也是 AI 算力基础设施工程师的核心竞争力。

目录
  1. 可视化演示
  2. CDU功能定位：数据中心的心脏
  3. 冷却液循环：牵动全身的双回路
  4. 流量控制：随需而变的血流调节
  5. 温度管理：守住“体温”的红线
  6. 冷水机组集成：与“肺”的默契协作
  7. 集群部署：从一颗心脏到心脏网络
  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CDU一二次循环架构、换热器热冷通道温度管理及大规模AI集群冷却液分配部署策略。

本节配有交互动效（进入视口后自动加载，约 3KB）。

CDU循环架构：一二次回路分离 一次回路连接冷水机组 二次回路分配冷却液至机柜 Q_cool = m * c * dT CDU通过换热器隔离一二次回路，保证水质同时精确控温。

CDU功能定位：数据中心的心脏

心脏不只是把血泵出去那么简单。运动时它加快跳动，休息时放缓节奏；血管壁扩张收缩，调节各器官的血流量。人体每一处精密设计，都是为了恰到好处地服务每一处发热器官。CDU 就像这颗心脏，但它服务的不是人体，而是一排排装满 GPU 的机柜。

在风冷时代，机房靠空调吹风降温，就像给发烧的人扇扇子。可当 AI 训练集群把机柜功率密度推到 100kW 以上时，扇子彻底不顶用了——你见过有人用扇子给高炉降温吗？于是工程师把散热介质从空气换成了比热容大得多的液体，CDU 正是这套液体循环系统的中枢器官。

CDU 的核心职责可归纳为四点。第一是热量搬运，它内部的板式换热器把服务器侧热量传递给冷冻水侧，自身不产生冷量；第二是电气隔离，二次侧使用去离子水或专用冷却液，即使泄漏也不会让芯片短路；第三是压力管理，泵组维持稳定压头，确保每个冷板都得到足够流量；第四是接口标准化，无论服务器品牌如何，只要用标准快接头，插上就能接入液冷回路。

你看，这颗“心脏”要服务的“器官”实在太多。一台 8 卡 GPU 服务器就产生 5.6kW 的热量，一个机柜可能塞进两台以上。如果没有 CDU 强劲地泵送，这些热量就会像堵塞的血管一样在机柜里淤积，直到芯片烧毁。

Qtotal=n×PGPU\displaystyle Q_{\text{total}} = n \times P_{\text{GPU}}
一句话：芯片发热的总功率，等于单颗功耗乘以数量；它决定了需要多大容量的 CDU。
  1. GPU 功率P_GPU 表示单颗 GPU 芯片满载运算时的功耗，单位为瓦（W）。主流 AI 训练芯片单卡功耗可达 700W，且绝大部分电能都会变成热量。
    PGPU=700 WP_{\text{GPU}} = 700\,\text{W}
  2. 芯片数量n 是单个计算节点或机柜内 GPU 的总颗数，数量越多发热源越多。
    n=8n = 8
  3. 总热负荷总热负荷等于芯片数量乘以单芯片功耗。服务器几乎不做机械功，电能近乎全部转化为热量。
    Qtotal=n×PGPU=8×700=5600 WQ_{\text{total}} = n \times P_{\text{GPU}} = 8 \times 700 = 5600\,\text{W}

冷却液循环：牵动全身的双回路

心脏要想带走热量，光有心脏还不够，还得有血管和血液。人体循环分肺循环和体循环：肺循环把废血送到肺部交换氧气，体循环把含氧血送到每个器官。CDU 的冷却液循环也如此讲究——直接分成两套独立回路，像心脏有左右心房一样各司其职。

这两套回路分别叫一次侧回路和二次侧回路。一次侧回路连接冷水机组和 CDU，负责把热量送出数据中心；二次侧回路连接 CDU 和 GPU 上的冷板，负责直接给芯片降温。两套回路的液体在 CDU 内部的板式换热器处“隔墙握手”，交换热量，却绝不混合。

一次侧通常走冷冻水，温度在 12-18℃；二次侧走去离子水，供水温度 20-25℃。泵组是回路的“心肌”，提供循环动力；冷板则是贴在芯片上的“毛细血管网”，用密集微翅片把芯片热量快速吸进冷却液。两套回路带来的额外好处是电气隔离——机房内部的冷却液与外部冷冻水系统完全独立，安全性更高。

这套双回路设计与人体惊人相似：一次侧是肺循环，把废热带到体外；二次侧是体循环，把“养分”送到每个器官。只要“心脏”CDU 还在跳动，“血液”冷却液就会源源不断把 GPU 的热量搬运出去。

Q=m˙×c×ΔT\displaystyle Q = \dot{m} \times c \times \Delta T
一句话：冷却液搬走的热量 = 单位时间流过的质量 × 水的“吸热能力” × 温差。
  1. 质量流量ṁ 是单位时间流过管路的冷却液质量，单位 kg/s，由泵组决定，等于密度 ρ 乘以体积流量 V̇。
    m˙=ρ×V˙\dot{m} = \rho \times \dot{V}
  2. 比热容c 是每千克冷却液升高 1℃ 所吸收的热量。水的比热容高达 4.18 kJ/(kg·℃)，这正是液体优于空气的根本原因。
    c水=4.18 kJ/(kg⋅℃)c_{\text{水}} = 4.18\,\text{kJ/(kg}\cdot\text{℃)}
  3. 带走的热量Q 是冷却液流经发热器件前后吸收的热量，等于质量流量、比热容和温升三者的乘积。
    Q=m˙×c×ΔTQ = \dot{m} \times c \times \Delta T

流量控制：随需而变的血流调节

你的身体安静时和运动时，心脏泵血量相差好几倍。运动时血流不足，肌肉就会过热；安静时血流过大，只会白白增加心脏负担。CDU 同样需要在不同负载下精确调节冷却液流量——这就是它的“血流调节”能力。

数据中心里芯片负载并不恒定：AI 训练任务一来，全部 GPU 满载；任务间隙，负载骤降。如果流量始终开最大，泵功耗白白浪费；如果跟不上负载上升，芯片又面临过热。CDU 的流量控制系统就像一个“智慧心脏”，实时感知需求并调节泵速与阀门开度。

流量控制由三部分组成。流量传感器负责“把脉”，实时测出每路冷却液的流量；比例调节阀像“血管括约肌”，根据信号精确调节开度；压差控制则保证不同长度的管路之间流量均衡——离 CDU 近的支路不会抢走远端支路的流量，就像城市供水系统靠水压让每栋楼都有水。高可用设计下，泵组还会做 N+1 冗余，一台泵故障，备用泵立即顶上。

人体调节血流靠神经和激素，CDU 调节流量靠传感器和阀门。两者目标一致：用最恰当的流量让每个“器官”保持凉爽，同时不浪费一滴“血液”的泵送能量。

ΔP=8μLQvπr4\displaystyle \Delta P = \frac{8\mu L Q_v}{\pi r^4}
一句话：管子越细越长、液体越黏、流量越大，压差就越大，泵就得加劲推。
  1. 压差ΔP 是管路两端的压力差，它是冷却液流动的“驱动力”，就像电压驱动电流一样。
    ΔP=P入−P出\Delta P = P_{\text{入}} - P_{\text{出}}
  2. 流阻8μL/(πr⁴) 是管路对流动的阻力，μ 是黏度，L 是管长，r 是管径。管径在分母上取四次方，影响最大。
    R=8μLπr4R = \frac{8\mu L}{\pi r^4}
  3. 流量与压差把阻力乘上体积流量 Q_v 就得到压差。流量越大压差越大，泵必须提供足够压头才能让冷却液达到目标流量。
    ΔP=R×Qv=8μLQvπr4\Delta P = R \times Q_v = \frac{8\mu L Q_v}{\pi r^4}

温度管理：守住“体温”的红线

人体体温必须稳定在 37℃ 左右，太高会发烧，太低会失温。数据中心也一样：供水温度太高，芯片压不住；太低，又会结露短路。CDU 的温控系统，就是数据中心的“下丘脑”。

CDU 时刻监测着两个关键温度。供水温度是进入冷板的液体温度，回水温度是吸收热量后的液体温度。两者的差值直接反映芯片发热功率——温差越大，说明发热越猛，冷板换热越充分。

温控策略的核心是调整供水设定点：负载升高时，适当降低供水温度或加大流量；负载降低时，提高供水温度以节省冷水机组能耗。但供水温度不能无限低——当它低于机房空气露点时，管路表面就会结露，水滴落在高密度电路板上就是一场灾难。因此露点保护是温控逻辑中不可逾越的红线。

就像人不发烧才能高效工作，芯片也要在安全的温度窗口内运行。CDU 的温控系统看似默默无闻，却是保证整个机房“不发烧、不结露”的幕后英雄。

Tset=Tdew+Tmargin\displaystyle T_{\text{set}} = T_{\text{dew}} + T_{\text{margin}}
一句话：供水温度设定值 = 露点 + 安全余量，宁可热一点也不让管路结露。
  1. 露点温度T_dew 是机房空气开始结露的温度，由机房温度和相对湿度共同决定，湿度越高露点越接近室温。
    Tdew=15 ∘CT_{\text{dew}} = 15\,^\circ\text{C}
  2. 安全余量为防止温度波动瞬间跌破露点，设定值要留出 3-5℃ 的余量。
    Tmargin=3 ∘CT_{\text{margin}} = 3\,^\circ\text{C}
  3. 供水设定值CDU 供水温度设定值等于露点温度加上安全余量，低于此值即触发保护。
    Tset=Tdew+Tmargin=18 ∘CT_{\text{set}} = T_{\text{dew}} + T_{\text{margin}} = 18\,^\circ\text{C}

冷水机组集成：与“肺”的默契协作

心脏把废血泵到肺部，肺通过呼吸排出二氧化碳、带入氧气。CDU 的“肺部”就是冷水机组系统——它负责把冷却液中的热量最终排放到室外大气。没了这口气，心脏再强也白搭。

CDU 并不会自己产生冷量。它更像一个“热量二传手”：二次侧从芯片接走热量，交给一次侧冷冻水，冷冻水再把热量送到冷水机组，由冷却塔散入大气。三者构成的链路，就是数据中心散热的完整呼吸循环。

两者之间的纽带是板式换热器——CDU 内部每隔几毫米就叠着一层不锈钢波纹板，两侧液体逆流而过，热量透过薄板高效传递。当室外气温够低时，系统可以切换到自然冷却模式：冷却塔的冷水绕开冷水机组，直接为 CDU 供冷，此时冷机几乎可以停机，节能效果显著。这就是“能效优化”——用大自然的免费冷量，替数据中心的电费减压。

人体在肺泡完成气体交换，CDU 与冷水机组的“气体交换”在板式换热器完成。配合越默契，散热效率越高，整个数据中心的 PUE 越漂亮。

ε=Th,in−Th,outTh,in−Tc,in\displaystyle \varepsilon = \frac{T_{h,\text{in}} - T_{h,\text{out}}}{T_{h,\text{in}} - T_{c,\text{in}}}
一句话：换热器实际把热侧降温了多少，占“理论上最多能降多少”的比例。
  1. 热侧入口T_h,in 是热侧（一次侧冷冻水从 CDU 流回）入口温度，携带废热，约 38℃。
    Th,in=38 ∘CT_{h,\text{in}} = 38\,^\circ\text{C}
  2. 热侧出口T_h,out 是热侧出口温度，经换热后降温，约 30℃。
    Th,out=30 ∘CT_{h,\text{out}} = 30\,^\circ\text{C}
  3. 冷侧入口T_c,in 是冷侧入口温度，来自冷水机组的低温水，约 18℃。
    Tc,in=18 ∘CT_{c,\text{in}} = 18\,^\circ\text{C}
  4. 效能ε 等于实际温差除以最大可能温差。ε 越接近 1，换热器越接近理想状态。
    ε=38−3038−18=0.4\varepsilon = \frac{38-30}{38-18} = 0.4

集群部署：从一颗心脏到心脏网络

一个人的心脏只能服务一个身体，一座城市的供水系统却需要许多水泵站分级协作。大规模 AI 训练集群动辄上千块 GPU，需要部署多个 CDU，组成“城市级循环系统”。

根据部署位置不同，CDU 分为三个级别。机柜级 CDU 像“楼内增压泵”，安装在机柜内，服务少数几个节点；行级 CDU 像“小区水泵房”，放在两排机柜之间的端头，服务一整行；区域级 CDU 则是“区级水厂”，服务上百个机柜。级别越高，单台容量越大，管理越集中。

高可用拓扑是部署架构的灵魂。最常见的是 2N 冗余——每个冷却区域配备两台 CDU，一用一备，一台检修另一台立刻接管。管路也做成环形，任何一段管道故障都能从另一侧绕行。对 AI 训练集群来说，训练到第 90 个小时因散热故障中断，损失的不只是电费，而是整个训练任务的进度。

如果说单个 CDU 是心脏，那一个 AI 集群里的几十台 CDU 就是一组相互协作的“心脏网络”。它们各司其职，共同维系着整个数据中心的生命体征——让每一颗 GPU 都在最舒适的温度下全力奔跑。

NCDU=⌈QtotalQrated⌉\displaystyle N_{\text{CDU}} = \left\lceil \frac{Q_{\text{total}}}{Q_{\text{rated}}} \right\rceil
一句话：集群需要的 CDU 台数 = 总热负荷 ÷ 单台容量，向上取整。
  1. 总热负荷Q_total 是集群所有芯片及配套设备的总发热量，例如 500kW。
    Qtotal=500 kWQ_{\text{total}} = 500\,\text{kW}
  2. 单台额定容量Q_rated 是一台 CDU 能搬运的额定热负荷，例如 300kW，选型时额定容量必须大于实际负载。
    Qrated=300 kWQ_{\text{rated}} = 300\,\text{kW}
  3. 向上取整⌈⌉ 是向上取整符号，算出的数量必须不小于实际需求。
    NCDU=⌈500300⌉=2N_{\text{CDU}} = \left\lceil \frac{500}{300} \right\rceil = 2

AI 应用场景

AI训练集群液冷方案设计

阶段：基础设施规划与散热设计

解决的问题：千卡级 GPU 集群功耗可达数百千瓦，传统风冷空调完全无法应对。工程师需要用热负荷公式计算总发热量，按“向上取整”原则确定 CDU 台数，并规划 2N 冗余拓扑，确保任何一台 CDU 故障都不中断训练任务。

具体案例：某 AI 公司部署 1024 块 H100 GPU 训练大模型，单卡 700W，总热负荷约 717kW。散热工程师按 2N 冗余部署 6 台 300kW 级区域 CDU，分两路电、两路水，并在机柜行端头配置行级 CDU 做辅助。训练跑满 60 天无一次散热中断。

基于负载预测的 CDU 智能温控

阶段：运行优化与预测性控制

解决的问题：训练任务负载波动大，传统固定流量策略要么浪费能耗，要么响应滞后。利用 AI 预测 GPU 负载曲线，提前调节泵速和供水温度，让 CDU 从“被动响应”变成“主动预判”。

具体案例：CDU 控制器接入训练调度器，读到“下一小时将启动 200 卡并行训练”的信号后，提前 10 分钟提升泵速、微降供水温度；训练结束后平稳降载，避免过度冷却和凝露风险，整体泵耗降低约 18%。

Python 演示

python42 行
"""CDU 冷却液分配单元：二次侧温升与流量控制仿真"""  class CDU:    def __init__(self, max_flow_lpm=40.0):        self.max_flow_lpm = max_flow_lpm        self.flow_lpm = 20.0        self.supply_temp = 25.0        self.return_temp = 25.0     def set_flow(self, target_lpm):        """限制流量在额定范围内"""        self.flow_lpm = max(5.0, min(self.max_flow_lpm, target_lpm))     def step(self, heat_load_kw, chiller_temp, dt=1.0):        """推进一个时间步：计算温升并完成换热"""        cp = 4.18  # 冷却液比热容 kJ/(kg·℃)        mass_rate = self.flow_lpm / 60.0  # L/min 转 kg/s，密度按 1kg/L        delta_t = heat_load_kw / (mass_rate * cp)  # 由 Q=m·c·ΔT 反推温升        self.return_temp = self.supply_temp + delta_t        # 板式换热器：供水温度向冷冻水温度靠拢        self.supply_temp += (chiller_temp - self.supply_temp) * 0.25        return (self.supply_temp, self.return_temp)  def auto_flow(load_kw):    """根据负载自动设定流量：负载每增加 1kW，流量增加约 1L/min"""    return load_kw + 5.0  def main():    cdu = CDU()    loads = [10, 25, 40, 30, 15, 45, 35, 20]  # 模拟 AI 训练负载波动(kW)    print("step  load(kW)  flow(L/min)  supply(℃)  return(℃)")    for i, load in enumerate(loads):        cdu.set_flow(auto_flow(load))        supply, ret = cdu.step(load, chiller_temp=18.0)        print(f"{i:4d}  {load:7.1f}  {cdu.flow_lpm:9.1f}  {supply:8.2f}  {ret:8.2f}")  if __name__ == "__main__":    main()
目的：模拟一台 CDU 在波动负载下的二次侧温升与自动流量调节，展示 Q=m·c·ΔT 的实际工程应用。
  1. delta_t = heat_load_kw / (mass_rate * cp)由热负荷反推冷却液温升，正是正文中核心公式的变形。
  2. self.return_temp = self.supply_temp + delta_t回水温度 = 供水温度 + 温升，温差反映芯片发热强度。
  3. self.supply_temp += (chiller_temp - self.supply_temp) * 0.25模拟板式换热器让供水温度向冷冻水温度逼近。
  4. def auto_flow(load_kw)负载-流量联动策略：负载越大泵得越勤，像心脏随运动加速。
  5. cdu.set_flow(auto_flow(load))每个时间步先按负载调流量，再算温度，贴近真实控制逻辑。

常见误区

误区“CDU 不就是把水从冷水机抽到服务器嘛，选个水泵就完事了。”

正解CDU 是集泵组、板式换热器、去离子装置、过滤、监控于一体的系统。它负责热量交换、电气隔离、水质处理、流量与温度控制等多重职责。水泵只是它的一小块“心肌”，换热器才是它真正的“肺”。

为何常见：CDU 外观就是一个柜子带泵，其他部件藏在内部，看不到就以为不存在。

误区“用了 CDU 液冷，机房空调可以全部拆掉了。”

正解液冷带走的是芯片 70%-80% 的热量，但电源、内存、硬盘等器件仍有发热。机房仍需保留少量风冷处理剩余热量，并满足运维人员的环境舒适度需求。CDU 是“主力”，空调是“僚机”。

为何常见：液冷宣传聚焦“芯片级降温”，让人误以为 100% 热量都被液体带走。

误区“泵开到最大，把阀门全打开，散热肯定最好。”

正解流量过大导致压差升高、泵功耗飙升，且冷板换热存在边际收益递减——超过最佳流量区间后，多流的冷却液几乎不贡献额外降温，反而带来振动和噪音。精准控制比蛮力灌输更科学。

为何常见：直觉上认为“水多就凉快”，忽视了能耗和边际收益曲线。

误区“冷却液嘛，用自来水最方便，反正都是水。”

正解自来水含矿物质、电导率高，泄漏到电路板上会造成短路和腐蚀。二次侧必须用去离子水或专用冷却液，并持续监测电导率。一次侧冷冻水可以走加了防腐剂的水，但二次侧是安全红线。

为何常见：一次侧冷水机组常用普通水，容易让人误以为两侧要求相同。

误区“冷冻水 7℃ 最冷，把供水温度也设成 7℃，芯片肯定凉快。”

正解供水温度低于机房露点会结露，水滴引发短路；且过度冷却浪费大量能耗。现代液冷实践反而提倡高温供水（如 25-30℃ 温水冷却），兼顾可靠与能效。

为何常见：沿用风冷时代“机房越冷越好”的惯性思维，忽略了露点保护这条红线。

面试题

Q1. CDU 在液冷系统中承担的最核心角色是什么？

单选题 · easy

  • A.产生冷量供服务器降温
  • B.将芯片热量搬运到冷源← 正确答案
  • C.为服务器提供稳定电力
  • D.存储冷却液以备后用

答案：B。CDU 本身不产生冷量，它的角色是“热量搬运工”——把芯片热量通过冷却液搬到冷水机组。就像心脏不产生氧气，却负责把含氧血液送到全身。选项 A 是冷水机组的职责，C 是电源的职责，D 只是附带功能。

Q2. 一次侧回路连接的是哪两个设备？

单选题 · easy

  • A.CDU 与 GPU 冷板之间
  • B.冷水机组与 CDU 之间← 正确答案
  • C.冷却塔与 GPU 之间
  • D.水泵与服务器之间

答案：B。一次侧（热侧）回路连接冷水机组和 CDU，负责把热量送出数据中心；二次侧（冷侧）回路连接 CDU 和 GPU 冷板，直接给芯片降温。选 A 混淆了两侧，C、D 描述的连接关系在标准架构中不存在。

Q3. 下列哪些是 CDU 内部的典型组件？

多选题 · mid

  • A.循环泵组与调节阀← 正确答案
  • B.板式换热器组件← 正确答案
  • C.去离子水处理装置← 正确答案
  • D.直流电源变换模块

答案：ABC。CDU 是集泵组、换热器、水处理、监控于一体的系统。循环泵提供动力，板式换热器负责两侧换热，去离子装置维持水质。直流电源变换模块属于服务器电源，不在 CDU 内部。

Q4. 二次侧冷却液为何使用去离子水而非自来水？

单选题 · mid

  • A.去离子水的比热容更大
  • B.自来水导电易引发电气事故← 正确答案
  • C.去离子水的采购价格更低
  • D.自来水黏度太大不易流动

答案：B。关键在于电气安全。自来水含矿物质、电导率高，泄漏到电路板上会短路腐蚀；去离子水几乎不导电。两者比热容接近，去离子水价格更贵，自来水的黏度也不构成流动障碍。

Q5. 流量控制中，压差控制的主要目的是什么？

单选题 · mid

  • A.降低循环泵的运转噪音
  • B.保证各支路流量均衡← 正确答案
  • C.提高冷却液的供水温度
  • D.加快泵组电机换向速度

答案：B。管路有长有短，短支路阻力小容易“抢走”流量，长支路可能流量不足。压差控制通过调节阀门让所有支路维持相近压降，就像城市供水靠水压让每栋楼都有水，保证每块冷板都拿到足够的冷却液。

Q6. 关于板式换热器效能 ε=(T_h,in−T_h,out)/(T_h,in−T_c,in)，下列说法正确的是？

多选题 · extreme

  • A.效能是实际温差与最大温差之比← 正确答案
  • B.热侧出口温度越低效能越大← 正确答案
  • C.理想情况下效能可以大于 1
  • D.效能越大说明换热越充分← 正确答案

答案：ABD。效能衡量换热器逼近理想换热的程度。实际温差是热侧进出口温差，最大可能温差是热侧入口减冷侧入口。热侧出口越低说明放热越充分；但受能量守恒约束，ε 最大为 1，不可能大于 1。

Q7. 供水温度设定为何不能低于机房露点？

单选题 · mid

  • A.冷水机组无法提供太低的温度
  • B.低于露点管路结露易致短路← 正确答案
  • C.冷却液会结冰膨胀损坏管路
  • D.泵的功耗会随温度下降飙升

答案：B。当管路表面温度低于机房空气露点时，水蒸气会在管壁结露。水滴一旦滴到高密度电路板上就可能短路烧毁服务器。因此供水温度必须高于露点并留出安全余量，这就是“露点保护”红线。

Q8. CDU 的常见部署方式有哪些？

多选题 · mid

  • A.机柜级 CDU 部署← 正确答案
  • B.行级 CDU 部署← 正确答案
  • C.区域级 CDU 部署← 正确答案
  • D.芯片级 CDU 部署

答案：ABC。按部署位置，CDU 分为机柜级（小机柜内）、行级（机柜行端头）、区域级（服务上百机柜）。芯片级不存在——直接贴在芯片上的换热装置叫冷板，不叫 CDU。

Q9. 某 AI 集群总热负荷 500kW，单台 CDU 额定容量 300kW，至少需要几台 CDU？

单选题 · hard

  • A.需要 1 台
  • B.需要 2 台← 正确答案
  • C.需要 3 台
  • D.需要 4 台

答案：B。N = ⌈500/300⌉ = ⌈1.67⌉ = 2 台。若考虑 2N 冗余则需 4 台，但本题只问容量下限，故选 2 台。这也是选型时“向上取整”的意义——1.67 台也只能按 2 台买。

Q10. 自然冷却模式下，冷水机组处于什么状态？

单选题 · mid

  • A.满负荷运行继续制冷
  • B.停机制冷由冷却塔直接供冷← 正确答案
  • C.反向运行切换为制热模式
  • D.与 CDU 断开不再参与循环

答案：B。当室外气温足够低，冷却塔产出的冷水已能满足 CDU 供水需求，冷水机组可部分或全部停机，冷却塔的水绕过冷机直接供给一次侧。这是液冷系统最省电的运行模式之一，也叫“免费冷却”。