假设你是一家创业公司的老板，租了一间没有空调的办公室。你招了 10 名员工，每人办公桌配一台高功率电脑。夏天到了，房间温度飙升，电脑开始卡顿甚至死机——因为你忘了计算整个办公室的“总发热预算”，电线和散热系统根本扛不住。 电脑芯片的世界里，也有这样一份“预算”，它叫 TDP（Thermal Design Power，热设计功耗）。它不是芯片实际消耗的电量，而是芯片厂商对散热系统说的一句话：“按这个数字设计你的散热器，保你不出事。”就像房东告诉你：“按 10 台电脑的发热量装空调，别多也别少。” TDP 是 AI 芯片评测中绕不开的指标——它决定了数据中心能塞多少块 GPU、散热成本多高、电费账单多吓人。这篇教程，我们将从“办公室空调”的比喻出发，一步步拆解 TDP 的定义、计算原理、评测方法、优化策略，以及它在真实 AI 工程中的实战意义。

岗位关联

理解 TDP，是 AI 工程师做硬件选型、能耗评估和数据中心规划的基础——它能帮你读懂芯片的“真实饭量”，避免把散热预算花错地方。

目录
  1. 可视化演示
  2. TDP基本概念
  3. 功耗构成解析
  4. 实测方法步骤
  5. 散热系统设计
  6. 能效优化策略
  7. 行业实测案例
  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TDP动态功耗公式P=CV2f、热阻温升dT=P*Rth及AI芯片TDP演进对比三种核心模式，直观呈现热设计功耗的完整技术体系。

本节配有交互动效（进入视口后自动加载，约 3KB）。

动态功耗公式P=CV2f 动态功耗与电压平方成正比与频率成正比 降低电压是降低功耗最有效的手段 P_dyn = C * V^2 * f 动态功耗是芯片总功耗的主要组成部分

TDP基本概念

想象你还是那位创业公司老板。你拿着 10 台电脑的功率数值去找空调安装师傅，师傅问：“你这办公室到底要装多大的空调？”你说：“电脑说明书上写的是 300W。”师傅摇头：“那是最大功率，不是实际发热。你得告诉我一个'持续稳定发热量'的数字，我才能配空调。”

在芯片领域，这个“持续稳定发热量”就是 TDP（Thermal Design Power，热设计功耗）。它的正式定义是：芯片在运行典型高负载工作负载时，散热系统需要能够散发掉的最大热量。单位是瓦特（W）。它不是电表上读到的“实际功耗”，而是芯片厂商基于大量测试给出的一个工程承诺值——“你按这个值设计散热，我的芯片就能稳定工作。”

为什么这个区别重要？因为芯片的瞬时功耗可能远超 TDP（比如启动瞬间冲到 200%），但如果散热系统按峰值设计，成本和体积会完全失控。就像你给办公室装 20 匹的空调，只因为有一分钟 10 台电脑同时开机——这显然是浪费。TDP 的价值在于：它告诉你“持续散热的底线”，让你用合理的成本守住这个底线。

从 AI 硬件选型的角度看，TDP 是数据中心规划的第一块多米诺骨牌。一块 GPU 的 TDP 是 300W 还是 700W，直接决定了机柜能插几块卡、需要配多大的电源和空调、每月的电费账单是多少。TDP 不是功耗的“上限”，而是散热设计的“锚点”。 它像办公室的承重墙——你装修时可能拆掉几面非承重墙，但绝对不能动承重墙的位置。

功耗构成解析

为什么芯片会发热？发热的本质是电能转化为热能。为了更好地理解 TDP 这个“预算”，我们需要拆开芯片的“账单”，看看钱都花在哪里了。这笔开销主要分为两块：动态功耗和静态功耗。

动态功耗占了大头，它来自晶体管的开关动作。芯片内部有几十亿个晶体管，它们像无数个小开关，每秒钟开关几十亿次。每次开关，都要给电容充电、放电，这个过程中消耗的能量就是动态功耗。它的计算公式是：

静态功耗也叫漏电功耗，是晶体管在“关闭”状态下仍然泄漏的电流造成的。就像水龙头没拧紧，哪怕你不用水，也在慢慢滴水。工艺越先进（比如 3nm、5nm），漏电比例越高。静态功耗还与温度强相关——芯片越热，漏电越严重，形成正反馈恶性循环。

回到办公室的比喻：动态功耗是员工们热火朝天干活的能量消耗，静态功耗是员工下班后忘记关掉的那几盏灯。TDP 这个“预算”要同时覆盖这两笔开销——既要算白天干活的电费，也要算晚上漏电的灯费。

Pdynamic=C×Vdd2×f\displaystyle P_{dynamic} = C \times V_{dd}^2 \times f
这个公式说：动态功耗 = 电容 × 电压的平方 × 频率。电压的影响最大——电压翻倍，功耗变 4 倍。
  1. 电容（C）芯片内部导线和晶体管节点的等效电容，单位法拉。电容越大，每次开关需要搬运的电荷越多。
    CC
  2. 电压（Vdd）芯片核心供电电压，单位伏特。由于公式中是平方项，电压对功耗的影响呈二次方放大。
    Vdd2V_{dd}^2
  3. 频率（f）芯片时钟频率，单位赫兹。频率越高，每秒开关次数越多，功耗线性上升。
    ff
  4. 动态功耗与频率电压的关系三者相乘得到总动态功耗。这也是为什么“超频”会显著增加发热——每提升一点频率，往往需要同时提升电压，功耗就被二次方放大了。
    Pdynamic=C×Vdd2×fP_{dynamic} = C \times V_{dd}^2 \times f

实测方法步骤

厂商标称的 TDP 是一个参考值，但真实工程中，我们还是要亲自“称称”芯片的重量——实测功耗。就像买房不能只看开发商的宣传册，得拿尺子去量实际面积。实测 TDP 有一套标准流程。

第一步，构造基准测试负载。我们用专门的压测程序（如 Prime95、FurMark、MLPerf 等）让芯片跑在持续高负载下。这个负载要足够“典型”——不能太轻（否则测不出真实发热），也不能是极端峰值（否则数据没有代表性）。就像测试一个员工的真实工作量，不能只看他摸鱼的一小时，也不能只看他加班通宵的那一晚。

第二步，功耗采样。通过硬件监控接口（如 NVIDIA 的 nvidia-smi 工具、Intel 的 RAPL 接口），以一定频率（每秒 1-10 次）记录芯片的实时功耗。同时用功率计测量整机功耗，排除其他组件的干扰。采样时间通常持续数小时，覆盖芯片从冷启动到热稳定的全过程。

第三步，温度监控与稳定性判定。如果散热系统设计合理，芯片温度会逐渐上升并稳定在一个平台期；如果散热不足，温度会持续攀升直到触发热节流（Thermal Throttling）——芯片为了保护自己而主动降频。这个“拐点”是判断散热系统是否达标的关键。

实测中常用热阻模型来估算芯片到环境的散热路径：

实测的意义在于：它把厂商的“宣传数字”变成自己环境下的“真实数字”。就像你买车时，厂商宣传的百公里油耗是理想路况测的，你自己开出来的油耗才是真实的——AI 工程师必须掌握这种“自己开一遍”的能力。

Tjunction=Tambient+P×ΘJA\displaystyle T_{junction} = T_{ambient} + P \times \Theta_{JA}
这个公式说：芯片核心温度 = 环境温度 + 功耗 × 热阻。热阻越大，同样功耗下温度越高。
  1. 芯片核心温度（Tjunction）芯片内部最热点（通常是晶体管结区）的温度，单位摄氏度。一般上限在 100°C-105°C。
    TjunctionT_{junction}
  2. 环境温度（Tambient）散热器进风口的空气温度。数据中心通常控制在 25°C-35°C。
    TambientT_{ambient}
  3. 功耗（P）当前芯片实际消耗的功率。在稳态下，这个功耗产生的热量全部由散热系统带走。
    PP
  4. 结到环境的热阻（ΘJA）热量从芯片内部传到外部空气的阻力，单位 °C/W。数值越大，散热越困难。
    ΘJA\Theta_{JA}
  5. 整体关系芯片温度由环境温度和功耗乘热阻两部分叠加。想降低温度，要么降低环境温度（开空调），要么降低功耗（限制负载），要么减小热阻（换更好的散热器）。
    Tjunction=Tambient+P×ΘJAT_{junction} = T_{ambient} + P \times \Theta_{JA}

散热系统设计

掌握了实测功耗后，下一步就是设计散热系统——为芯片搭建一个能扛住 TDP 的“空调房”。散热设计的核心目标很简单：在任何工作负载下，让芯片温度不超过安全上限。这需要从散热器选型、冷却方式、机柜规划三个层面层层设计。

散热器选型是第一层。散热器的核心参数是热阻（°C/W），数值越低散热能力越强。例如，一块 TDP 为 350W 的 GPU，如果环境温度 30°C、芯片上限 100°C，那么允许的总温升是 70°C，所需总热阻 = 70 / 350 = 0.2°C/W。这个数字决定了你需要多大面积的散热鳍片、多强的风扇。散热器选型的核心公式是：

风冷 vs 液冷是第二层选择。风冷（散热鳍片 + 风扇）成本低、维护简单，适合 TDP 在 100-350W 的场景；液冷（冷板 + 循环泵 + 换热器）散热效率高、噪音低，适合 350W 以上的高端 GPU 或密集机柜。就像给办公室降温：小办公室一台落地扇就够，大厂房必须装中央空调水循环系统。

机柜散热规划是第三层。数据中心的机柜里往往堆着 8-16 块 GPU，每块 350W，一个机柜的总发热量就是 5.6kW。这需要用 CFD 仿真模拟机柜内气流走向，设计前送风、后回风的冷通道/热通道隔离方案，避免“热岛效应”——某些位置的芯片因为邻居太热而提前降频。

Rthermal=Tjunction,max−Tambient,maxPTDP\displaystyle R_{thermal} = \frac{T_{junction,max} - T_{ambient,max}}{P_{TDP}}
这个公式说：散热器热阻 = 最大允许温升 ÷ TDP。它直接告诉你散热器的“能力底线”。
  1. 最大芯片温度（Tjunction,max）芯片允许达到的最高结温，超过这个值芯片会加速老化甚至损坏。
    Tjunction,maxT_{junction,max}
  2. 最高环境温度（Tambient,max）系统工作在极端情况下（如夏天空调故障）的环境温度上限。
    Tambient,maxT_{ambient,max}
  3. TDP 功耗（PTDP）散热系统需要匹配的持续发热功率，等于芯片标称 TDP。
    PTDPP_{TDP}
  4. 所需热阻（Rthermal）散热器需要达到的热阻指标。热阻越小，散热器越大越贵，需要做成本权衡。
    RthermalR_{thermal}

能效优化策略

散热系统管住了温度，但真正的高手还会想办法“少发热”。就像健身房教练不仅教你拉伸放松，更教你调整发力方式，从源头上减少损伤。能效优化的核心思路是：在不显著损失性能的前提下，降低功耗，从而降低对散热系统的压力。

第一招：DVFS（动态电压频率调整）。既然动态功耗与电压的平方成正比，那么在芯片负载不高的时段，主动降低电压和频率，功耗就能大幅下降。比如一块 GPU 跑推理任务时，如果利用率只有 40%，把频率从 1.8GHz 降到 1.2GHz，电压从 1.0V 降到 0.85V，功耗可能下降 50%，而推理延迟只增加 20%——这笔账很划算。DVFS 的功耗模型可以写成：

第二招：功耗封顶（Power Capping）。在 AI 集群中，管理员可以给每块 GPU 设定一个功耗上限（如 300W），低于其 TDP 的 350W。硬件会自动在性能与功耗之间做动态平衡。这在电力供应紧张的机房尤其有用——宁可性能降低 10%，也不能让电闸跳掉。

第三招：负载均衡调度。AI 训练任务的特点是“潮汐式”功耗——喂数据时功耗高，计算空隙时功耗低。调度系统可以把多个任务错峰运行，让整个机柜的总功耗保持平稳，避免瞬时功率尖峰。这就像办公室的微波炉和空调不能同时启动，错开用才不会跳闸。

PDVFS=C×Vlow2×flow\displaystyle P_{DVFS} = C \times V_{low}^2 \times f_{low}
这个公式说：调低电压和频率后，动态功耗按二次方关系下降。这是 DVFS 节能的理论根基。
  1. 低压（Vlow）降低后的工作电压。由于是平方项，电压的小幅下降能带来功耗的大幅下降。
    VlowV_{low}
  2. 低频（flow）降低后的时钟频率。频率与功耗是线性关系，降低频率的效果不如降低电压，但同样有效。
    flowf_{low}
  3. 调低后的动态功耗（PDVFS）DVFS 调整后的功耗值。它远小于满负荷功耗，同时仍能满足当前负载需求。
    PDVFSP_{DVFS}

行业实测案例

理论讲完，我们来“下馆子”看看真实案例。以下是 AI 工程中三个典型的 TDP 实战场景。

案例一：数据中心散热成本核算。某互联网公司采购了 1000 块 TDP 为 700W 的 AI 加速卡。按每度电 0.8 元、全年 8760 小时、PUE（电能使用效率）1.5 计算：单卡年电费 = 700W × 8760h × 0.8 元/kWh ≈ 4900 元；千卡集群年电费 ≈ 490 万元。如果选择 TDP 为 400W 的另一款芯片，同样算力下年电费直接降到约 280 万元。这 210 万元的差额，就是 TDP 对企业利润的真实冲击。计算公式如下：

案例二：GPU 集群功耗管理。某实验室搭建 8 卡 A100 集群训练大语言模型。A100 的 TDP 为 400W，整机满载功耗约 3.5kW。管理员设置了功耗封顶策略，将每卡功耗上限设为 330W。实测表明：训练吞吐量仅下降约 8%，但整机功耗下降了 18%，散热风扇转速下降了 25%，噪音和温度显著改善。这是一个典型的“用轻微性能损失换取显著能效收益”的工程决策。

案例三：芯片选型对比。在选购 AI 推理芯片时，工程师对比了两款性能相近的芯片：A 芯片 TDP 150W，B 芯片 TDP 220W。虽然 A 芯片单价贵 30%，但三年 TCO（总拥有成本）反而更低——因为省下的电费和散热成本超过了一次性采购的差价。这告诉 AI 从业者：选芯片不能只看算力（TOPS/TFLOPS），还要看每瓦算力（TOPS/W），TDP 是计算能效比的关键输入。

Eyear=PTDP1000×8760×price×PUE\displaystyle E_{year} = \frac{P_{TDP}}{1000} \times 8760 \times price \times PUE
这个公式说：年电费 = 功耗（千瓦）× 全年小时数 × 电价 × 能效因数。TDP 每高 100W，年电费就多出一大截。
  1. 功耗换算（PTDP / 1000）将瓦特换算为千瓦，以便与电费单价（元/kWh）匹配。
    PTDP1000\frac{P_{TDP}}{1000}
  2. 全年时长（8760）一年 365 天 × 24 小时，假设芯片全年满负荷运行。
    87608760
  3. 电价（price）工业电价，通常以元/kWh 计。
    priceprice
  4. PUE 因数数据中心的电能使用效率，反映制冷、供电等配套设施的额外能耗。PUE 1.5 意味着每 1 度算力电要额外消耗 0.5 度制冷电。
    PUEPUE

AI 应用场景

数据中心能效规划

阶段：硬件选型与部署

解决的问题：数据中心机柜的功率密度和散热设计。如果忽视 TDP，可能导致机柜超功率触发跳闸、局部热点导致芯片降频乃至损坏。利用 TDP 参数进行服务器选型和机柜功率规划，确保电力容量和散热能力匹配。

具体案例：某云厂商规划一个新的 AI 算力区，共 20 个机柜，每机柜计划放 4 台 8 卡 GPU 服务器。每卡 TDP 350W，单卡槽位需额外预留 20% 散热冗余。通过 TDP 计算，单机柜总功耗达 13.4kW，需采用液冷方案而非传统风冷，同时配电系统按 20% 余量设计。

GPU 集群功耗动态调优

阶段：模型训练与推理部署

解决的问题：大模型训练任务功耗波动大，固定功耗上限会导致性能浪费或过载风险。利用 TDP 和 DVFS 技术，根据任务负载动态调节 GPU 电压频率，保持性能的同时降低功耗。

具体案例：某 AI 公司训练 Llama-2-13B 模型，使用 64 卡集群。通过脚本监控每卡利用率，当利用率为 20% 时自动将 GPU 频率从 1.4GHz 降到 1.1GHz，功耗从平均 380W 降到 220W，训练总时长仅延长 5%，而电费节省了 30%。

AI 芯片能效评测报告

阶段：芯片评估与采购

解决的问题：AI 芯片评测中，单看峰值算力无法反映真实成本。通过综合评测 TDP、实测功耗、每瓦算力等指标，为采购决策提供科学依据。

具体案例：某评测机构发布年度 AI 芯片能效榜单，将 10 款芯片在相同负载下实测功耗，并绘制“性能-功耗”散点图。最终推荐 TDP 为 250W 的中端芯片作为“每瓦性价比之王”，而非峰值算力最高的 700W 旗舰芯片。

Python 演示

python70 行
import timeimport random  class PowerMonitor:    """Simulate power monitoring for an AI chip."""     def __init__(self, tdp_watt, sample_interval=1.0):        self.tdp_watt = tdp_watt        self.interval = sample_interval        self.max_temp = 100.0        self.ambient_temp = 28.0        self.thermal_resistance = (self.max_temp - self.ambient_temp) / tdp_watt        self.current_temp = self.ambient_temp        self.samples = []     def read_power(self, load_ratio):        """Simulate reading instantaneous power based on load ratio."""        base_power = self.tdp_watt * load_ratio        noise = random.gauss(0, self.tdp_watt * 0.05)        return max(5.0, base_power + noise)     def read_temperature(self, power):        """Compute junction temperature using thermal model."""        self.current_temp = self.ambient_temp + power * self.thermal_resistance        return self.current_temp     def sample(self, duration=60):        """Collect power and temperature samples over a duration."""        elapsed = 0        while elapsed < duration:            load = 0.5 + 0.4 * random.random()            power = self.read_power(load)            temp = self.read_temperature(power)            throttle = temp >= self.max_temp            self.samples.append({                'time': elapsed,                'power': power,                'temp': temp,                'throttle': throttle,            })            elapsed += self.interval        return self.samples     def report(self):        """Generate a summary report of the sampling session."""        if not self.samples:            return 'No data collected.'        avg_power = sum(s['power'] for s in self.samples) / len(self.samples)        max_power = max(s['power'] for s in self.samples)        max_temp = max(s['temp'] for s in self.samples)        throttle_count = sum(1 for s in self.samples if s['throttle'])        return {            'tdp': self.tdp_watt,            'avg_power': round(avg_power, 1),            'max_power': round(max_power, 1),            'max_temp': round(max_temp, 1),            'throttle_count': throttle_count,        }  if __name__ == '__main__':    monitor = PowerMonitor(tdp_watt=350)    samples = monitor.sample(duration=30)    result = monitor.report()    print('=== TDP Power Monitoring Report ===')    for key, value in result.items():        print(f'{key}: {value}')    throttled = [s for s in samples if s['throttle']]    print('Throttling events:', len(throttled))
目的：模拟 AI 芯片的功耗采样与热节流检测——用 TDP 和热阻模型计算出芯片温度和降频风险。
  1. class PowerMonitor:定义功耗监控器类，模拟芯片的 TDP 参数与热模型。
  2. self.thermal_resistance = (self.max_temp - self.ambient_temp) / tdp_watt用温升除以 TDP 算出所需热阻，是散热设计的核心参数。
  3. def read_power(self, load_ratio):根据负载率模拟读取实时功耗，加入高斯噪声模拟真实波动。
  4. def read_temperature(self, power):用热阻公式 Tjunction = Tambient + P × Θ 计算芯片温度。
  5. throttle = temp >= self.max_temp判断温度是否超过上限，触发热节流标志。
  6. avg_power = sum(s['power'] for s in self.samples) / len(self.samples)计算采样周期内的平均功耗，用于与 TDP 标称值对比。
  7. monitor = PowerMonitor(tdp_watt=350)创建 TDP 350W 的 GPU 监控实例，模拟典型 AI 加速卡。

常见误区

误区我一直以为 TDP 就是芯片的实时功耗和最大功耗，看到 TDP 350W 就认为这块 GPU 永远只耗 350W，买电源时按 TDP 加一点就下单了。

正解TDP 是“散热设计功耗”，不是“实际消耗功耗”。芯片的实际功耗随负载剧烈波动，轻载时可能只有 TDP 的 10%，满载瞬间可能冲到 TDP 的 120%-150%。TDP 的真正用途是给散热系统设计提供锚点——就像空调的“匹数”是给房间面积配的，不是房间实际的实时用电量。

为何常见：因为 TDP 和功耗都用瓦特做单位，且厂商宣传中常把 TDP 作为“典型功耗”暗示，导致初学者把两者混为一谈。

误区我选芯片时只挑 TDP 最低的，觉得功耗低就代表性能差，TDP 高的才是好芯片，所以从不看 TDP 直接买最贵的。

正解TDP 与性能没有绝对的线性关系。先进制程（如 5nm vs 14nm）可以在更低功耗下实现相同甚至更高的性能。能效比（TOPS/W）才是关键指标——一块 TDP 150W 的新芯片可能比 TDP 250W 的旧芯片算力更高。就像汽车发动机，涡轮增压技术在更低排量下实现了更高马力。

为何常见：受“功耗越高=性能越强”的直觉影响，忽略了制程工艺和架构设计对能效的决定性作用。

误区我买了一块 TDP 350W 的 GPU，随手拿了一个去年买的风冷散热器装上，觉得散热器能塞进去就行，结果跑 AI 训练时温度直接飙到 105°C 然后疯狂降频。

正解散热器必须按 TDP 选择热阻足够低的产品。350W 的芯片可能需要大型双塔风冷或 360 水冷，热阻需低于 0.2°C/W。否则芯片会因为过热而频繁热节流，性能远低于标称值——这就像给大功率空调配了根细电线，结果空调一启动就跳闸。

为何常见：用户容易忽略热阻与 TDP 的定量关系，以为“有散热器就行”，没有计算散热能力的数值底线。

误区既然 TDP 是 350W，那我只要保证电源功率大于 350W 就够了，不用管什么瞬时功耗和峰值电流。

正解TDP 代表的是稳态散热需求，不代表电源和供电电路的瞬时带载能力。芯片在负载突变时（如从空闲切换到 AI 训练）会产生远超 TDP 的电流尖峰，电源需要具备足够的峰值容量和响应速度。服务器电源通常按 TDP × 1.5 以上配置，就是因为要考虑瞬时功耗。

为何常见：TDP 的“持续稳定”属性容易被忽略，人们习惯用一个数字代表所有功耗特性，忽略了供电系统的动态响应要求。

面试题

Q1. TDP 的英文全称和中文准确含义是什么？

单选题 · easy

  • A.Total Data Power，总数据功耗
  • B.Thermal Design Power，热设计功耗← 正确答案
  • C.Technology Display Power，技术显示功耗
  • D.Thermal Dynamic Power，热动态功耗

答案：B。TDP 是 Thermal Design Power 的缩写，中文为“热设计功耗”。它表示散热系统需要能够散发掉的最大持续热量，是给散热设计的参考值，而不是总数据功耗或显示功耗。B 正确，其余选项均为干扰项。

Q2. 芯片的 TDP 为 300W，以下哪种说法最准确？

单选题 · easy

  • A.芯片每时每刻都消耗 300W 电能
  • B.芯片的额定最大功耗就是 300W
  • C.散热系统需要按 300W 持续发热量设计← 正确答案
  • D.芯片的功耗永远不会超过 300W

答案：C。TDP 是散热设计功耗，代表散热系统需要持续带走的热量，是散热设计的锚点。芯片实际功耗随负载波动，可能低于或短暂高于 TDP。C 准确描述了 TDP 的用途，其他选项把 TDP 误当成实际功耗或绝对上限。

Q3. 动态功耗公式 P = C × V² × f 中，哪个变量对功耗影响最大？

单选题 · mid

  • A.电容 C
  • B.电压 V← 正确答案
  • C.频率 f
  • D.三者影响相同

答案：B。公式中电压 V 是二次方项，电压翻倍功耗变为 4 倍，影响最大。电容 C 和频率 f 都是一次方项，呈线性影响。因此降低电压是节能最有效的手段，这也是 DVFS 技术的理论基础。

Q4. 一块 GPU 的 TDP 为 400W，环境温度 30°C，芯片最高允许温度 100°C，所需散热器热阻是多少？

单选题 · mid

  • A.0.175 °C/W← 正确答案
  • B.0.25 °C/W
  • C.0.4 °C/W
  • D.1.2 °C/W

答案：A。散热器所需热阻 = 最大允许温升 ÷ TDP = (100 - 30) ÷ 400 = 70 ÷ 400 = 0.175 °C/W。热阻越小散热能力越强。选 A。B 是把温升算成了 100°C，C 是误用 160÷400，D 是倒数的错误。

Q5. 关于 DVFS 动态电压频率调整，以下说法正确的是？

单选题 · mid

  • A.DVFS 只在芯片过热时紧急降频
  • B.DVFS 根据负载动态调整电压和频率以节省功耗← 正确答案
  • C.DVFS 会直接增加芯片的 TDP
  • D.DVFS 只在空闲时生效

答案：B。DVFS 的核心思想是根据实时负载动态调整电压和频率。在低负载时降低电压和频率，利用功耗与电压的二次方关系大幅节能。它不是故障保护机制，也不是只在空闲时生效，更不会增加 TDP。B 正确。

Q6. 以下哪些措施可以有效降低 AI 芯片的实际功耗？

多选题 · mid

  • A.启用 DVFS 动态调压← 正确答案
  • B.设置功耗封顶（Power Capping）← 正确答案
  • C.提高环境温度以减少散热能耗
  • D.优化负载调度错峰运行← 正确答案

答案：ABD。DVFS 降低电压频率、功耗封顶设定功耗上限、负载均衡错峰运行避免功耗尖峰，都是有效手段。C 恰好相反——提高环境温度会导致芯片温度更高、漏电更严重、散热风扇更快，反而增加系统总能耗。

Q7. 温度计算 Tjunction = Tambient + P × ΘJA 中，芯片核心温度取决于哪些因素？

单选题 · hard

  • A.仅取决于环境温度
  • B.仅取决于芯片功耗
  • C.环境温度与功耗、热阻共同决定← 正确答案
  • D.仅取决于散热风扇转速

答案：C。由公式可见，核心温度是环境温度 Tambient 与功耗乘以热阻（P × ΘJA）之和。环境温度越低、功耗越低、热阻越小，芯片就越凉快。散热风扇转速通过影响热阻 ΘJA 间接起作用，但它不是唯一因素。C 正确。

Q8. 在数据中心规划中，TDP 对以下哪些决策有直接影响？

多选题 · hard

  • A.机柜总功耗预算与配电设计← 正确答案
  • B.散热方式选择（风冷或液冷）← 正确答案
  • C.训练模型的算法选择
  • D.芯片采购的能效比评估← 正确答案

答案：ABD。TDP 直接决定了机柜功耗预算（A）、散热方式选型（B）和芯片能效比 TOPS/W 的计算（D）。模型算法选择（C）与 TDP 没有直接关系，它影响的是算力需求，而非功耗参数本身。

Q9. 两块芯片性能相同，A 的 TDP 为 150W，B 的 TDP 为 220W。按每度电 0.8 元、全年满载 8760 小时计算，A 比 B 每年省多少电费？

单选题 · hard

  • A.约 350 元
  • B.约 490 元← 正确答案
  • C.约 610 元
  • D.约 700 元

答案：B。功率差为 (220 - 150)W = 70W = 0.07kW。年省电量 = 0.07 × 8760 = 613.2 kWh。年省电费 = 613.2 × 0.8 ≈ 490.6 元。因此 B 约 490 元正确。其他选项是计算错误。

Q10. 关于静态功耗（漏电功耗），以下说法正确的有哪些？

多选题 · extreme

  • A.静态功耗来自晶体管关闭时的漏电流← 正确答案
  • B.芯片温度升高会导致静态功耗增大← 正确答案
  • C.先进制程（如 3nm）的静态功耗占比通常比成熟制程更高← 正确答案
  • D.静态功耗与时钟频率无关← 正确答案

答案：ABCD。静态功耗由漏电流产生（A 对），而漏电流随温度升高而增大（B 对）。越先进的制程，晶体管越密集、栅极氧化层越薄，漏电越严重，静态功耗占比越高（C 对）。静态功耗与频率无关，频率影响的是动态功耗（D 对）。四个选项都正确，这就是先进制程芯片待机功耗偏大的原因。