想象一位为奥运备战的马拉松运动员。每一次跨步，肌肉都在燃烧能量，同时释放大量热量——体温一旦逼近 40°C，身体就会启动保护机制强制降速，跑得再快也只能慢下来。如果队医不顾一切地给他敷冰袋、灌冰水，虽然体温降下来了，但大量能量被耗在“制冷”上，真正用在奔跑上的反而变少。聪明的教练会综合安排配速、补给与休息，让“产热”与“散热”始终动态平衡：不掉速，也不中暑。 今天的 AI 数据中心，就是这位永不休息的运动员。芯片每做一次计算，电流就相当于一次“肌肉收缩”，功耗源源不断变成热量。散热跟不上，芯片会“中暑降频”；降温太猛，电费又居高不下。工程师们把这门功课叫作散热与功耗协同优化：研究如何用最省的冷却成本，换取最稳定的算力输出。这篇文章将沿着一位教练的训练手记，带你依次认识能效账本、风冷与液冷方案、热感知调度、联合优化模型，以及工程落地中的实践智慧。

岗位关联

掌握散热与功耗协同优化，意味着你懂得如何让每一度电都变成算力而非热量——这是 AI 基础设施工程师降本增效的必修课，也是绿色数据中心的核心竞争力。

目录
  1. 可视化演示
  2. PUE能效度量
  3. 风冷散热方案
  4. 液冷散热方案
  5. 热感知任务调度
  6. 协同优化模型
  7. 工程实践与趋势
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示四种事务隔离级别对脏读、不可重复读、幻读三种并发异常的防护情况，点击按钮切换隔离级别查看差异。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Serializable 最高隔离级别，完全防止所有并发异常 事务串行执行，性能开销最大 适用于对数据一致性要求极高的场景。

PUE能效度量

教练给运动员做了一次完整的能量审计：一天下来，运动员总共消耗了 1000 千卡，但真正转化为向前位移的只有 700 千卡，另外 200 千卡用于大口喘气散热，100 千卡用于新陈代谢的“跑冒滴漏”。多消耗的这 300 千卡，就是“降温与维持”的成本。数据中心同样需要这样一本账：电费单上的每一度电，究竟花在了哪里？

数据中心的一切设备都从电网取电，但只有送进服务器机柜的电才真正用于计算。于是行业引入了 PUE（电源使用效率），用总能耗除以 IT 设备能耗，来衡量“附加开销”有多大。PUE = 1.0 是理论极限，代表制冷和配电零开销；传统风冷机房普遍在 1.4～1.8，先进液冷机房可做到 1.1 左右。PUE 通常按月或季度统计，结合实时监控与账单数据输出能效报告，作为运营决策的依据。

PUE 的分子由四块构成：IT 能耗、制冷能耗、供配电损耗、照明等其他能耗，其中制冷往往是最大的一块“效率漏点”。公式如下：

教练盯着这本能量账本：只有那些真正变成配速和里程的千卡才叫“IT 能耗”。降低 PUE，就是让运动员少在散热上浪费体力，多把力气花在跑道上——对数据中心而言，每一分被省下的制冷电费，都是在为算力充值。

PUE=EtotalEIT=EIT+Ecooling+Eloss+EotherEIT\displaystyle \text{PUE} = \frac{E_{\text{total}}}{E_{\text{IT}}} = \frac{E_{\text{IT}} + E_{\text{cooling}} + E_{\text{loss}} + E_{\text{other}}}{E_{\text{IT}}}
PUE 是“总开销 ÷ 有效开销”的比值，越接近 1，说明钱都花在了计算上，而不是花在制冷和输电损耗上。
  1. 总能耗 E_total数据中心从电网取用的全部能量，相当于运动员一天的总代谢消耗。
    Etotal=EIT+Ecooling+Eloss+EotherE_{\text{total}} = E_{\text{IT}} + E_{\text{cooling}} + E_{\text{loss}} + E_{\text{other}}
  2. IT 设备能耗 E_IT真正被服务器、存储和网络设备用掉、用来计算的电，好比真正推动运动员向前的能量。
    EITE_{\text{IT}}
  3. 制冷与配电开销空调、风扇、水泵以及变压配电造成的能量损失，相当于运动员喘气散热和代谢损失的开销。
    Ecooling+Eloss+EotherE_{\text{cooling}} + E_{\text{loss}} + E_{\text{other}}
  4. 比值含义PUE 越接近 1，说明用于降温与配电的“附加开销”越低。
    PUE→1\text{PUE} \to 1

风冷散热方案

跑步时感觉热了，最自然的动作是什么？扇扇子。风把皮肤表面的热气吹走，带来一丝凉意。风冷是人体和机房最古老也最普及的散热方式，但它的天花板也很明显：若是在烈日下全力冲刺，扇扇子根本压不住飙升的体温——空气太“轻”，带不走多少热。

数据中心的风冷系统靠强制气流工作：空调机组把冷风送入地板下，通过冷通道送进机柜，经过服务器带走热量，再从热通道回收到空调机组。为了让冷热空气不串味，现代机房普遍采用冷热通道隔离的设计，把机柜按“面对面、背对背”排列，让冷风只走冷通道、热风只走热通道。机柜内还有风扇阵列，保证气流穿过每一块发热的板卡。

风冷的局限来自空气本身的物理属性：空气密度小、比热容低，单位体积能带走的热量非常有限。要移走同样的热量，只能加大风量或者拉大进出风温差——风扇转速上去了，风扇功耗也上去了，PUE 随之恶化。面对 300 瓦以上的高功耗 AI 芯片，风冷要么力不从心，要么“杀敌一千自损八百”。换热量的基本公式为：

扇扇子便宜、方便、随处可用，但当你全力冲刺时，扇子带来的那点风根本追不上产热的速度。风冷适合“配速适中”的普通机房，面对新一代“全力冲刺”的高密度 AI 芯片，必须换更高效的散热思路——这就是液冷登场的理由。

Q=m˙air×cp,air×ΔT\displaystyle Q = \dot{m}_{\text{air}} \times c_{p,\text{air}} \times \Delta T
每秒被风带走的焦耳热量 = 空气流量 × 空气比热容 × 进出风温差。空气“胃口小”，就得靠大流量来凑。
  1. 换热速率 Q风扇每秒从机柜里“搬走”的热量，单位是瓦，相当于扇风每秒带走的热量。
    Q [W]Q \ [\mathrm{W}]
  2. 空气质量流量每秒流过散热器的空气千克数，由风扇转速和风道设计共同决定，相当于“扇子的风力大小”。
    m˙air=ρair×A×v\dot{m}_{\text{air}} = \rho_{\text{air}} \times A \times v
  3. 空气比热容每千克空气升高 1°C 所能容纳的热量，空气约为 1.005 kJ/(kg·K)，“饭量”很小。
    cp,air≈1.005 kJ/(kg⋅K)c_{p,\text{air}} \approx 1.005 \ \mathrm{kJ}/(\mathrm{kg} \cdot \mathrm{K})
  4. 进出风温差热通道与冷通道的温差，拉大温差能多带走热量，但会让出风温度过高、设备更热。
    ΔT=Tout−Tin\Delta T = T_{\mathrm{out}} - T_{\mathrm{in}}

液冷散热方案

马拉松选手在高温天比赛时，光靠扇风是不够的。身体最聪明的降温方式是出汗：汗液蒸发带走大量热量；赛后，运动员还会把双腿泡进冰水桶，让水直接把肌肉里的热量“吸”走。水，是人体和工程学共同的散热高手。

液冷散热就是用液体代替空气作为携热介质。根据液体与发热元件的接触方式，主流方案分两种：冷板式液冷——冷却液在金属冷板内部流动，冷板紧贴芯片，热量先传给冷板再传给液体，水不接触电路；浸没式液冷——把整台服务器浸入不导电的介电冷却液中，发热元件直接“泡”在液体里散热，连风扇都可以省掉。

液冷强在哪？水的密度约为空气的 800 倍，比热容约为空气的 4 倍，两者相乘，单位体积携热能力约为空气的 3500 倍。这意味着同样一根水管能搬走风扇几十倍的热量，芯片温度更低、更均匀，散热系统本身耗电更少，PUE 可以压到 1.1 甚至更低。换热公式和风冷形式相同，但参数天差地别：

如果说风冷是“扇扇子”，液冷就是“全身泡进冰水桶”。代价是设备更复杂、需要防漏和管路维护，但对于全力冲刺的 AI 芯片来说，这笔投资几乎必然回本。

Qliquid=m˙water×cp,water×ΔTwater\displaystyle Q_{\text{liquid}} = \dot{m}_{\text{water}} \times c_{p,\text{water}} \times \Delta T_{\text{water}}
同样的温差下，水流每秒搬走的热量远高于空气，所以液冷能让高功耗芯片“泡在清凉里全速奔跑”。
  1. 冷却液流量每秒流过冷板的冷却液质量，由泵的转速决定，相当于赛后冰水桶里循环的水流。
    m˙water [kg/s]\dot{m}_{\text{water}} \ [\mathrm{kg}/\mathrm{s}]
  2. 水的比热容每千克水升温 1°C 能吸收约 4.2 kJ 热量，几乎是空气的 4 倍。
    cp,water≈4.2 kJ/(kg⋅K)c_{p,\text{water}} \approx 4.2 \ \mathrm{kJ}/(\mathrm{kg} \cdot \mathrm{K})
  3. 进出水温差回水与进水的温差，冷板设计越合理，同样的水流能带走越多热量。
    ΔTwater=Treturn−Tsupply\Delta T_{\text{water}} = T_{\mathrm{return}} - T_{\mathrm{supply}}
  4. 与风冷的对比按单位体积计算，水搬运热量的能力约为空气的 3500 倍，因此“小水管胜过狂风”。
    ρw×cp,wρa×cp,a≈3500\frac{\rho_{\mathrm{w}} \times c_{p,\mathrm{w}}}{\rho_{\mathrm{a}} \times c_{p,\mathrm{a}}} \approx 3500

热感知任务调度

教练给运动员戴上体温监测手环。跑着跑着，核心体温逼近 39.5°C，教练立即在耳麦里喊：“降配速，喝水，下一段让替补队员顶上去！”他不需要让全队停下来，只需要把爆热运动员的负荷转移给状态最好的队友——这就是“热感知调度”的雏形。

芯片内部有几十上百个计算核心，不同核心负载不同，温度也各不相同。某些核心可能因为承接了重任务而迅速升温，形成“热点”；如果放任不管，热点核心会触发硬件热降频，拖慢整个训练任务。热感知任务调度的思路，就是持续监测每个核心的温度，预测温度走势，提前把任务从高温核心迁移到低温核心，或者动态调节工作频率（DVFS），让所有核心的温度尽量均匀。

要预测温度走势，就需要一个简化的芯片热模型。工程上最常用的是一阶 RC 热模型：把芯片看作一个“热容＋热阻”的组合，功耗是产热源，环境温度是散热终点。模型写成微分方程：

有了“体温手环”和“体温变化规律”，教练就能预见地调兵遣将：谁热了让谁休息，谁凉了让谁顶上去。调度器做的正是这件事——让每个核心都不至于烧到降频，又让算力一刻不停。

CdT(t)dt=P(t)−T(t)−TambRth\displaystyle C \frac{\mathrm{d}T(t)}{\mathrm{d}t} = P(t) - \frac{T(t) - T_{\mathrm{amb}}}{R_{\mathrm{th}}}
芯片温度的变化速率 =（产热功率 − 散热功率）÷ 热容。产热大于散热，温度就上升；调度器必须在温度越线之前行动。
  1. 热容 C芯片“储存热量”的能力，热容越大，温度变化越平缓，就像身体含水量高的人更耐热。
    C [J/K]C \ [\mathrm{J}/\mathrm{K}]
  2. 功耗 P(t)单位时间产生的热量，相当于运动员当前的产热速率，随负载和频率变化。
    P(t) [W]P(t) \ [\mathrm{W}]
  3. 热阻 R_th热量从芯片传导到外界环境的阻力，散热设计越好，热阻越小。
    Rth [K/W]R_{\mathrm{th}} \ [\mathrm{K}/\mathrm{W}]
  4. 温度变化率当 P 大于散热项时 dT/dt 为正，温度上升；调度器在温度接近上限前就要迁移任务或降频。
    dT(t)dt∝P(t)−T(t)−TambRth\frac{\mathrm{d}T(t)}{\mathrm{d}t} \propto P(t) - \frac{T(t) - T_{\mathrm{amb}}}{R_{\mathrm{th}}}

协同优化模型

到了备赛的最后阶段，教练把配速、补给、休息和降温策略放进同一张训练计划表：跑多快、什么时候补水、哪段路让谁领跑，全部一起决策。单独优化某一样都不够——只顾配速会中暑，只顾降温会浪费体力，只顾休息又拿不到成绩。

数据中心也是如此。功耗、散热与性能三者互相牵制：频率越高，功耗越大，温度越高，但吞吐也越高；频率压得太低，温度是好看了，算力却不达标。功耗-散热-性能联合优化模型把三者统一进一个数学框架，寻找“既不超过温度红线，又满足算力要求，还能让总能耗最小”的最优解。

模型的决策变量通常是芯片工作频率 f 和任务分配 m；目标函数是最小化总能耗；约束条件包括：任意时刻芯片峰值温度不超过上限（温度墙）、任务吞吐率不低于服务等级协议（性能底线）、总功耗不超过供电预算（功耗墙）。写成标准优化问题：

这张“综合训练计划表”就是协同优化模型：不单独看配速、不单独看降温，而是把速度、体温、水分、休息全部放进一张表里联立求解。拿到金牌的，永远是最会统筹全局的团队。

min⁡f,m Etotal(f,m),s.t.Tpeak(f,m)≤Tlimit,Throughput(f,m)≥θ\displaystyle \min_{f, m} \ E_{\mathrm{total}}(f, m), \quad \text{s.t.} \quad T_{\mathrm{peak}}(f, m) \le T_{\mathrm{limit}}, \quad \text{Throughput}(f, m) \ge \theta
这句话的意思是：在“温度不越线、吞吐不缩水”的前提下，找出最省电的频率与任务分配方案。工程上常用滚动优化与启发式算法近似求解。
  1. 决策变量 f 与 mf 是所有核心的工作频率，m 是任务到核心的分配——相当于“每个人跑多快、谁来跑哪段”。
    f={f1,f2,…,fn},m={m1,m2,…,mn}f = \{ f_1, f_2, \dots, f_n \}, \quad m = \{ m_1, m_2, \dots, m_n \}
  2. 目标函数 E_total总能耗，既包括芯片计算功耗，也包括散热系统为降温付出的功耗。
    Etotal(f,m)E_{\mathrm{total}}(f, m)
  3. 温度安全约束任何时刻芯片峰值温度都不能超过硬件允许的上限，这是一条不可逾越的安全红线。
    Tpeak(f,m)≤TlimitT_{\mathrm{peak}}(f, m) \le T_{\mathrm{limit}}
  4. 性能契约约束整体吞吐不能低于目标值 θ，保证用户请求的服务质量不缩水。
    Throughput(f,m)≥θ\text{Throughput}(f, m) \ge \theta
  5. 求解方法把长时间问题切成一个个时间步，每步用启发式或线性规划求出当前最优的 (f, m)，再滚动执行。
    (f∗,m∗)=arg⁡min⁡Etotal(f,m)(f^{*}, m^{*}) = \arg \min E_{\mathrm{total}}(f, m)

工程实践与趋势

一张训练计划表赢不了一场比赛。教练团队还需要把计划变成一整个赛季的体系：每次训练记录心率与体温，每周复盘数据，每月调整训练量，赛季末总结成新策略。数据中心的散热功耗协同优化，同样是一场“持续迭代的赛季”。

工程落地首先靠监控预警体系：在机柜、芯片、水管、空调处布设温度与功耗传感器，实时把数据汇入统一平台；后台用上文的热模型预测温度趋势，一旦某个核心或机柜即将越线，就自动触发调度策略或告警。然后是迭代优化流程：每季度复盘 PUE 数据与热事件，调整风量、水温和调度参数，形成“监控—预测—调度—评估”的闭环，把经验固化成流程。

从行业趋势看，三条主线正在成型：其一，液冷普及，随着单卡功耗迈向 700 瓦以上，冷板液冷与浸没式液冷从超算中心走向普通智算中心，异构算力平台的功耗密度差异也让液冷和热感知调度成为标配；其二，AI 驱动的能效控制，用机器学习预测负载与温度，提前调节制冷与调度策略，替代人工经验；其三，绿色运营与碳管理，把 PUE、可再生能源比例、碳排强度纳入统一的能效治理体系，让“省电”与“减碳”协同一致。

就像优秀教练团队靠数据说话、靠复盘进化，成熟的数据中心也把散热与功耗的协同优化做成了制度化的日常：今天记录一条温度曲线，明天就多一分调度的底气。

AI 应用场景

场景一：超大规模 GPU 集群的热感知训练调度

阶段：任务调度与资源管理

解决的问题：大模型训练时，数据并行任务会让某些 GPU 因持续高负载而升温，触发热降频，有效算力悄悄流失 10%～20%。传统方式只看 GPU 利用率、不看温度，热点无人问津，就像教练只看配速表、不看体温手环。AI 调度器把温度数据纳入决策，实现“谁凉谁上、谁热谁歇”。

具体案例：某 AI 公司用 1024 张 A100 训练千亿参数大模型，工程师把温度传感器数据接入调度器，让调度器优先把新任务分配给当前温度最低的 GPU，并在预测到热点前主动迁移可断点续跑的任务。改造后，GPU 峰值温度下降约 8°C，热降频事件减少大半，训练总时长缩短约 12%。

场景二：数据中心 PUE 优化与液冷改造

阶段：能效监控与绿色运营

解决的问题：传统机房只能看到一张总电费单，分不清多少电被制冷浪费。借助 AI 的异常检测与回归模型，可以把总能耗实时分解到 IT、制冷、配电各项，并定位“局部热点导致过度制冷”的问题——相当于给运动员做一次全身能量体检。

具体案例：某云厂商对一万台 GPU 服务器机房做能效体检，发现局部热点让空调系统长期超速运转。团队采用冷板液冷改造热点机柜 + 智能调速，PUE 从 1.5 降至 1.2，年省电费数千万元。

场景三：新一代高功耗芯片的散热方案选型

阶段：硬件架构设计与选型

解决的问题：单卡功耗 700W 的下一代 AI 芯片在风冷条件下根本无法稳定运行，“风扇开到最大”只会带来难以承受的噪音与电费。需要基于功耗-散热-性能模型对比冷板液冷与浸没式液冷方案，就像根据比赛赛道和天气决定“用扇子还是冰水桶”。

具体案例：某智算中心规划 4000 卡液冷集群，用热模型仿真不同水温、流量下的芯片温度，选择了冷板式液冷 + 高温水冷（进水 32°C）方案，PUE 稳压 1.1，散热系统功耗比同规模风冷降低约 40%。

Python 演示

python39 行
"""热感知任务调度模拟：轮询 vs 温度感知，对比峰值温度与过热次数""" import random N_CORE = 4        # 核心数量T_AMB = 25.0      # 环境温度，单位摄氏度R_TH = 0.25       # 热阻，单位 K/WTAU = 2.0         # 热时间常数LIMIT = 80.0      # 温度上限，超过则触发热降频STEPS = 300       # 仿真步数  def simulate(policy, steps=STEPS, seed=7):    # 固定随机种子，让两种策略跑同一组负载序列    random.seed(seed)    temp = [T_AMB] * N_CORE    peak = T_AMB    throttle = 0    for t in range(steps):        load = [random.uniform(0.5, 1.0) for _ in range(N_CORE)]        if policy == "roundrobin":            chosen = [t % N_CORE]        else:            chosen = [min(range(N_CORE), key=lambda c: temp[c])]        for c in range(N_CORE):            power = load[c] * 250.0 if c in chosen else 0.0            temp[c] += ((power - (temp[c] - T_AMB) / R_TH) / TAU) * 0.05            if temp[c] > LIMIT:                throttle += 1            peak = max(peak, temp[c])    return peak, throttle  peak_rr, hot_rr = simulate("roundrobin")peak_ta, hot_ta = simulate("thermalaware")print("轮询调度    -> 峰值温度 %.1f C, 热降频 %d 步" % (peak_rr, hot_rr))print("热感知调度  -> 峰值温度 %.1f C, 热降频 %d 步" % (peak_ta, hot_ta))print("热感知使峰值温度降低 %.1f C, 降频减少 %d 次" %      (peak_rr - peak_ta, hot_rr - hot_ta))
目的：用一阶 RC 热模型模拟四个芯片核心，对比“轮询调度”与“热感知调度”的峰值温度和热降频次数，直观验证“看温度派活”的价值。
  1. temp = [T_AMB] * N_CORE初始化所有核心温度为环境温度，相当于运动员起跑前的正常体温。
  2. load = [random.uniform(0.5, 1.0) for _ in range(N_CORE)]每一步为每个核心生成一个 0.5～1.0 的随机负载，模拟真实任务的不确定性。
  3. chosen = [min(range(N_CORE), key=lambda c: temp[c])]热感知策略的核心：挑当前温度最低的核心接任务，也就是“谁凉谁上”。
  4. power = load[c] * 250.0 if c in chosen else 0.0只有接到任务的核心才产生功耗，功耗与负载成正比；空闲核心只散热不产热。
  5. temp[c] += ((power - (temp[c] - T_AMB) / R_TH) / TAU) * 0.05一阶 RC 热模型的离散更新：产热减去散热，除以热容，再乘时间步长。
  6. if temp[c] > LIMIT:温度超过 80°C 记为一次热降频事件，用来量化两种策略的“中暑”次数。
  7. peak_rr, hot_rr = simulate("roundrobin")固定随机种子，确保两种策略跑完全相同的一组负载序列，对比才公平。

常见误区

误区“PUE 降到 1.0 才叫厉害，我的目标就是把 PUE 压到极限！”

正解PUE = 1.0 意味着制冷和配电零开销，物理上不可能实现。追求极低 PUE 往往要牺牲冗余冷却能力，一旦碰上高温天气或设备故障，芯片就会因过热而降频甚至宕机。合理的目标是在保证可靠性的前提下，把 PUE 从 1.5 压到 1.2（风冷）或 1.1（液冷），而不是盲目冲向 1.0——就像运动员不能为了省水就只在烈日下跑一样。

为何常见：PUE 是最直观的能效名片，大家容易把它当成唯一 KPI，忽略了可靠性、成本和性能之间的权衡。

误区“液冷太危险了，水直接泡着电路板，服务器不会短路吗？”

正解真正让服务器“泡澡”的浸没式液冷，用的不是自来水，而是不导电的介电冷却液；而更常见的冷板式液冷，水只在金属冷板内部流动，根本不接触芯片和电路。工程上还有纯水二次回路、防漏快接头等层层防护。“水淹机房”纯属误解——就像运动员泡的冰水桶，水并没有直接浸进肌肉细胞。

为何常见：“液冷”一词太直白，加上科普图常画成“泡着”，让人把介质与形式混为一谈。

误区“散热是散热器的事，功耗是电源的事，两个团队分开优化不就行了？”

正解功耗与散热共享同一物理通道：功耗决定产热，散热决定温度，温度反过来又影响漏电流功耗和热降频损失。只加大散热器，高峰期照样降频；只压低功耗，性能又受损。真正的解法是把功耗、温度、性能放进同一个优化模型里联立求解——正如教练不能只负责配速而不管体温。

为何常见：芯片、散热器和调度器通常分属不同供应商或团队，分工带来了信息孤岛。

误区“芯片怕热，那我把机房空调开到 16°C，肯定万无一失。”

正解温度设得越低，制冷机能耗越高，PUE 越差。行业标准 ASHRAE 允许 A1 级数据中心的进风温度在 18~27°C，许多现代机房推荐 24~27°C 配合智能风量调节，可靠性不变但电费大幅下降。无脑低温，是把电费白白烧在“冷空气”上。

为何常见：传统运维信奉“宁可冷不可热”，不熟悉温度与可靠性、能耗之间的权衡曲线。

误区“任务迁移本身要花时间、占带宽，还不如让热点核心硬扛。”

正解迁移确实有开销，但热降频的代价通常更大——芯片温度越线后可能损失 20%~30% 的算力。热感知调度通过温度预测提前行动，把峰值温度压低、避开降频，净收益为正。关键在于预测要准、迁移要轻（比如只迁移可断点续跑的任务），就像教练补给的时机把握好了，比硬撑着跑更快。

为何常见：只盯着迁移成本，忽略了热降频这个“隐形大坑”。

面试题

Q1. 数据中心 PUE 的准确定义是？

单选题 · easy

  • A.IT设备能耗除以总能耗
  • B.总能耗除以IT设备能耗← 正确答案
  • C.制冷能耗除以总能耗
  • D.总能耗乘以制冷能耗

答案：B。PUE = 总能耗 / IT 能耗，衡量“附加开销”有多大。比值越接近 1 说明能效越高，所以 A 把分子分母写反了，C 只看制冷项不完整，D 是乘法则完全错误。

Q2. 以下哪个散热方式单位体积携带热量的能力最强？

单选题 · easy

  • A.循环流动的空气
  • B.循环流动的水← 正确答案
  • C.强力风扇的风
  • D.自然流通的风

答案：B。水的密度约为空气的 800 倍，比热容约为空气的 4 倍，按体积算携热能力约为空气的 3500 倍。空气类选项（A/C/D）本质都是空气，携热能力远不如水。

Q3. 在一阶 RC 热模型中，热阻 R_th 越大，表示？

单选题 · easy

  • A.芯片散热能力越强
  • B.芯片越容易积热升温← 正确答案
  • C.芯片功耗越低
  • D.芯片温度必然越低

答案：B。热阻是热量从芯片传导到环境的阻力，热阻越大散热越难，同样的功耗下温度更高。A 说反了，C 与热阻无关，D 忽略功耗的影响。

Q4. 热感知任务调度最核心的行为是？

单选题 · mid

  • A.降低所有核心的运行频率
  • B.将任务从高温核迁移到低温核← 正确答案
  • C.关闭所有空闲的多余核心
  • D.无脑提高散热风扇的转速

答案：B。热感知调度通过监控和预测温度，把任务从热点核心迁移到低温核心，同时配合调频。A 一刀切降频牺牲性能，C 属于功耗管理而非热感知，D 属于散热控制而非调度。

Q5. 冷板式液冷与浸没式液冷的主要区别是？

单选题 · mid

  • A.前者用水后者用油来冷却
  • B.前者冷却液不直接接触芯片，后者整机浸入介电液← 正确答案
  • C.前者适合高性能后者适合低功耗
  • D.前者需要机房后者不需要机房

答案：B。冷板式液冷的冷却液在金属冷板内流动，不接触芯片；浸没式液冷把整台服务器泡进不导电的介电液。A 表述以偏概全，C 恰好说反，D 与液冷形式无关。

Q6. 芯片温度超过阈值后，可能发生的情况有？

多选题 · mid

  • A.自动降低工作频率← 正确答案
  • B.整体性能明显下降← 正确答案
  • C.加速老化缩短寿命← 正确答案
  • D.输入电压自动升高提速

答案：ABC。超过阈值后硬件会触发热降频（DVFS），频率降低、性能下降，长期高温还会加速芯片老化。D 升高电压只会产生更多热量，属于错误操作。

Q7. 功耗-散热-性能联合优化模型的约束通常不包括？

单选题 · mid

  • A.峰值温度不超过温度上限
  • B.吞吐率不低于服务目标
  • C.总功耗不超过供电预算
  • D.内存容量不低于指定大小← 正确答案

答案：D。联合优化模型的约束围绕功耗、温度和性能展开：温度墙、吞吐底线、功耗墙。内存容量与散热功耗协同没有直接耦合关系，不属于典型的模型约束。

Q8. 关于一阶 RC 热模型稳态条件的正确表述是？

单选题 · hard

  • A.温度不变是因为产热已经停止
  • B.产热功率恰好等于散热功率← 正确答案
  • C.热容与热阻乘积决定功耗大小
  • D.环境温度必然升高到与芯片一致

答案：B。稳态时 dT/dt = 0，代入模型得 P = (T − T_amb) / R_th，即产热恰好等于散热。A 错误，稳态下产热并未停止；C 的量纲不对；D 与环境温度无关。

Q9. 关于液冷散热方案，下列说法正确的有？

多选题 · hard

  • A.液冷的换热效率远高于风冷← 正确答案
  • B.浸没式液冷需要使用介电冷却液← 正确答案
  • C.液冷改造可以完全无视原有空调系统
  • D.冷板式液冷的冷却液不直接接触芯片← 正确答案

答案：ABD。水的单位体积携热能力约为空气的 3500 倍，A 正确；浸没式必须用不导电的介电液，B 正确；冷板式液冷水只在冷板内流动，D 正确。C 错误，液冷改造仍需保留冗余冷却和应急预案。

Q10. 下列做法中，能有效降低芯片峰值温度的有？

多选题 · extreme

  • A.预测热点并提前迁移任务← 正确答案
  • B.动态调低空闲核心的电压与频率← 正确答案
  • C.提高热点核心的工作时钟频率
  • D.按温度反馈调节冷却液流量← 正确答案

答案：ABD。A 转移产热源、B 降低空闲核心功耗、D 增强散热能力，三者都能压低峰值温度。C 提高热点核心频率会加剧产热，属于火上浇油，是错误选项。