算力产业正在出现一个并不容易被忽视的矛盾：
一边是AI大模型训练和推理需求快速扩张，服务器、GPU、机柜功率密度持续上升；
另一边，传统风冷系统的物理边界正在被逼近，甚至被突破。
截至2025年6月，全球计算设备算力总规模达到4495EFlops，同比增长117%，其中智能算力占比高达85%。
与此同时，英伟达GPU产品热设计功耗从2020年A100的400W，持续提升至2026年Rubin架构的2300W。
单机柜功率密度也从传统20-30kW，跃升至120kW以上。
风冷过去长期是数据中心的默认方案，但它能够支撑的机柜功率密度通常不超过30kW。
面对高功耗芯片和高密度机柜，风冷不再只是效率低的问题，而是能不能稳定运行的问题。
液冷因此从“节能选项”变成了“基础设施约束”。
液体的导热效率是空气的25倍以上，换热系数可达风冷的1000-3000倍。
液冷方案可将数据中心制冷能耗从传统风冷的43%降至24%，PUE从1.4以上降至1.1以下。
叠加新建大型数据中心PUE不得高于1.25等政策要求，液冷的产业位置已经发生变化。
它不再只是服务器散热技术，而是AI数据中心能否继续提高算力密度、降低能耗、满足合规要求的一项底层工程能力。
图1：AI算力驱动下的液冷产业主题封面图
来源：AI生成示意图，不代表真实场景
液冷是什么
图2：液冷系统结构示意图
来源：用户提供图片素材
液冷，是利用液体作为冷却介质，直接或间接带走CPU、GPU、内存、电源模块等高发热部件热量的散热方式。
它的底层逻辑并不复杂。
空气带走热量的能力有限，液体的比热容、导热能力和对流换热能力更强。
在相同体积下，液体能够带走的热量远高于空气。
因此，当芯片功耗、机柜密度不断提升时，液冷天然比风冷更适合高热流密度场景。
在数据中心里，液冷系统通常不是单个零件，而是一套完整循环系统。
它包括室外冷却塔、一次侧管网、冷量分配单元CDU、二次侧管网、液冷机柜、冷板、分液器、快接头、冷却液以及服务器内部管路等部件。
其中，CDU相当于液冷系统的核心枢纽。
它通过循环泵、换热器、过滤器和控制单元，完成冷却液分配、流量控制、温度调节和系统保护。
从应用场景看，液冷目前主要用于AI服务器、智算中心、超算中心、高密度数据中心以及部分通信、电力电子设备。
它解决的不是单一散热问题，而是高算力时代的系统工程问题：
如何在更小空间内部署更高算力。
如何在更低PUE下满足监管要求。
如何让高功耗芯片保持长期稳定运行。
冷板与浸没并行
图3：液冷技术路线分类图
来源：AI生成示意图，不代表真实场景
液冷行业的分类方式主要有两条线：
一条是按照冷却液是否直接接触发热器件。
另一条是按照冷却介质在工作过程中是否发生相变。
从接触方式看，液冷主要分为冷板式、浸没式和喷淋式。
冷板式液冷
冷板式液冷是当前数据中心最主流的技术路线。
它并不让冷却液直接接触芯片，而是通过冷板贴合CPU、GPU等热源，再由冷板内部流道中的冷却液带走热量。
这种方案的优势在于成熟度高、可靠性相对可控，对现有服务器结构和机房改造的冲击较小。
冷板式液冷目前更适合大规模商业化部署，也是AI服务器液冷放量的核心路线。
英伟达GB200、GB300以及后续Rubin架构的液冷演进，均推动冷板、微通道冷板、管路、快接头、CDU等环节需求提升。
浸没式液冷
浸没式液冷是将服务器或电子设备整体浸入不导电冷却液中，通过液体直接吸收设备热量。
它的散热效率更高，理论上能实现更低PUE，也能减少风扇等机械结构。
但问题也很明确：
专用绝缘冷却液价格高。
设备维护方式变化大。
服务器结构和运维体系需要重构。
因此，浸没式液冷更适合超高密度、特定定制化场景，当前还不是主流规模化路线。
喷淋式液冷
喷淋式液冷是将冷却液喷洒到发热器件或相关散热结构表面，通过直接换热带走热量。
它介于冷板式和浸没式之间，具备一定散热效率优势，但在可靠性、液体管理、系统复杂度等方面仍需进一步验证。
单相与两相液冷
如果按照冷却介质是否发生相变，液冷可分为单相液冷和两相液冷。
单相液冷中，冷却液始终保持液态，通过温度升高吸收热量。
两相液冷中，冷却介质吸热后发生汽化，再通过冷凝回到液态。
由于相变过程可以吸收大量潜热，两相液冷理论散热能力更强。
但两相系统设计和制造难度更高，冷却介质成本也更高，距离大规模普及仍有距离。
目前看，冷板式单相液冷仍是产业主线；
浸没式、双相液冷、封装级微通道液冷则更像是面向下一代高功耗芯片的技术储备。
从节能方案到算力刚需
液冷并不是新概念。
早期液冷更多出现在超算、军工、特殊工业设备等高热流密度场景中。
彼时它的价值主要是解决风冷无法覆盖的极端散热需求。
数据中心行业真正开始系统性关注液冷，是在能耗约束和算力密度提升同时出现之后。
过去，通用计算服务器功耗相对可控，风冷可以满足大部分数据中心需求。
制冷系统虽是能耗大户，但还没有成为算力扩张的核心瓶颈。
AI大模型改变了这个平衡。
AIGC出现后，训练和推理都需要更大规模GPU集群。
芯片功耗快速抬升，服务器密度持续增加，机柜从10kW、20kW向更高功率段演进。
主流X86 CPU峰值功耗已经达到300-400W，行业顶尖芯片热流密度突破120W/cm²。
英伟达GPU功耗也持续上行，从B200的700W，到GB300的1400W，再到Rubin架构更高功耗配置，散热压力不再是边缘问题。
服务器架构也随之变化。
GB200 NVL72采用“液冷+风冷”的混合方案。
GB300 NVL72已采用全液冷机架级架构。
Rubin架构进一步强化全液冷方向，并引入微通道冷板、芯片内置微通道顶盖等技术路线。
这意味着液冷已经从机房级节能改造，前移到服务器、芯片封装和算力系统设计阶段。
政策也在加速这一变化。
2021年，工信部提出到2023年底，新建大型及以上数据中心PUE降到1.3以下。
