7.4 液冷系统设计要点与对比

7.4 液冷系统设计要点与对比

理解了冷板式和浸没式的原理，最后要落到工程实践——真正设计一个液冷系统，要处理哪些难点？两大平台又是怎么选择的？

7.4.1 温差控制：让每颗芯片都被均匀冷却

液冷系统的第一个工程难点是温差控制——保证机柜里每一颗芯片都被充分、均匀地冷却，不出现"有的凉有的烫"的情况。

问题来自于冷却液的物理特性。冷却液流经冷板时会吸热升温，所以先流入的冷板拿到的是冷液，后流入的拿到的是已经升温的热液。如果多个冷板简单串联，后面那些冷板的芯片温度就会比前面的高，造成冷却不均。

解决这个问题的标准做法是并联——通过 manifold 把冷却液并联分配到各冷板，每个冷板都拿到温度相近的冷却液。但并联又带来新问题——流量分配要均衡，否则有些冷板流量大、有些流量小，冷却效果不均。这就需要 manifold 精心设计流道阻力，保证各支路流量均衡。

温差控制的核心矛盾：

串联：流量均衡，但后段冷却液升温，冷却不均
并联：温度均匀，但流量分配要精心设计

工程解法：manifold 并联 + 流道阻力平衡
保证每颗芯片都拿到温度相近、流量充足的冷却液
​

⚠️ 温差控制的失后果：如果某些芯片冷却不足，它们会因过热降频，成为整个训练任务的"木桶短板"——回顾第 5 章的木桶效应，一颗慢卡拖垮整轮迭代。所以液冷的温差控制不只是"散热问题"，更是"训练性能问题"。

7.4.2 漏液检测：液冷安全的生命线

液冷系统的第二个工程难点是漏液检测。冷却液一旦泄漏，轻则冷却失效、芯片过热，重则液体接触电气器件导致短路烧毁（虽然二次回路通常用纯水，但纯水在长期运行后会因微量杂质变得微弱导电）。

漏液检测系统通常包含几层：

• 漏液感应绳/感应垫：铺设在机柜底部和关键管路下方，一旦接触到液体立即报警。
• 流量与压力监测：CDU 实时监测流量和压力，异常下降提示可能泄漏。
• 快速关断：检测到泄漏时，自动关断相关回路，限制泄漏量。
• 防漏设计：管路尽量减少接头，接头使用可靠的快速接头，关键部位双重密封。

漏液检测的多层防护：

层1：防漏设计（少接头、双密封、高质量管路）
层2：感应绳/垫（泄漏第一时间感知）
层3：流量压力监测（异常自动告警）
层4：快速关断（限制泄漏影响）
层5：液电隔离（即使漏液也不接触电气）

层层兜底，确保泄漏可控。
​

💡 漏液检测的重要性：在百千瓦级机柜里，一次未及时发现的泄漏可能导致整个机柜报废，损失以百万计。所以漏液检测不是"可选项"，而是液冷系统必备的安全生命线。

7.4.3 可维护性：液冷落地的现实考量

液冷系统的第三个工程难点是可维护性——故障发生时，能不能快速、安全地把故障件换掉。

冷板式液冷的可维护性相对好——快速接头支持"带水插拔"，维护时可以不断开整个水路，只把故障节点的冷板接头拔开，抽出节点维护。但即便如此，带水插拔仍有微小泄漏风险，且操作要规范。

浸没式液冷的可维护性则差得多——如前所述，要把服务器从液槽里吊出、沥液、操作，耗时且麻烦。这是浸没式尚未主流的关键原因。

可维护性对比：

冷板式：快速接头带水插拔，节点级维护相对便捷
浸没式：整机吊出沥液，维护耗时复杂
        ↑
   这是浸没式当前最大短板
​

7.4.4 两大平台的液冷选择

NVL72 和昇腾机柜在液冷方案上都不约而同选择了冷板式液冷为主。这个选择的逻辑很清晰——冷板式在"散热能力"和"可维护性/成熟度"之间取得了当前最优的平衡，而浸没式虽然散热更强，但可维护性和成本问题使其暂不适合大规模量产。

差异主要体现在供应链和具体实现：

💡 液冷的国产化优势：液冷系统的关键部件——冷板、CDU、manifold、管路——属于精密机械加工和热工设计领域，不依赖先进制程。这意味着液冷是国产 AI 集群里自主化程度较高的环节，国内厂商（含华为生态）在这一领域有较强的供应能力。这与芯片（依赖先进制程）形成对比——昇腾路线在"体"层面的自主性，确实比"芯"层面更强。

7.4.5 "体"两章的总结

到这里，"体"两章就完整了。让我们回顾从第 6 章到这里的完整图景：

"体"两章全景：

第6章（供电与物理）：
  物理分区（计算/交换/电源/液冷）
  百千瓦级供电（三级架构 + 母线 + 多相 + BBU）
  功率密度反向约束机房选址
  可靠性靠多重冗余，能效靠三层协同

第7章（散热）：
  风冷触顶，液冷必然
  冷板式为主（一次/二次回路隔离）
  浸没式为前沿方向
  温差控制、漏液检测、可维护性是关键

贯穿主线：上百千瓦的电最终都变成热，
         供电和散热是一体两面，
         共同决定了 AI 集群能跑多密、跑多稳。
​

这套完整的"体"系统，让上百千瓦的功率能安全地喂进机柜、可靠地散出热量。但从第 8 章开始，我们要回答一个更上游的问题——这些芯片、HBM、冷板、光模块，都是从哪儿造出来的？这就进入"链"两章。

思考与延伸

1. 如果一个机柜里某颗 GPU 因为冷却不均而过热降频，会拖垮整轮训练。你会如何设计液冷系统的监控，尽早发现这种"局部热点"？
2. 浸没式的可维护性差，但散热能力极强。在什么功率密度下，浸没式"散热红利"会压倒"维护痛点"，值得被采用？
3. 液冷的国产化程度较高，这是否意味着在"体"层面，昇腾路线相对 NVIDIA 的差距比"芯"层面更小？这种差异对整体竞争力有什么影响？

第 7 章小结

• 风冷在 AI 集群功率密度面前已触顶，液冷因物理必然、工程必然、经济必然而成为标配。
• 冷板式液冷靠"芯片→冷板→二次回路→CDU→一次回路→外界"的链路搬热，一次/二次回路物理隔离。
• 浸没式液冷散热更强（直接换热 + 相变潜热），但可维护性、成本、环保介电液是当前挑战。
• 液冷设计的难点在温差控制、漏液检测、可维护性，两大平台都选冷板式为主。
• "体"两章合起来回答了"怎么供电、怎么散热"，但从第 8 章起要追问"这些东西从哪儿来"。

读完本章，"体"两章完整结束。下一章我们进入"链"——从晶圆制造、CoWoS 先进封装到 HBM 堆叠，看两大平台背后的半导体产业链。

本节关键词：液冷设计、温差控制、漏液检测、可维护性、冷板式液冷、国产化　返回：第 7 章支柱页　下一篇：第 8 章 · 链(一)：芯片制造与封装供应链