AI 算力新基建白皮书：液冷、光互连与专用芯片的崛起

前言：
在 2025 年，每一个走进新建数据中心的人，都会被眼前的景象震惊：听不到风扇的轰鸣，看不见密密麻麻的网线。
取而代之的，是浸泡在氟化液中静静沸腾的服务器，以及在机架间闪烁的激光信号。

随着大模型参数量的指数级增长，算力瓶颈已经从“计算”转移到了“互连”和“散热”。本文将深入物理层，拆解支撑 AI 2.0 时代的硬件底座。

第一章 互连墙（Interconnect Wall）：光进铜退的必然

在 H100 时代，我们还在用铜缆（DAC）连接机柜内的 GPU。但在万亿参数模型并行训练的今天，铜缆的物理极限已被击穿。

1.1 硅光子（Silicon Photonics）的爆发

2025 年，CPO（Co-Packaged Optics，共封装光学） 技术终于成熟量产。

• 原理：以前，光模块是插在交换机面板上的，离芯片有几十厘米远，电信号在传输中损耗巨大。CPO 技术直接把光引擎（Optical Engine）封装在 GPU 芯片的基板上。
• 收益：
  • 功耗降低 50%：信号不用再长途跋涉。
  • 带宽密度提升：单芯片 IO 带宽突破 51.2 Tbps，彻底解决了“计算快、传输慢”的内存墙问题。

1.2 全光交换网络（All-Optical Switching）

Google 的 Jupiter 数据中心架构展示了未来的方向：OCS（光路开关）。

• 传统的电交换机需要把光信号转成电，处理完再转回光（O-E-O），延迟高且费电。
• OCS 利用微机电系统（MEMS）里的微小镜面，直接反射光束进行路由。光进光出，零延迟，且不消耗信号能量。

第二章 散热革命：从风冷到液冷

当单芯片功耗（TDP）突破 1000W（如 Blackwell B200），风冷散热器已经做得像砖头一样大，依然压不住热量。

2.1 冷板式液冷（Cold Plate）的普及

这是目前最主流的过渡方案。

• 方案：将铜质水冷头紧贴 GPU 表面，冷却液在管道内循环带走热量。
• 挑战：漏液风险。一旦冷却液泄漏，整机报废。因此，2025 年出现了负压系统——管道内气压低于外部，即使破裂，空气会吸入而不是液体流出。

2.2 浸没式液冷（Immersion Cooling）的终局

这是真正的未来。

• 单相浸没：服务器完全泡在绝缘油中，利用液体的自然对流散热。
• 两相浸没：服务器泡在氟化液中，液体受热沸腾变成气体（相变带走巨大潜热），气体上升到顶盖冷凝回液体滴落。
• PUE（能源使用效率）：传统风冷机房 PUE 约为 1.5，两相浸没可以将 PUE 降至 1.02。这意味着几乎所有的电都用在了计算上，而不是空调上。

第三章 芯片架构：ASIC 的反攻

GPU 是通用的，但在推理侧，通用意味着浪费。

3.1 晶圆级芯片（Wafer-Scale Engine）

Cerebras 走的路线极其激进：不切晶圆。

• 传统的芯片是在晶圆上切下来的一小块（Die）。Cerebras 直接把整张 12 英寸晶圆做成一颗芯片，拥有 85 万个核心。
• 优势：核心之间的通信完全在芯片内部完成，带宽是 GPU 互连的几千倍。这使得它在处理超大模型推理时，可以做到 Batch Size = 1 的极致低延迟。

3.2 存内计算（Processing-in-Memory, PIM）

冯·诺依曼架构的原罪在于：计算单元和存储单元是分离的。数据在两者之间搬运消耗了 90% 的功耗。

• PIM 技术：直接在 DRAM 内存颗粒内部集成简单的计算逻辑。数据在哪里，就在哪里计算。
• 应用：非常适合矩阵乘法等 AI 基础运算，虽然精度较低，但在边缘侧推理场景下极具潜力。

第四章 绿色计算：碳排放的紧箍咒

AI 是吞电兽。2025 年，能源获取能力成为了算力中心选址的第一要素。

4.1 随源而动

数据中心正在从北上广深，迁移到内蒙古、贵州，甚至冰岛。

• 哪里有便宜的风电、水电，算力就建在哪里。
• 微软甚至尝试在海底建设数据中心（Project Natick），利用无限的海水进行散热。

4.2 算力热回收

欧洲的数据中心开始承担供暖任务。

• 既然 AI 芯片发热这么大，为什么不把这些热废气收集起来，给周边的居民社区供暖？这不仅减少了碳排放，还创造了额外的经济收益。

结语

算力基础设施的竞争，已经演变成一场材料学、流体力学和光学的综合竞赛。
在这场军备竞赛中，没有所谓的“性能过剩”。因为软件（模型）对算力的吞噬是贪婪的，硬件的每一次进步，都会被更大、更聪明的模型瞬间填满。

本文档由 Augmunt 前沿技术研究院硬件组撰写，基于 2025 年全球半导体产业链调研。