人工智能革命并非 “即将到来”—— 它已落地生根，且发展速度远超以往任何技术浪潮。模型规模持续膨胀，推理需求急剧攀升，数据中心正全力突破单机柜性能的历史上限。然而，就在性能飞速提升的同时，一道物理瓶颈也随之浮现。
这个性能瓶颈并非算力本身，而是散热。
多年来，人工智能性能的提升主要依赖于更强大的 GPU 与加速器、更高密度的机柜，以及能耗更高的工作负载。但这一性能提升背后，隐藏着一个被忽视的 “散热成本”：每 1 瓦的算力消耗，最终都会转化为 1 瓦的热量。而要从密度越来越高的芯片中带走这些热量，当前的散热基础设施正逐渐逼近极限。
行业对 “增长” 的认知正发生一场悄无声息却至关重要的转变：
散热已成为新的增长瓶颈。
日益严峻的能源压力
德勤（Deloitte）近期发布的报告《美国基础设施能否跟上人工智能经济的步伐？》（Can US infrastructure keep up with the AI economy?）警告称：在核心区域，人工智能带来的电力需求已超过电网可用容量，为数据中心的扩张设置了重大障碍。而散热系统 —— 包括冷却泵、冷水机和流体回路 —— 正是电力消耗的 “大头” 之一。
与此同时，麦肯锡公司（McKinsey & Company）在《算力成本：一场规模达 7 万亿美元的数据中心扩张竞赛》（The cost of compute: A $7 trillion race to scale data centers）中预测：要扩建算力基础设施以满足未来人工智能需求，全球需投入高达 7 万亿美元的资金。这绝非仅与 GPU 相关的投入 —— 散热与能源系统已深度融入成本结构：每节省 1 瓦电力、简化 1 条回路、降低 1 份压降，每提升 1 分散热效率，都将直接影响最终收益。
斯坦福大学以人为本人工智能研究所（Stanford Institute for Human-Centered Artificial Intelligence）发布的《2025 年人工智能指数报告》则勾勒出宏观趋势：模型复杂度与算力需求正呈指数级增长，而非线性增长。传统的基础设施方案已难以跟上这一节奏
为何大规模场景下散热系统濒临失效
如今，最先进的人工智能加速器所产生的热密度，在几年前还难以想象。功率达 1.4 千瓦的 GPU 已属常规，而未来 NVIDIA Feynman 系列 GPU 的功率更是将突破 4.0 千瓦。芯片热点区域的功率密度正急剧飙升。
传统的切削式 2D 微通道冷板，本就不是为这样的场景设计的。它们需要高冷却液流量才能散热，会产生巨大的压降，且难以应对局部热点的功率波动。
传统的切削式 2D 微通道冷板，本就不是为这样的场景设计的。它们需要高冷却液流量才能散热，会产生巨大的压降，且难以应对局部热点的功率波动。
在大规模部署中，这些缺陷会迅速放大：
- 需更多泵体与能源维持流量
- 管路系统复杂度更高
- 数据中心运营商面临更高的总拥有成本（TCO）
- 最关键的是：散热上限会限制芯片性能的发挥
曾经的 “工程细节问题”，如今已升级为 “管理层决策问题”。若散热无法跟上，人工智能基础设施的扩张便会陷入停滞。
LiquidJet 登场：为人工智能时代重塑散热技术
LiquidJet 是一款专为突破这一瓶颈设计的下一代精密冷板。其核心突破在于 3D 短回路喷射通道微结构 —— 这一行业首创设计，彻底颠覆了传统散热的性能上限。
LiquidJet 实现了以下突破：
- 热点功率密度提升 2 倍 —— 在入口温度 40℃、界面材料（TIM）热阻 0.02℃・平方厘米 / 瓦的条件下，可达 600 瓦 / 平方厘米
- 散热效率（千瓦 / 升・分钟）提升 50%—— 用更少冷却液带走更多热量，实现单机柜更高芯片密度
- 压降降低 4 倍，泄漏风险显著降低
- 定制化设计 —— 可与任意系统级芯片（SoC）或 GPU 的功率分布精准匹配
- 即插即用升级 —— 无需改动现有液冷基础设施
传统冷板每移除 1 千瓦热量，通常需要约 1.4 升 / 分钟的冷却液流量；而 LiquidJet 仅需 1 升 / 分钟的流量，即可实现同等散热效果。通俗地说：它能用更少的资源实现更多的功能。这意味着更低的泵送能耗、更低的运营成本，以及更高的机柜密度。
问题一：供电系统承压
人工智能的增长正与电网容量极限正面碰撞。
德勤（Deloitte）的基础设施分析揭示了一个残酷现实：电网运营商难以跟上数据中心的扩张速度。在部分区域，申请新供电连接的等待时间长达数年。而散热系统，正是数据中心中非算力相关的最大能耗来源之一。
LiquidJet 直接攻克了这一瓶颈。通过降低流量需求与压降，它大幅减少了冷却回路的能耗。泵送冷却液所需的电力更少，能源浪费更少，机柜设计也更具可持续性。
这种高效性能在现有电网配额内释放出 “额外空间”，让运营商无需等待新供电基础设施建成，即可先行扩建算力。
散热效率即电能效率，而电能效率即增长空间。
问题二：资本成本激增
扩建人工智能基础设施的成本极高，而散热成本已深度融入其中。
麦肯锡 7 万亿美元的预测，凸显了这一问题的重要性。随着数据中心为支撑超大规模人工智能工作负载而扩张，每一个能简化基础设施或降低 TCO 的组件，在数千个机柜的规模下，都将产生巨大的成本优化效应。
传统切削式 2D 微通道冷板需要大型泵站、复杂的集管系统，以及昂贵的管路架构来应对高压降 —— 这种复杂性最终都会转化为资本支出（CapEx）。
LiquidJet 大幅降低的压降，带来了以下优势：
- 单条回路可连接更多加速器
- 泵送系统更简单、体积更小
- 安装与维护成本更低
对于大规模人工智能部署而言，这绝非 “小幅优势”—— 而是 “每瓦冷却算力成本” 的结构性变革。
问题三：算力需求指数级增长
散热曲线正落后于算力曲线。
斯坦福大学《人工智能指数报告》揭示了一个行业共识：算力需求正呈指数级增长。芯片功率逐年攀升 —— 从每芯片 1.4 千瓦突破至 4 千瓦以上，而机柜密度还在不断提高。
这意味着散热系统必须在 “更小空间、更少能源” 的前提下，实现 “更强散热”。
这正是 LiquidJet 的优势所在。它能像外科手术般精准靶向热点，最大化每升冷却液的散热效率，同时降低压降 —— 无需依赖复杂的双相散热系统，也无需大规模改造基础设施，即可为下一代机柜的部署铺平道路。
LiquidJet 绝非一款普通的冷却设备，而是人工智能时代的 “增长赋能者”。
为何当下至关重要
人工智能基础设施的扩张竞赛并未减速。企业、超大规模数据中心运营商与政府正投入数万亿美元扩建算力。但在这一增长故事背后，隐藏着一个令人不安的事实：若散热技术的创新速度跟不上芯片，增长曲线终将趋于平缓。
- 数据中心运营商面临能源配额限制
- 开发者面临芯片热降频问题
- 整个行业面临成本螺旋式上升
LiquidJet 提供了一条不同的发展路径 —— 在这条路径上，散热不再是瓶颈，而是 “效能倍增器”。通过消除散热与能源障碍，它为算力的持续指数级增长创造了空间，且无需让成本与碳足迹同步攀升。
宏观视角：散热成为战略性基础设施
我们往往将 GPU、加速器、内存与网络视为人工智能基础设施的 “主角”。但每 1 拍次（petaflop）的算力背后，都伴随着 1 瓦需要被带走的热量。
散热不再是 “事后考虑的细节”，而是 “战略性杠杆”—— 它决定着人工智能革命能以多快的速度、多大的规模推进。
正如我们的创始人兼首席执行官 Seshu Madhavapeddy 反复强调的：
“散热架构，是人工智能未来发展的基石。"
LiquidJet 的设计初衷，正是为了应对这一关键转折点。它的高效性、热点散热能力与易集成性，让运营商能够 “即刻扩张”—— 而非等待数年后，其他复杂散热方案追赶上来。
展望未来
我们正进入一个 “每 1 瓦都至关重要” 的时代。未来数据中心的效率，将不再仅由算力决定 —— 更由我们 “如何智慧地管理热量” 决定。
LiquidJet 不仅实现了 “更好的散热”，更在重塑大规模人工智能基础设施的 “可能性边界”
试想这样一个行业：
- 电力不再是限制因素
- 散热设计与芯片创新同步推进
- 人工智能扩张不再是 “7 万亿美元的难题”，而是一条可持续的增长之路
这，就是 LiquidJet 正在开启的未来。
参考资料
- 德勤，《人工智能热潮下的数据中心基础设施》：
https://www.deloitte.com/us/en/insights/industry/power-and-utilities/data-center-infrastructure-artificial-intelligence.html - 麦肯锡公司，《算力成本：一场规模达 7 万亿美元的数据中心扩张竞赛》：
https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers - 斯坦福大学以人为本人工智能研究所，《2025 年人工智能指数报告》：
https://hai.stanford.edu/ai-index/2025-ai-index-report
