能源即算力》散熱卡關、算力白燒，AI 資料中心下一場硬仗：從「搶電」到「省電」
在這個生成式 AI 爆發的時代，要蓋 AI 資料中心，電力幾乎等於入場門票，但拿到電，不代表就能把算力塞滿。 生成式 AI 把單櫃功耗與熱密度一路推高，下一個很快浮上檯面的瓶頸是散熱跟不上，等於把好不容易搶來的電白白浪費掉。
早先曾提到「沒有電就沒有選址的討論空間」，但更進一步應該要討論的是，在電力吃緊已成常態後，資料中心如何透過液冷等技術，把同樣的供電換成更多有效算力。
AI 把用電推向極限，風冷先撞上密度天花板
傳統資料中心主要靠風冷，也就是透過空調、氣流管理、冷熱通道與機內風扇，把伺服器產生的熱往外丟。 在過去十多 kW／櫃的時代，這一套運作得還算穩定，但生成式 AI 帶來的不是多幾台伺服器這麼簡單，而是單櫃功耗和單點熱量的暴衝。
當機櫃功耗從十多 kW 走向數十 kW、甚至朝百 kW 以上邁進時，多數資料中心會遇到兩個現實：第一，冷卻用電急速增加，空調得加大噸數、風扇轉得更快，冷卻本身變成一個巨大的電力黑洞；第二，佈建受到限制，熱排不掉，機櫃就得降規上架或被迫分散部署，就算 GPU 到了、電也談下來，算力卻上不去。 實務上，風冷在 20～30 kW／櫃附近就開始吃力，風扇與空調能耗會隨熱密度急遽放大，讓整體 PUE（Power Usage Effectiveness，能源使用效率）卡在 1.5 上下，很難再往下壓。
這也是為什麼，散熱這幾年從機電配套被拉進算力工程的範疇，散熱效率其實就是算力效率的一部分，誰能把熱處理好，誰就能在同樣供電條件下塞進更多 GPU。
（Source：科技新報整理）
PUE：電有沒有花在算力刀口上
談資料中心省電，最常被提起的指標是 PUE。PUE = 資料中心總用電 / IT 設備用電。
分母裡的「IT 用電」，是伺服器、網通、儲存等真正拿來做運算的耗電；分子裡的「總用電」，則再加上空調與冷卻系統、供配電轉換損失、照明與管理系統等非 IT 負載。 PUE 越接近 1，代表越多電真的花在算力上，而不是花在讓這些機器能勉強跑起來的部分。
以業界統計來看，多數資料中心 PUE 仍落在 1.4–1.6，意味著每 1 kW 的 IT 負載，還要額外再花 0.4～0.6 kW 在冷卻與供電等基礎設施上；只有少數頂級的超大規模據點，才把 PUE 壓到 1.1～1.2，甚至更低。 生成式 AI 把熱密度推上新高，往往也意味著冷卻用電佔比直線上升，把整體 PUE 往上拉，讓「搶來的電」有更大一塊被浪費在空調上。
在這裡，液冷扮演的角色就很直接，用熱傳效率更高的方式，把熱從 GPU 和 CPU 身上帶走，降低冷卻系統本身的用電，讓更多電回流到 IT 負載，PUE 才有機會從 1.5 往 1.2、甚至更接近 1.1 靠攏。
液冷從加分題變成必修
其實液冷並不是新技術，但在 AI 世代，它從少數玩家採用的加分題，變成高密度 AI 機房幾乎必備的標配，關鍵原因在於，液體的熱傳導效率遠高於空氣，更適合處理單點功耗極高、熱密度極端集中的情境。
業界常見的液冷路線，大致可以分成兩種：
直觸式液冷（Direct‑to‑Chip）：讓冷卻板直接貼近 CPU、GPU 等熱源，把最難搞的「熱點」優先處理掉，其餘零組件則仍保留部分風冷。
浸沒式液冷（Immersion）：整台伺服器浸在絕緣冷卻液中，散熱效率最高，但對維運流程、供應鏈與設備設計的衝擊也最大。
在實務上，多數資料中心會從較容易落地的直觸式液冷切入，先讓散熱能力跟上 AI 機櫃密度，再逐步把冷卻架構從「空調主導」拉向「液冷優先」。
一個常被提起的門檻是，風冷系統在 20～30 kW／櫃附近就開始進入效率遞減區，風扇與空調用電會隨熱負載急遽放大，直到 PUE 卡在 1.5 左右下不來；Rubin 世代的 AI 機櫃卻往 300 kW 甚至更高推進，這種差距已經不是多裝幾台空調就能填平。 也因此液冷對資料中心的意義不只是機房變得比較涼，而是讓同一間變電所的容量，可以支撐數倍於過去的 GPU 算力密度，把「一度電」榨出更多有用的運算結果。
液冷要規模化，必須先有一顆心臟
一旦導入液冷，幾乎一定會出現另一個關鍵字—CDU（Coolant Distribution Unit，冷卻液分配單元）。
你可以把 CDU 想成液冷系統的「配電箱＋心臟」，一方面負責把冷卻液以合適的流量、壓力與溫度送到各個機櫃或伺服器，另一方面再把帶著熱回來的液體接住，完成熱交換與監控。
CDU 的重要性不只是有沒有液冷，而是決定液冷能不能被做成可量產、可維運、可擴充的工程系統。 液冷牽涉的不只是「多幾條水管」，還牽涉冗餘與可靠度設計（例如 N+1）、漏液偵測與風險管理、水質與腐蝕控制、壓力與流量調節，以及配合機房樓板載重與維修動線的管路規劃。
更關鍵的是，CDU 通常扮演建築端冷卻水（Facility Water System）與 IT 端冷卻液路（Technology Cooling System）之間的隔離閥與熱交換器，一方面把可能水質較差、壓力較高的建築用水隔離在外，另一方面用對 IT 更友善的配方與條件服務冷板與伺服器。 近年的 CDU 也愈來愈智慧化，透過大量感測點與控制演算法調整流量與供回水溫度，在實際案例中可以讓冷卻能耗再下降約一到兩成，進一步把 PUE 從 1.3～1.4 拉向 1.2 左右。
（Source：科技新報整理）
換句話說，CDU 把液冷這件事從「現場客製」變成「模組化工程」，讓資料中心可以像堆積木一樣複製與擴張，而不是每一個案場都要從頭畫一次水路與控制邏輯。
Rubin 散熱帶來什麼結構性改變？
當市場開始聚焦在 Rubin 世代這一類高密度 AI 系統時，真正的變化其實不在於某一顆晶片有多熱，而在於「熱管理」開始決定整個資料中心的系統設計。 Rubin 平台被預期將單卡功耗推向 2,000 W 以上，整櫃解決方案則瞄準 300～400 kW 的熱密度，散熱再也不可能靠補風扇、加空調硬撐，而是必須從架構設計階段就以直觸式液冷、後門熱交換器甚至高溫水路為前提。
這種轉向，至少帶來三個層次的結構性改變：
從「機房空調」轉向「機櫃熱管理」
過去，冷卻設計往往以「一個機房」為單位，講究的是房間裡的溫度、氣流與冷熱通道，但 AI 熱點高度集中在少數高功耗機櫃，冷卻能力不得不貼著機櫃走。 在 Rubin 等高密度平台的機櫃裡，GPU、網路交換器甚至電源模組，都被納入同一套液路與熱管理設計，冷卻單位變成一整櫃的「算力模組」，而不是一整間房。
電力與冷卻被綁在同一張工程圖
提高機櫃功耗，意味著必須同步拉升散熱能力；反過來，散熱架構的選擇又會回頭影響整體耗電、管路設計、維運人力與擴充節奏。 Rubin 這一類高密度方向，正在逼迫資料中心把「供電模板」與「液冷模板」一起標準化——新一代機房規劃，不再只標示每櫃 30 kW 的電力上限，而是同時給出「130 kW 供電＋直觸液冷＋CDU 供水」的整套模組化規格。
供應鏈價值重新排序：散熱變成交付能力的一部分
在電力與上線時程成為硬指標之後，液冷（包含 CDU、熱交換器、管路與監控）不再只是一個 CAPEX 成本項目，而是決定資料中心能否「準時交付算力」的核心能力。 從傳統做機房空調與風管的設備供應商，到專門提供冷板、CDU、軟管與智慧監控的液冷廠商，誰能提供對齊 Rubin 等高密度標準的一整套方案，誰就更有機會吃下下一輪 AI 機房的資本支出。
值得一提的是，Rubin 平台本身就以溫水直觸液冷為前提設計，支援接近 40～45 ℃ 的供水溫度，讓資料中心在多數氣候條件下可以大量採用自然冷卻（free cooling），減少對冷媒壓縮機的依賴，這一點直接反映在冷卻用電與 PUE 上。 散熱不再只是配角，而是決定整體能源經濟學的主角之一。
液冷如何有效解決用電問題？
把前面的線索串起來，可以更清楚看到為什麼液冷會被視為 AI 資料中心電力問題的關鍵解法。
第一，它能降低冷卻用電的占比。相較於在高熱密度下吃力運轉的風冷系統，高比例液冷搭配智慧化 CDU，可以在相同 IT 負載下，把用於冷卻的能耗壓低一到兩成，讓整體 PUE 從 1.5 一路拉向 1.2 甚至更好。
第二，它能提高「每度電的算力產出」。當散熱跟得上，機櫃熱密度才能從 20～30 kW／櫃往 100 kW、甚至 300 kW／櫃前進，在同樣的供電容量下塞進更多 GPU，實際吞吐的 AI 模型推論與訓練工作量自然跟著翻倍。
第三，它能把很多原本難以掌控的不確定性變成可預期的工程條件。透過 CDU 與液路模組化，把壓力、流量、水質與冗餘做成標準件，未來擴充機櫃或導入新一代像 Rubin 這樣的高密度平台時，資料中心不必每次重頭來過，導入時程與上線節奏會更可預測。
換句話說，AI 資料中心的電力戰場不只停留在「誰搶到電」，而是進一步競賽「誰能把有限的電用得更值」。 當供電條件成為選址的第一關，下一輪的關鍵差異，就會落在誰能用更成熟的液冷與熱管理，把有限電力轉換成更高密度、更快交付、也更具能源效率的算力。
（首圖來源：AI 生成）