机房费不费水，看的是哪个环开着
上一篇聊了数据怎么在几万张 GPU 之间跑通。芯片吃进去的电，算完乘法和加法、发完网络包之后，能量去哪了？除掉顺着光纤跑掉的那一点微弱光信号，吃进去的每一瓦电，最后全变成了热。
这些热要是排不出去，芯片很快就会过热降频。这两年聊起 AI 机房，大家常讲两件事。一件是风冷已经死了，全得改液冷。另一件是 AI 机房特别费水，能把周围社区的水抽干。
把散热管路从芯片一路拆到楼外，你会发现这两件事都不能只看表面。风冷退居二线，是因为空气的物理属性扛不住高密度机柜。一座机房费不费水，光看机柜里有没有上液冷也看不出来，得看散热管路上哪一个环路向大气敞开。机柜里的冷却液哪怕一滴不漏，楼外的冷却塔照样可能每天蒸发掉几百万加仑水。
为什么风冷在物理上输给了水
流体带走热量的本事，全写在一道热力学算式里，Q̇ = ṁ × cp × ΔT。算式左边的 Q̇ 是每秒搬走的热功率（瓦特），字母顶上的圆点代表对时间求导。右边的 ṁ 是每秒流过的流体质量（千克每秒），cp 是比热容，ΔT 是流体进出时的温升。
拿空气和水往这条算式里一代，风冷为什么败下阵来就一清二楚了。先看比热容 cp，也就是让每千克物质升温 1 摄氏度能装下多少热量。空气的比热容大约是 1.005 kJ/(kg·K)，水大约是 4.18 kJ/(kg·K)。光按重量算，同样一千克的水，能装下的热量就是空气的约 4.2 倍。
再看密度，差距就更悬殊了。水的密度是每立方米 1,000 千克，空气只有大约 1.2 千克。算下来，水的密度大约是空气的 830 倍。
把比热容和密度乘到一块，咱们算一笔 Kian 课上的账。假设要从一个 100 kW 的机柜里把热搬走，允许流体升温 10 °C。如果拿风去吹，每秒得吹过大约 9.95 千克的空气，折算成体积是每秒约 8,300 升。
要是换成水去吸这 100 kW 的热，每秒只需要流过约 2.39 千克水，体积也就是每秒约 2.4 升。一边是每秒两升多一点的水，一边是每秒八千多升的空气。同样带走 100 kW 的热，需要的空气体积大约是水的 3,500 倍。
同样从 100 kW 的机柜里带走热、允许升温 10 °C，空气每秒要约 8,300 升，水每秒只要约 2.4 升，空气体积大约是水的 3,500 倍
除了总瓦数往上涨，芯片表面的热流密度（heat flux）也在给风冷加压。Kian 举过一个假设的算例。同样是 400 W 的发热，平摊在 4 平方厘米的裸片上，每平方厘米是 100 W。
要是把这 400 W 缩到 1 平方厘米上，热流密度就到了每平方厘米 400 W，单位面积上要拔走的热是原来的 4 倍。
Kian 给这一章起了个很唬人的标题，叫「风冷已死」。放在百千瓦级的 AI 机柜上，这话没说错，放到全行业就没那么绝对。按 Uptime Institute 的说法，贴着机柜的近端风冷（close-coupled）大概能撑到单柜 50 kW 左右，再往上一般就得用液冷。今天全世界大多数 IT 设备还是靠风扇吹。就算上了液冷的 AI 机柜，也还有一成多的热得靠空气带走。
上了冷板，机柜里还有一成多的热要靠风
拆开一台前沿 AI 机柜，贴在 GPU 和 CPU 顶上的第一道散热件叫冷板（cold plate）。按冷板供应商的介绍，英伟达 GB300 的冷板是镀镍铜做的。每块冷板都通过快插接头（quick disconnects）接到管路上，拔托盘时不用把管路里的水放空。
冷板的水路走法也在一代代改。按供应商的说法，GB200 的冷板还是串并联混着接，到了 GB300，每个计算节点加了单独的分水歧管。在 Kian 放的一张德州 Abilene 机房照片里，机柜顶上并排走着两根粗管子，蓝的送冷水，红的收热水。
有了冷板，为什么还得留风扇？冷板一般只盖住最热的那几颗芯片，板子上其他元件的热还是散进空气里。Kian 算过一个 100 kW 机柜的例子。假设 85% 的热（85 kW）被冷板里的液体带走，剩下 15 kW 散进空气。机房再配一台 20 kW 的精密空调（CRAH），留出 5 kW 余量。
真实机柜的比例跟这个算例很接近。慧与（HPE）给 GB200 NVL72 列的参数是整柜 132 kW，其中 115 kW 走液冷，17 kW 靠风。
算下来液冷吃下了约 87% 的热。厂商给 GB200 NVL72 出的参考设计里，还常在机柜后面挂一扇背门热交换器（rear-door heat exchanger）。它像汽车水箱一样装在排风口，热风吹过盘管，热量又交回给液体。
你大概还听说过浸没式液冷（immersion cooling）。它干脆不用冷板，把整台服务器泡进不导电的介电液体（dielectric fluid）里。单相浸没用的多是矿物油这类碳氢化合物，液体只升温不沸腾。两相浸没让低沸点液体在芯片表面烧开，蒸汽升到顶上碰到冷凝管再变回液体，热就这么带走了。
两相浸没前些年有不少人看好，最近却碰上了货源问题。这类系统多用 3M Novec 这类含氟液体，属于全氟和多氟烷基物质（PFAS）。3M 在 2022 年底宣布退出 PFAS，2025 年底停了产，两相冷却液的供应跟着受了很大影响。Kian 的看法是，浸没式在今天的大型 AI 机房里分量不大。
决定芯片死活的往往是接触面和水速
把冷板扣在 GPU 上，往里灌凉水就完事了吗？没这么简单。热量从芯片里出来，要依次穿过硅片、导热界面材料（TIM，比如硅脂或相变片）、芯片顶盖和冷板底座，最后才进到水里。
这一整条路径对热流的阻碍，合起来叫热阻（Rθ，单位是 °C/W）。温差等于热功率乘热阻，写成算式是 ΔT = P × Rθ。比如总热阻是 0.2 °C/W，一颗 100 W 的芯片就得比冷却水高 20 °C，才能把热推出去。
热阻属于从芯片到水的整条路径，还跟水流状况有关，单看芯片或铜板说明不了问题。Kian 在课上拿两颗同样 400 W 的芯片算过对比账。假设喂给它们的冷却水都是 35 °C，降频红线都是 80 °C。
第一颗的冷板压得紧、硅脂涂得匀，整条路径的热阻是 0.08 °C/W。400 W 乘下来温升 32 °C，加上 35 °C 的水温，芯片停在 67 °C，离红线还远。
第二颗比如硅脂里混了气泡，或者螺丝没拧平，热阻涨到 0.12 °C/W。温升变成 48 °C，芯片冲到 83 °C，比红线高了 3 °C。进水温度一模一样，这颗却已经过热降频了。所以接触面贴没贴严，往往比水再凉几度更要紧。
热进了水，接下来看流量。回到 Q̇ = ṁ × cp × ΔT，cp 基本只能靠换冷却液来改。机房常往水里掺二醇（glycol）防冻，CoolIT 拿来做对比的就是含 25% 丙二醇的 PG25。这种混合液每千克装的热比纯水少一点，同样功率要的流量就得稍大一些。
剩下的就是流量 ṁ 和温升 ΔT 的跷跷板。按课上的算例，100 kW 的热喂给每秒 2.5 千克、35 °C 的纯水，水温升 9.57 °C，出水 44.57 °C。
把水泵开大，流量翻倍到每秒 5 千克，温升就砍半，约 4.8 °C。那干嘛不把水泵开到最大，让水温几乎不动？因为水在管子里湍流流动时，沿途的压降（pressure drop）大致跟着流量的平方涨。流量翻一倍，水泵要顶的阻力差不多变成 4 倍，耗电跟着猛涨，我猜接头漏水的风险也会跟着上去。
这里还有一个运维里很容易把人骗到的仪表坑。看水路健不健康，不能只盯着水泵出口的压力表，得看流量计。管路里的滤网（strainer）要是被杂质堵了，系统的阻力曲线会变陡。
拿 Kian 的例子说，平时每秒流 2 升水，压力表读 120 kPa。滤网堵了以后，压力表反而涨到 140 kPa，实际流过去的水却掉到每秒约 1.4 升。光看压力表会以为水泵干得正起劲，其实芯片已经缺水了。
Kian 还讲过一个更隐蔽的读数骗人的例子。总控室的仪表盘上，送往各排机柜的供水温度是正常的 30 °C，B 排最热的一颗 GPU 却已经到了 85 °C，超了 80 °C 的红线。
供水温度没变，芯片怎么烧高了？问题出在 B 排的流量，从每秒 100 千克掉到了 50 千克。这一排有 2.09 MW 的发热，正常流量下水温只升 5 °C，回水 35 °C。
流量砍半后，同样的热把回水顶到了 40 °C。流量刚掉下去那一下，水带走的热骤减，芯片温度开始往上蹿。等芯片和水的温差大到能把热重新推出去，系统才停在一个新的平衡点。这个平衡点很稳定，只是对芯片来说太烫了。
反过来，往一排机柜里加新任务，也得先算回水温度和流量上限。课上的 Row C 算例里，C 排原本跑着 2.09 MW，每秒通 100 千克 30 °C 的水，回水 35 °C。
设备允许的回水上限是 40 °C。这时候想再塞一个 2.5 MW 的新任务，总热负荷变成 4.59 MW。不调水泵的话，每秒 100 千克水在上限内最多扛 4.18 MW。
硬塞进去，回水会冲到约 41 °C。想不超温，总流量得提到每秒约 110 千克，也就是多加约 10 千克。
水路和冷机都有热惯性，派任务还得守一条先开冷气、后跑任务的规矩。Kian 算过一笔时间差的账。假设大厅正跑着 4 MW 的发热，冷机开着 5 MW 的制冷量，这时候派下来一个 2 MW 的新任务，总发热要涨到 6 MW。
多出来的冷机从启动到满载要 3 分钟。直接把任务拉起来，这 3 分钟里就有 1 MW 的热没人管。稳妥的做法是先把制冷量拉到 7 MW，等水温压住了再放任务进来。
把机柜内圈的冷却液（TCS）和大楼外圈的设施水（FWS）隔开的，是冷却液分配单元（CDU）。两圈液体在换热器里隔着金属片传热，从不掺在一起。送进机柜的冷却液温度减去送进 CDU 的设施水温度，叫 CDU 的逼近温差（approach），厂家标称一般在 4 到 5 °C。
拿液冷厂商 CoolIT 的 CHx2000 来说，按官网参数，在 5 °C 逼近温差下，一台能搬走 2 MW 的热，在 35 psi 压头下每分钟泵 2,125 升冷却液。
这家公司 2001 年在加拿大卡尔加里起家，最早做的是游戏电脑水冷。后来 AI 机柜把液冷做成了大生意。2023 年 KKR 把它买下，据报道花了约 $2.7 亿。2026 年，艺康集团（Ecolab）又花约 $47.5 亿把它收了。
CDU 自己也得做冗余。假设一个分区有 1,000 kW 的发热，买 2 台 600 kW 的 CDU 并联，总共 1,200 kW，这只能算 N。因为坏一台，剩下的 600 kW 兜不住 1,000 kW 的热。
要做到坏一台也不受影响的 N+1，得摆 3 台，总共 1.8 MW。要做两路互相独立的 2N，就得配 4 台，共 2,400 kW。要是只配了 2 台又坏了一台，控制系统会切进降级模式（degraded mode），主动砍掉一部分 IT 负载，把热压回 600 kW 以内。
热量怎么排进大气，机房到底费不费水
设施水从 CDU 接过热，出了楼还得把热排进大气。室外散热大体三条路，干冷、湿冷和带压缩机的冷水机组。机房费不费水、夏天怕不怕热浪，都在这一步定下来。
第一条路是干冷器（dry cooler）。原理跟汽车水箱一样，热水在封闭的翅片盘管里流，大风扇在外面吹。干冷器里的水完全封闭，平时一滴不蒸发。但热力学第二定律卡着它，风吹盘管最多只能让水温往室外的干球温度（dry-bulb temperature）靠。再算上盘管自己的逼近温差，出来的水总比室外气温高几度。
跟着 Kian 算一笔大热天的账。假设芯片要求进机柜的冷却液不超过 35 °C，CDU 的逼近温差按 5 °C 算，设施水就得以 30 °C 进 CDU。到了室外 35 °C 的大夏天，纯干冷器连 35 °C 的水都送不出来，30 °C 就更别想了。
想在 35 °C 的天不开压缩机就把水压到 35 °C 以下，就得走第二条路，湿式冷却塔（wet cooling tower）。冷却塔把水喷淋在填料（fill）上，让一小部分水蒸发掉。水蒸发会吸走大量的热，所以冷却塔能把水冷到多低，要看湿球温度（wet-bulb temperature）。
只有空气相对湿度到 100%、水再也蒸发不动时，湿球温度才等于干球温度。空气只要没那么潮，湿球温度就比干球温度低。
同样是 35 °C 的大热天，干燥地区（相对湿度约 32%）的湿球温度可能只有 22 °C，闷热的桑拿天（相对湿度约 59%）就会到 28 °C。
Kian 在课上对比过这两种天气。冷却塔的水直接碰室外空气，多半不干净，中间通常还要再加一道换热器，整条水路就成了机柜回路、设施回路、冷却塔回路三个圈。每过一道换热器，都要再让出一截逼近温差。湿球 22 °C 的干热天，送进机柜的水还能压在 35 °C 以内。湿球 28 °C 的闷热天，几道温差叠上去，水温就过线了。
冷却塔也是真费水。水不停蒸发，剩下的水里矿物质越来越浓，结了水垢会堵换热器。所以冷却塔得一边补新水（makeup water），一边把浓缩的水排掉（blowdown）。按美国能源部（DOE）的指南，靠水处理让水多浓缩几轮再排，浓缩倍数从 3 提到 6，补水能省约 20%，排污水能少一半。
有没有办法平时不费水，只在最热那几天借一点蒸发的力？这就是绝热预冷（adiabatic assist）。底子还是一台干冷器，盘管里的水不碰空气。到了最热的那几天，室外热风先穿过一层打湿的湿帘（wetted pad）或者一道水雾。水在空气里蒸发，把空气温度压到湿球温度附近，再去吹盘管。一年里只有高温天才耗水。
要是又热又潮、湿球温度也下不来，或者机房干脆不想蒸发水，就只剩第三条路，上带压缩机的冷水机组（chiller）。冷水机组像一台超大号空调，靠制冷剂和压缩机做功，把热从低温处泵到高温处。外面再热，它也能造出冷水。
代价是压缩机要吃电，吃进去的电也变成热，得一起排出去。按课上的算例，机柜出 10 MW 的热，压缩机再吃 2 MW 电，室外盘管就得排 12 MW。冬天天冷时，机房会关掉压缩机，切进自然冷却模式（economizer mode），只靠风扇和水泵。
衡量冷水机组省不省电的指标叫性能系数（COP），就是搬走的热除以吃掉的电。压缩机只是在搬热，用不着自己造热，所以搬走的热比吃进的电多好几倍，COP 一般大于 1。典型满载工况下，风冷式冷水机组的 COP 大约 2.5 到 3.7，水冷式大约 4 到 6.5。室内外温差越大，压缩机越费劲，COP 就越低。
所以在供电卡死的机房，大热天会直接逼着砍算力。Kian 算过一笔示意账，里面的 COP 取了偏乐观的整数，方便口算。假设机房总供电上限是 10 MW，平时跑 8 MW 的 IT 负载，另有 0.4 MW 的水泵、照明等杂项。
凉快天里，假设制冷的等效 COP 有 8，搬走 8 MW 的热只要 1 MW 制冷电。加上 8 MW 的 IT 和 0.4 MW 杂项，全站 9.4 MW，在 10 MW 以内。
到了大夏天下午，冷机 COP 掉到 4，同样搬 8 MW 的热就得吃 2 MW 电。全站冲到 10.4 MW，超了 400 kW。
为了不跳闸，机房只能给 GPU 降频或者砍任务，把 IT 负载压到 7.68 MW。配上 1.92 MW 制冷电和 0.4 MW 杂项，刚好 10 MW。
机房吐出这么多废热，为什么不卖给隔壁供暖？Kian 讲到了这里的供需错配。假设一座机房全天吐 4 MW 的热，旁边有家医院想买，人家可能只在半夜到早上 6 点要 2 MW。其余时间和多出来的热，机房还是得配齐室外散热设备排掉。
北欧的区域供暖做得算好的，废热也用不完。芬兰能源公司 Fortum 在 2026 年 5 月开始接收微软在 Espoo 和 Kirkkonummi 两处机房的废热，预计最终能满足当地约四成的区域供暖需求，覆盖约 25 万用户。可一年下来只有约 75% 的废热用得上，因为夏天没人要暖气。
把三条路的账摊开，再看「数据中心抢水」这场争论，就清楚多了。宣传里常强调自家用的是闭环液冷（closed-loop），冷却液常年不用换。可机柜里那一圈本来就是封闭循环。机房费不费水，要看楼外散热那一圈有没有开口蒸发。
热量顺着一串环路往外走：封闭的机柜回路在 CDU 把热交给设施回路，设施回路最后要么接干冷器，封闭不蒸发，要么接湿式冷却塔，向大气开口、天天蒸发水
孟菲斯的 Colossus 是个现成的对照。2026 年 3 月，xAI 的一位工程师对《Governing》说，Colossus 有一套永远不用换水的闭环，外面的开环每天却要用大约 300 万加仑水。
德州 Abilene 的 Stargate 园区走了另一条路。按开发商 Crusoe 的说法，园区的设施水是闭环，室外用风冷式冷水机组把热排进空气，散热环节不耗水。Crusoe 说园区 8 栋楼，每栋建成时要从市政管网一次性灌约 100 万加仑水，合计 800 万加仑。之后每栋每年大约补 5 万加仑维护用水。
微软从 2024 年 8 月起，所有新数据中心设计都改用建设时一次性注水的芯片级闭环冷却，不靠蒸发散热。微软说这样每座机房每年能省下超过 1.25 亿升水，2026 年在凤凰城和威斯康星州 Mount Pleasant 试点。
Crusoe 在博客里说，这种系统维护成本更高，这么大规模很少有人用，他们是为了负责任地用水才主动扛下这笔开销。Kian 的解读就辛辣多了，他觉得这里面有一半是漂绿（greenwashing）。
在 Kian 看来，在干旱的西德州要是用水冷冷机配蒸发塔，马上会招来当地社区反弹。而且长远看，只交电费可能比买水更划算。反过来，省下的水是拿电换的。典型的风冷冷水机房大约每冷吨耗 1.5 kW 电，水冷的大约 0.85 kW。
至于「AI 数据中心快把美国的水喝光了」，Kian 觉得这话至少放在零蒸发的风冷机房上站不住脚。放到全美的大盘子里看，美国实际消耗掉的淡水（consumptive use）里，大约 80% 用在农业。按取水量（withdrawals）算，灌溉只占约 37%。
还有一笔账在电厂那头。劳伦斯伯克利国家实验室（LBNL）2024 年的报告估算，2023 年全美数据中心在机房里直接用掉约 170 亿加仑水，发电给它们用又间接耗掉约 2,110 亿加仑。所以算一座机房的用水，它背后那份电在电厂里耗的水也得算进去。
发电机还在转，机房却因为热浪和断水停摆了
在机房的可靠性账本上，散热跟供电一样要紧。备用发电机和 UPS 把电保得再好，散热一断，服务器撑不了多久也得关机。
Kian 讲过多伦多的一场水灾。多伦多在安大略湖北岸，市中心有一套深湖水冷却系统（Enwave 运营的 Deep Lake Water Cooling）。管子伸到离岸约 5 公里、水深 83 米的湖底，抽上来的水常年 4 °C 左右，给市中心 80 多栋大楼降温，其中也有数据中心。湖水先进岛上的过滤厂，再到约翰街泵站过一道换热器，把冷量交给 Enwave 的管网，然后才进城市自来水系统，两边的水不混。
2013 年 7 月 8 日傍晚，一场暴雨让多伦多约 30 万户停了电。市中心的 151 Front Street West 是多伦多主要的电信枢纽，楼里住着一大批运营商和数据中心租户，当场断了市电。大楼切到备用发电机，机柜的电保住了。
麻烦出在冷水上。备用电保住了机柜，却保不住大楼依赖的外部冷水。冷水供应商自己的供电也出了问题，大楼部分区域没了冷却，机房温度一路往上走，后来 Enwave 调来一台应急冷机才稳住。按 Kian 引用的一份现场记录，有一间机房温度超过了 43 °C，运维人员关掉非必要设备，把业务往外迁。
外面的冷水就算没断，机房自己的冗余冷却在极端高温天也可能一起出问题。2022 年 7 月 19 日伦敦热浪，Google Cloud 伦敦的 europe-west2-a 可用区就栽在散热上。按 Google 事后的故障报告，室外温度极高，这个可用区的多套冗余冷却系统同时出了故障。
为了防止硬件过热损坏，Google 主动关掉了可用区里的一部分机器。冷却修好用了 4 小时 8 分钟，服务恢复又花了 14 小时 15 分钟，客户受影响前后共 18 小时 23 分钟。
热也会悄悄影响算力。Meta 在 Llama 3 的论文里提过，就算机房没出故障，下午天热时 GPU 的动态调频调压（DVFS）行为会变，整个集群的训练吞吐会比夜里低 1% 到 2%。落到你自己用 AI 上，我猜在供电已经顶满的园区，大夏天下午冷机多吃一截电，调度系统多半会先压后台批处理这类不急的任务。你调 API 时大概率感觉不到，但那几个小时里这座园区能跑的算力很可能会少一截。
到这里，电、数据、热三根管子就拆完了。最后一篇把这些千瓦和升每秒折算成美元，拆开一张 GPU 每小时的租金账单。最后再回到德州 Abilene，看燃气轮机、自建的配电设备工厂和风冷冷机是怎么拼进同一座园区的。
本系列整理自 freeCodeCamp 上 Kian（@neuralkian）的课程「Inside an AI Factory – Power, Cooling, and GPUs Explained」（课程原名 From Watts to Tokens，讲义在 kiankyars.github.io/gigawatt）。框架和大部分例子是 Kian 的，我按主题重新编排、核对了数字，理解有偏差的地方锅在我。文中提到的公司只是例子，不构成任何投资建议。