如果走进一座正在运行的计算机房，人最先感受到的往往不是算力，而是风声。风扇不断转动，冷空气穿过服务器，把电子器件产生的热量带走。对于使用者来说，计算发生在屏幕上：一个问题得到回答，一段视频完成生成，一次模型训练向前推进。机房里那些持续运转的风扇、泵和换热设备，则让这些过程能够一直进行下去。我们已经习惯用芯片数量、计算速度和模型规模描述人工智能，却较少留意另一件事：电送进去了，最后形成的热量要怎样排出来？这个问题看似朴素，却会影响一颗芯片能以多高的频率运行、一台服务器能装下多少计算器件，以及一座数据中心能否在炎热的夏天维持稳定负载。
手机玩游戏时间长了会发热，笔记本运行复杂程序时风扇会突然加速，都是我们熟悉的经验。在大型计算系统中，同样的物理过程被放大，也被压缩进了更紧凑的空间。晶体管开关、电容充放电、电流经过互连，以及器件的漏电，都会带来能量耗散。随着更多计算单元被装进芯片，热量的产生位置也变得更加密集。此时，问题便不只是“总共发了多少热”，还包括“这些热集中在哪里”。同样的功率，均匀分布在较大的面积上，与集中在一个很小的区域，散热难度会明显不同。机房平均温度正常，不代表每台服务器都获得了足够的冷却；芯片平均温度不高，也不代表内部最繁忙的区域没有接近温度上限。决定系统能否继续提高负载的，有时恰恰是那个面积很小、却最难冷却的热点。
要理解散热为什么越来越难，可以先跟着热量走一遍。它从芯片内部的发热区域出发，经过衬底、封装中的不同材料和接触界面，进入散热盖、冷板或其他散热结构，再由空气或冷却液送往外部环境。具体结构会因产品而异，但有一点相通：热量必须经过一段连续的路径才能离开。沿途的材料厚度、导热性能、接触状况和换热条件，都会影响最终温升。工程上用“热阻”描述这种传热阻碍，在适当的简化条件下，相同功率对应的热阻越大，热源与冷却环境之间的温差就越大。因此，机房空调开得更冷，未必能有效解决芯片封装内部的问题；把水泵流量调大，也未必能弥补冷板与芯片之间不良的接触。必须先知道温差主要产生在哪一段，后续改进才有可能花在真正有效的地方。
这也解释了一个乍看有些奇怪的现象：很薄的一层材料，有时比一大块散热器更值得研究。两块表面看上去十分平整的固体，贴合后仍可能留下微小空隙，增加接触处的传热阻碍。导热硅脂、导热垫片以及其他热界面材料，要做的事情之一，就是改善这些接触。但它们又不能无限增厚，否则自身也会形成新的阻力。材料需要兼顾导热、柔顺性、装配压力和长期稳定性，还要经得住设备反复升温、降温所带来的变化。更深入到原子尺度，不同材料的振动特性和界面键合也会影响能量传递。于是“把两块导热材料放在一起”远没有听起来那么简单：材料本体的性能、接触处的质量，以及多年运行后的状态，必须放在一起考虑。
再往芯片内部看，日常生活中的传热直觉开始显得不够用了。我们知道金属勺放进热水会逐渐变热，也知道铜通常比许多其他材料更容易导热。在宏观尺度，这些现象可以用成熟的传热理论分析。但在硅等半导体中，热量的重要载体是晶格振动，物理学用“声子”描述这种振动的量子化激发。声子传播时会受到缺陷、边界及其他散射过程的影响，当器件的特征尺寸与相关声子的平均自由程相当，甚至更小时，直接采用宏观材料的热导率和常规导热模型，就可能低估或高估局部温升。这类研究并不遥远：如果温度预测出了偏差，热点位置判断不准，后续布局和冷却设计就可能建立在错误的条件上。工程师眼中的一个温度数值，背后可能需要材料物理、微观输运模型和实验测量共同支撑。
当芯片开始向三维方向发展，这条路径还会变得更复杂。把不同功能的芯片放得更近，甚至上下堆叠，可以缩短信号传输距离，提高集成密度，减少一部分互连开销。对于需要频繁交换数据的计算单元和存储单元，这很有吸引力。不过电子连接变得紧凑之后，热量也可能更加集中。不同层的发热会相互影响，内部器件到外部冷却边界的距离可能增加，热量经过的材料和界面也随之变化。实际结果取决于具体结构，不能简单地说多堆一层就增加多少温度，但设计上的矛盾已经很清楚：有利于信号传输的布局，不一定同时有利于散热。高功耗单元应该放在哪一层，上下两层的热点能否错开，哪里需要预留导热结构，这些问题必须在设计早期就得到考虑。
过去人们容易把散热理解为产品设计完成之后的工作：芯片做好，选一个合适的散热器，空间不够再想办法调整。对于高密度集成系统，这样的余地正在缩小。电互连需要空间，散热通道同样需要空间；封装既要满足电气连接，也要承受温度变化带来的机械应力。等所有布局都确定之后再处理热问题，往往只剩下代价很高的修改。让冷却结构更靠近发热区域，因此成为一个值得探索的方向。微流道、近结点冷却等技术，试图让冷却介质在更接近热点的位置流动，减少热量到达冷却液之前经过的距离和界面。不过，越接近芯片内部，制造、密封、流动分配和可靠性之间的联系就越紧密。实验中把温度降下来，只是开始；能否稳定制造、长期运行、方便维护，决定了技术最终能走多远。
新材料也面临类似的考验。金刚石、石墨烯、氮化硼和砷化硼受到关注，各有不同的原因，有的导热性能突出，有的兼具电绝缘特性，有的展现出热输运与电输运性能结合的潜力。但一项材料研究中的漂亮数据，不能直接变成设备的散热能力。首先要看方向：某些材料沿平面方向导热很快，沿厚度方向却可能差得多，而器件需要的恰好可能是后者。其次要看界面：热量能否顺利进入这块材料，又能否从另一侧离开。还要看热膨胀是否匹配、加工过程是否兼容、反复冷热循环后是否开裂或脱离，以及成本能否被产品接受。评价材料时，真正有意义的问题是它改善了哪一段热路径，以及这种改善装进实际设备后还能保留多少。仅凭一个最高热导率数字，很难回答这些问题。
从芯片走到机柜，传热问题又换了一种面貌。风冷需要让足够的空气穿过发热部件，再把热空气送往换热设备。随着单位空间内的热负荷增加，风机需要克服更大的流动阻力，气流分配也更难处理。空气可能绕过需要冷却的部件，热风可能重新进入设备进风口，某一处设计不佳便会影响整台服务器甚至相邻机柜。继续增加风量当然是一种办法，但还要付出能耗、噪声和空间上的代价。液体具有较高的体积热容，能够通过相对紧凑的流路搬运大量热量，因而在高密度计算场景中越来越受重视。这里没有一条适用于所有机房的分界线，不能说机柜功率一旦超过某个数字，风冷就必然失效。更实际的判断是：在既定空间、温度要求和运行成本下，怎样组织冷却更合理。
液冷也不是一种固定方案。常见的冷板液冷，是让液体在贴近高功耗器件的冷板内部流动，液体与电子器件之间仍有固体壁面隔开。它可以有针对性地处理主要热源，而服务器中的其他部件根据需求采用空气冷却或其他方式。浸没液冷则改变了设备与冷却介质接触的方式，让适合浸没的电子设备与介电冷却液直接接触。前者需要考虑冷板、接头、管路和流量分配，后者则把材料相容性、槽体设计、设备取放和维护流程带入了系统设计。两者都不能只比较“能带走多少热”，还要看服务器的形态、原有机房条件、维修习惯和长期成本。对已经投入运行的机房来说，改造是否影响业务、设备能否分阶段替换，甚至可能比某个单独的换热指标更重要。
冷却介质是否发生相变，又形成了另一种区分。单相系统主要利用液体升温来携带热量，两相系统则利用液体汽化时吸收的潜热。后者具有强化换热的潜力，但沸腾过程远不只是“液体变成气体”这么简单。气泡在哪里生成，能否及时离开，蒸汽排出后液体能否补上，各条流路之间会不会相互干扰，都影响系统表现。如果局部表面得不到足够的液体补给，换热可能恶化，温度反而迅速上升。因此，实验室中的高换热能力，需要与实际运行中的稳定性一起评价。对一座持续承担计算任务的数据中心来说，冷却系统既要在满负荷时工作，也要应对负载变化、设备检修和部件故障。成熟的工程方案，往往体现在这些不显眼的时刻。
热量进入冷却液，并不代表散热工作已经完成。液体还要经过管路和换热设备，把热量交给设施侧的冷却系统，最终排向外部环境。一块冷板表现很好，如果后续换热能力不足，芯片温度仍然会受到影响；服务器内部完成了液冷改造，如果设施侧没有相应调整，也未必能获得预期收益。甚至冷却温度都不是越低越好：在满足设备可靠性要求的前提下，合理提高供液温度，有时可以减少制冷负担，但同时要考虑芯片温度余量、环境条件和系统控制。热管理因此需要一笔完整的账，把芯片端、机柜端和建筑端的能耗放在一起计算，而不能让每个环节各自追求一个看上去最漂亮的指标。
数据中心常用的PUE，便是在设施层面观察这笔账的一种方式。它是同一统计周期内数据中心总能耗与IT设备能耗的比值，反映冷却、供配电等非IT环节消耗了多少额外能源。假设一座数据中心全年平均IT负载为10兆瓦，持续运行8760小时，在IT用电相同的条件下，全年PUE从1.5降到1.2，平均总功率便会从15兆瓦降至12兆瓦，全年用电差额约为2628万千瓦时。如果再假设综合电价为每千瓦时0.6元，对应的年度电费差额约为1577万元。这只是按给定条件进行的算例，并不代表某种冷却技术必然能够带来这样的收益，但它说明了运行规模和时间的累积效应。真正评估一个改造项目，还要计入采购、停机、维护、耗材、用水和冗余设施等成本。
不过PUE也有它回答不了的问题。服务器即使利用率不高，设施仍然可能拥有一个不错的PUE；同样的计算任务，如果算法或硬件效率不同，所需的IT用电也可能差别很大。因此，低PUE不能独立代表计算系统的整体高效。对于使用算力的人，更有价值的问题是：完成一定数量、一定质量的任务，总共需要多少能源和费用，能否按时完成，运行是否稳定？散热能力会影响这些答案。当设备因局部过热频繁降频时，参数表上的性能便难以持续兑现；当冷却设计能够匹配实际负载时，已有设备才更有机会保持稳定输出。热管理的经济价值，既体现在辅助能耗上，也体现在昂贵的计算设备究竟被使用得怎样。
还有一些改进，并不一定来自更换硬件。任务在什么时候运行、被分配到哪个计算单元，也会影响温度分布。如果高负荷长期集中在少数核心或几个相邻机柜上，就可能形成局部压力；在业务条件允许时，结合温度与功率信息调整负载，有机会减少这些局部约束。动态电压频率调整、温度感知调度以及冷却系统控制，便在这里发生联系。但软件不能凭空消除计算产生的热量，调度也不是把任务搬到温度最低的地方就结束了。数据传输、任务依赖、时延要求和迁移开销都需要考虑。更麻烦的是，不同环节的变化速度不同：芯片负载可以快速波动，液体循环和建筑冷却设备的响应却通常更慢。控制系统需要分辨哪些变化值得立即响应，哪些短时波动可以由现有余量吸收，否则局部优化可能给其他环节增加负担。
这些问题把许多原本分开的专业带到了一起。材料研究者需要知道热量实际要沿哪个方向传递，封装工程师需要了解长期温度循环的条件，芯片设计人员需要提前考虑热点与热路径，设施团队则需要掌握服务器真实的运行需求。运维数据也很重要：实验中没有出现的接触退化、流量分配偏差或维护困难，可能在长期运行后逐渐暴露，再反过来影响下一代产品设计。这种协作并不要求一个人从声子输运一直精通到冷却塔选型，但要求不同团队能够说清楚自己的边界条件，并理解一个环节的变化会给其他环节带来什么。很多时候，系统性能的提升就来自这些衔接处，而不是某个孤立部件的大幅突破。
算力建设仍会追求更快的芯片、更高效的模型和更紧密的互连，热管理也将随之进入更多设计决策。设备能放得多密，冷却结构要占多少空间，哪些材料值得采用，机房如何改造，都需要把热量的去向考虑进去。热量看不见，却会在温度、频率、寿命和电费上留下清楚的痕迹。回到文章开头那座机房，屏幕上的计算结果与管路中的液体流动，其实属于同一套正在工作的系统。芯片的能力最终要在那里接受检验：连续运行数小时、数天乃至更长时间之后，它能否仍然稳定地完成任务。热管理所要解决的，就是让这种稳定成为可以设计、测量和保证的工程能力。
标签： 点击： 评论: