近期，液冷方向不断走强，甚至让人有一种超越光模块、高端PCB的感觉。
其实目前大模型训练集群规模突破万卡、单机柜功耗跃升至百千瓦级，一个更底层、更刚性的瓶颈正在浮出水面：散热能力，已成为制约算力释放的物理天花板。
而液冷，正从可选配套加速蜕变为AI数据中心的“默认配置”。
从这方面来看，这一点跟光模块逻辑差不多，就是芯片功率越高，算力更强，那就需要更好的光链接，这也就是为什么要从800G，到1.6T，而这个方面就也会带来液冷的需求。
当前主流AI服务器平台（如NVIDIA GB200 NVL72）整柜功耗已达120kW，热流密度超过5kW/U。
而传统风冷架构的工程极限仅为20–30kW/柜——再往上，需指数级增加风扇数量、风压与冗余空间，导致PUE（能源使用效率）急剧恶化。
据MIT 2024年研究，当单芯片功耗突破700W，风冷系统的PUE将劣化至1.4以上，远高于液冷的1.05–1.1。
更关键的是，风冷无法随算力线性扩展。
每提升10kW功耗，风道设计、结构强度、噪音控制都面临非线性成本跃升。
而液冷通过直接接触芯片（冷板式）或全浸没冷却，热传导效率提升10–50倍，且PUE几乎不随负载变化。
这意味着：在万卡级AI集群中，不用液冷=无法稳定交付高密度算力。
这方面也可以全球头部云厂商动作来验证，谷歌、Meta等在其最新AI训练集群中全面采用液冷，并测算“若用风冷，需额外增加40%机房面积”，微软Azure则要求2025年起所有>50kW机柜必须预留液冷接口。
液冷的经济性拐点或已现过去液冷被视作“奢侈品”，因其初期CAPEX显著高于风冷。
但全生命周期视角下，逻辑正在反转：
根据市场机构测算，单AI机柜液冷方案成本约5–10万美元，为风冷的5–15倍；
但液冷可节省30–40%机房面积、降低25–30%电力消耗、减少50%以上运维人力；
更重要的是，GPU因温控稳定可持续满频运行，算力利用率提升15%，直接放大单位投资回报。
比如以一个10MW AI智算中心为例，液冷方案前期多投入约3000万，但5年带来的其他收益加起来反而出现经济性拐点。
渗透率加速方面，2023年液冷在AI服务器渗透率不足5%。
2024年Q2起，国内头部云厂商新建智算中心液冷比例已超25%。
2025年Q3其，全球头部云厂商新建智算中心液冷比例已超40%。
IDC预测，2026年全球AI服务器液冷渗透率将达35%–50%，对应市场规模从2023年的8亿美元飙升至50亿美元以上，三年复合增速超80%。
哪些方向可能受益大家要知道，液冷并非单一产品，而是一套高度集成的热管理系统。
其产业链可划分为三大层级，各具不同的技术壁垒、价值量分布与国产化节奏：
上游：高壁垒材料与核心部件
冷却液：尤其是用于浸没式的电子氟化液，占整套系统成本近40–60%，目前国产高纯氟化液、硅油等正快速验证，具备显著成本优势。
微通道冷板：直接贴合GPU/CPU，需精密蚀刻与焊接工艺，单块价值数百美元，是冷板式液冷的核心部件。
泵阀与快插接头：要求零泄漏、耐腐蚀、高频插拔，技术门槛高，但国产厂商已在中低压场景实现突破。
中游：系统集成与模块化方案
CDU（冷却分配单元）：作为液冷系统的“心脏”，集成换热器、水泵、控制器，占整柜价值30%以上。其智能化程度（如流量自适应调节、漏液预警）决定系统可靠性。
液冷机柜/Tank：尤其在浸没式方案中，需高密封性、耐腐蚀、承压设计，正向标准化模块演进。
下游：应用场景拓展
AI智算中心：当前最大需求来源，单项目规模或许可达数十亿元。
超算与科研装置：对PUE<1.1有硬性要求，天然适配浸没式液冷。
边缘计算节点、5G基站、储能系统、新能源车电驱：虽单点价值较低，但部署分散、总量庞大，将成为第二增长曲线。
写在最后如果说光模块是AI的“神经”，那么液冷就是它的“循环系统”，看不见，但或者至关重要。
当AI集群迈入“百兆瓦级”时代，谁掌握高效热管理能力，或许就会影响算力运行的能力。
这方面来看，液冷或许值得我们持续跟踪。
特别声明：以上内容绝不构成任何投资建议、引导或承诺，仅供学术研讨。
如果觉得资料有用，希望各位能够多多支持，您一次点赞、一次转发、随手分享，都是笔者坚持的动力~