关注公众号，点击公众号主页右上角“ · · · ”，设置星标，实时关注旺材芯片最新资讯

过去，液冷主要解决高功率GPU的散热需求；而进入2026年以后，随着NVIDIA Blackwell、Rubin等新一代AI计算平台向更高功率、更高机柜密度发展，液冷正在向Rack级、Pod级乃至整个AI数据中心工厂基础设施延伸。

其中，一个值得关注的变化是：高温液冷正在成为下一代AI数据中心的重要技术路线。

通过提高冷却液供液温度，数据中心可以减少机械制冷系统运行时间，在适合的气候和系统设计条件下进一步降低制冷能耗，同时减少冷却塔等基础设施的用水需求。

从产业链来看，冷板、CDU、快速接头（QD）、机架式歧管以及液冷服务器整机正在成为AI数据中心液冷市场的重要价值环节。

一、45℃高温液冷：AI数据中心冷却架构正在发生变化

传统数据中心通常依赖较低温度的冷冻水系统，通过CRAC、CRAH等设备将机房环境维持在适合服务器运行的温度范围。

但对于新一代AI数据中心而言，GPU和AI加速器的功率密度快速提升，仅依靠空气冷却已经越来越难以满足高密度计算需求。

液冷的优势在于可以直接将热量从GPU、CPU等高热流密度芯片附近带走，大幅减少对空气循环和风扇系统的依赖。

进一步提高液冷系统的供液温度，则可以改变数据中心传统的制冷逻辑。

当冷却液温度足够高时，在部分环境条件下可以更多使用自然冷却、干冷器或其他低能耗散热设备，从而降低机械制冷需求。

因此，45℃级高温液冷的意义并不只是“液体更热”，而是数据中心冷却系统从传统机械制冷向高温自然冷却方向转变。

对于AI Factory而言，这种变化可能带来几个直接价值：

• 降低机械制冷系统运行负荷
• 减少冷却系统辅助能耗
• 改善数据中心PUE
• 降低部分场景下的水资源消耗
• 提升高功率GPU机柜的散热能力
• 为更高密度的Rack级AI计算提供基础

需要注意的是，45℃并不意味着所有服务器内部元件都直接工作在45℃环境中。实际系统仍需要通过冷板、CDU（冷却分配单元）、分液器（或歧管）以及控制系统对液体温度、流量和压力进行精确管理。

因此，高温液冷真正考验的是整个液冷系统的热设计能力，而不仅仅是冷却液本身。

二、NVIDIA液冷路线：从GPU散热走向Rack级液冷

AI服务器液冷技术正在经历一个明显的架构升级。

早期液冷方案主要集中在GPU或者CPU芯片，通过冷板实现直接芯片冷却。

这种方案解决了芯片热量传导问题，但当AI服务器功率进一步提升后，单纯优化GPU冷板已经无法解决整个Rack的热管理问题。

未来的系统需要同时考虑：GPU → 服务器 → 歧管 → CDU → 设施冷却系统

也就是说，液冷系统正在从单一部件演变为完整的热管理基础设施。

新一代AI平台推动液冷进一步向Rack级和Pod级架构发展。以NVIDIA下一代AI基础设施为代表，高密度GPU计算正在推动液冷从“服务器内部方案”升级为“整机柜基础设施”。

这也意味着：液冷正在从服务器配套技术，逐渐成为AI数据中心基础设施的重要组成部分。

对于液冷产业链而言，这种变化非常关键。

过去，一套液冷方案可能只需要解决GPU Cold Plate和管路设计；未来则需要同时解决CDU容量、Rack Manifold设计、快速接头可靠性、管路压降、漏液监测以及系统级控制等问题。

三、Cold Plate竞争升级：从传统流道设计走向微结构技术

冷板仍然是Direct-to-Chip Liquid Cooling的核心组件之一。

传统冷板通常采用铜或其他高导热材料，通过铣削、钎焊、真空焊接等方式制造内部流道。

随着GPU热流密度继续提升，传统流道设计开始面临新的挑战。

例如：

• GPU局部热点更加集中
• 热流密度持续提高
• 冷却液流量不能无限增加
• 泵功率和系统压降需要控制
• 冷板尺寸受到服务器空间限制

因此，下一代冷板的竞争重点正在从简单的“增加流量”转向提高单位流量下的换热效率。

Frore Systems推出的LiquidJet等技术，就是这一方向的典型探索。

其核心思路是通过更加精细的微结构，将冷却液精准引导至GPU高热流密度区域，在减少冷却液需求的同时提高局部换热效率。

从产业技术路线来看，未来冷板可能逐渐出现三方面变化：

1. 从传统流道向微结构流道发展

传统平行流道、蛇形流道等方案仍然具有较高的工程成熟度，但面向更高热流密度的GPU，微结构、喷射式以及局部强化换热结构可能获得更多关注。

2. 从均匀散热向热点精准散热发展

GPU并不是整个芯片区域产生完全一致的热量。

因此，冷板未来可能更多根据GPU内部热点分布进行针对性设计。

3. 从经验设计向仿真与AI辅助设计发展

未来冷板研发可能越来越依赖：

CFD仿真 + AI算法 + 数字孪生 + 自动优化

通过算法快速生成不同流道结构，再通过仿真和实验进行验证，有机会显著缩短产品开发周期。

四、CDU成为AI液冷系统的核心设备

如果说冷板负责“把热量从芯片带走”，那么CDU则负责“管理整个液冷系统的热量”。

CDU，即冷却液分配单元，是液冷数据中心的重要基础设备。

其主要功能包括：

• 冷却液循环
• 温度控制
• 流量控制
• 压力控制
• 热量交换
• 一次侧与二次侧隔离
• 系统监控
• 故障报警

随着AI Rack功率从几十kW逐渐向100kW甚至更高水平发展，CDU的重要性也在不断提高。

尤其是在Rack级液冷架构中，CDU已经不再只是一个简单的换热设备，而逐渐成为AI Rack热管理系统的控制中心。

未来CDU的发展方向可能包括：更高单机容量、模块化设计、更高换热效率、智能控制、冗余设计以及更强的远程监控能力。

对于MW级AI数据中心而言，CDU还需要进一步解决系统规模化部署的问题。

这意味着液冷厂商不仅需要提供一台性能优秀的CDU，更需要解决：

10个Rack、100个Rack甚至1000个Rack如何稳定运行。

因此，液冷行业正在从产品竞争逐步进入系统交付竞争。

五、QD与Rack Manifold：液冷规模化之后的新关键环节

液冷系统规模化部署后，快速连接件（Quick Disconnect，QD）的重要性会进一步提升。

一个AI Rack可能包含大量液冷管路和连接点。

如果连接件存在泄漏、压力损失过大、插拔寿命不足或者流量限制，就可能影响整个服务器系统的稳定运行。

因此，QD需要同时满足：

• 高可靠性
• 低压降
• 高插拔寿命
• 良好的密封性能
• 适应高温冷却液
• 与不同液冷系统兼容
• 便于服务器维护

与此同时，Rack Manifold也正在成为液冷服务器的重要基础部件。

Manifold的作用是将冷却液分配至不同服务器，同时进行回液汇集。

随着服务器数量和机柜功率不断提高，Manifold设计需要更加关注：

流量均衡、压力损失、管路布局、维护便利性以及系统冗余。

因此，在未来的AI液冷Rack中，Cold Plate、QD和Manifold实际上形成了一套紧密关联的液体循环系统。

六、NVIDIA投资AI基础设施：电力与散热成为新的竞争焦点

AI基础设施正在进入一个新的阶段。

过去几年，行业关注的核心问题主要是：

有没有足够的GPU？

但随着AI算力规模快速扩大，数据中心建设逐渐暴露出新的瓶颈：

• 电力供应
• 电网接入
• 数据中心土地
• 变电设施
• 散热能力
• 水资源
• 机房建设周期

因此，AI数据中心竞争正在从“芯片供应竞争”扩展到电力 + 计算 + 散热 + 基础设施的综合竞争。

NVIDIA对AI基础设施领域的持续布局，也反映出一个明显趋势：AI计算基础设施已经不再只是服务器行业的问题，而正在成为能源、数据中心、液冷、网络和电力基础设施共同参与的产业。

对于液冷企业来说，这意味着未来客户需求也会发生变化。

客户可能不再只采购一套“服务器液冷系统”，而是需要从Rack、CDU到管路、控制系统乃至数据中心热管理方案的整体解决方案。

七、Supermicro等服务器厂商持续推动液冷AI平台

随着AI服务器功率密度快速提升，服务器OEM/ODM厂商也在加快液冷平台布局。

Supermicro等厂商持续推动NVIDIA HGX、NVL72以及Direct-to-Chip Liquid Cooling等方案。

这背后的核心逻辑非常清晰：

GPU功率越高 → Server功率越高 → Rack功率越高 → 空气冷却越困难 → 液冷成为高密度AI服务器的重要方案。

当单Rack功率进入100kW甚至更高水平后，传统空气冷却需要面对更大的风量、风扇功耗以及机房制冷压力。

因此，未来AI服务器的设计逻辑可能逐渐从：

Server-centric

转向：Rack-centric

再进一步转向：Pod-centric

这也是为什么液冷企业未来需要理解的不只是“如何做一个Cold Plate”，而是如何设计完整的Rack级热管理系统。

八、AI开始参与Cold Plate研发：液冷设计进入算法时代

除了硬件技术之外，AI本身也正在反过来改变液冷研发。

传统Cold Plate流道设计通常依赖工程师经验、CFD仿真和大量实验。

但随着生成式算法和拓扑优化技术的发展，工程师可以设定：

• 目标温度
• 最大热点温度
• 冷却液流量
• 压降限制
• 材料限制
• 加工工艺限制

然后利用算法生成大量流道结构，再通过数字仿真筛选最优方案。

这意味着Cold Plate研发模式可能从：

工程师设计 → 仿真 → 打样 → 测试

逐步发展为：

AI生成 → CFD仿真 → 数字孪生 → 自动优化 → 实物验证

对于未来高功率GPU而言，这种方法的价值尤其明显。

因为GPU热流密度越高，传统经验型流道设计的优化空间就越有限。

九、AI服务器增长正在推动液冷进入高速发展周期

AI计算需求持续增长，是液冷市场扩张最直接的驱动力之一。

NVIDIA GPU平台、Google和AWS等云厂商自研ASIC，以及其他AI加速器平台，都在推动数据中心向更高计算密度发展。

而计算密度提升最终会传导至机柜功率。

因此，液冷市场的增长并不是单纯由“液冷技术更先进”推动，而是由整个AI基础设施功率密度变化所决定。

可以简单理解为：

AI算力增长 → GPU数量增长 → 单GPU功率提升 → Server功率提升 → Rack功率提升 → 液冷渗透率提升。

这也是未来几年AI Data Center Liquid Cooling市场持续增长的重要底层逻辑。

十、2026年AI液冷产业链：哪些环节更值得关注？

从目前的技术路线和产业需求来看，可以将AI液冷产业链大致分为三个梯队。

第一梯队：Cold Plate + CDU

这是当前AI液冷系统中最核心的两个环节。

Cold Plate直接决定芯片级散热能力，而CDU决定整个液冷系统的循环、换热和控制能力。

随着AI Rack功率继续提升，这两个环节的技术壁垒和价值量都有望进一步提高。

重点方向：

• GPU 冷板
• CPU 冷板
• 芯片直冷
• 机架式 CDU
• 机架内 CDU
• 行间 CDU
• 高功率 CDU

第二梯队：QD + Manifold

当液冷从少量服务器部署进入大规模Rack部署之后，系统连接可靠性的重要性会明显提升。

QD和Manifold虽然单个产品的价值量可能低于核心芯片级部件，但它们直接影响液冷系统的可靠性、维护效率和规模化部署能力。

未来随着AI Rack数量增加，这一市场仍然具有较大的增长空间。

第三梯队：液冷材料

液冷系统长期运行，对材料提出了更高要求。

重点包括：

• 冷却液
• 导热材料
• 密封材料
• 管路材料
• 金属材料
• 防腐蚀材料

TIM（Thermal Interface Material）

特别是在高温液冷系统中，材料长期稳定性、化学兼容性以及密封可靠性将成为重要指标。

十一、AI液冷正在进入“交付能力”竞争阶段

2026年的液冷产业正在发生一个重要变化。

过去，市场竞争主要围绕：

“有没有液冷方案？”

现在则逐渐变成：

“能不能稳定交付大规模液冷系统？”

对于AI数据中心客户来说，一套实验室级液冷系统并不难。

真正困难的是：

100kW+ Rack如何稳定运行？

几十个Rack如何部署？

MW级AI集群如何扩展？

CDU、Manifold、QD和Cold Plate如何协同？

出现故障后如何快速维护？

这些问题决定了液冷企业能否从单一设备供应商升级为AI数据中心基础设施供应商。

因此，未来液冷行业的核心竞争力可能集中在三个方面：

技术能力

能否解决更高热流密度和更高Rack功率的散热问题。

产品能力

能否提供Cold Plate、CDU、Manifold、QD等完整产品体系。

交付能力

能否完成从单Rack到MW级、甚至GW级AI数据中心的规模化交付。

链力一站式液冷解决方案：

链力创立于2014年，总部与生产基地位于深圳龙岗，是全球一站式算力液冷散热综合服务商，专注绿色液冷解决方案。

公司集方案设计、数据中心工程建设、设备研发生产、全球安装及全周期运维于一体，核心产品涵盖集装箱数据中心、机架式CDU/机柜式CDU、液冷服务器机柜，广泛适配A1超算、智算集群、数据产业园及海外算力出海等场景。依托资深研发团队与自主专利技术，PUE可降至1.15以下，综合节能率超30%。

结语：AI数据中心液冷正在从“散热技术”走向“基础设施技术”

2026年，AI液冷产业已经进入新的发展阶段。

从GPU Cold Plate，到CDU，再到Rack Manifold和Quick Disconnect，液冷正在形成完整的产业链体系。

与此同时，45℃级高温液冷、Rack级液冷、Pod级液冷以及AI辅助Cold Plate设计等技术路线，也正在推动整个行业从传统服务器散热向AI Factory热管理基础设施转型。

未来AI数据中心的竞争，不仅是GPU性能的竞争，也将是：电力效率、计算密度、散热能力和基础设施交付能力的综合竞争。

对于液冷产业而言，真正的机会并不只是“AI服务器需要液冷”，而是随着AI Rack功率不断提升，液冷正在成为下一代高密度数据中心不可或缺的基础设施。

在这一趋势下，冷板、CDU（冷却分配单元）、QD（快速接头）、机柜歧管以及完整的液冷服务器解决方案，仍将是未来AI液冷产业链值得重点关注的核心方向。

专心       专业        专注