数据中心的机柜功率涨到几十千瓦之后，风冷开始力不从心，液冷成了默认选项。但液冷把可靠性问题换了个地方：原来要担心的是风机转速，现在要担心的是泵、阀和冷却液本身。德州大学阿灵顿分校的一篇博士论文对单相液冷的散热、流体完整性和系统韧性做了系统评估，结论指向一件常被低估的事：液冷回路的冗余，是按分钟而不是按小时来算的。
AI 加速器的负载曲线有两副面孔。平时是幅度不大的高频抖动，工作负载切换时又会从接近满载一步踩到接近空载。给这种负载供电的电压调节模块，既要压住小信号纹波，又要在全负载阶跃里迅速把电压拉回来。加州大学洛杉矶分校的团队盯上了一种叫串联电容 Buck 的拓扑，用小信号控制器管日常、用大信号控制器管突变，两套控制器切换着用，仿真里恢复速度比只用线性控制器快了十倍以上。
单相浸没液冷把整台服务器泡在不导电的液体里，省掉了风扇和风道，传热系数却卡在一个物理上限上：热量要靠自然对流和液体自身的导热离开发热面，液体流动的速度由浮升力决定，设计者能调的空间不大。给液冷柜加一套喷淋管，让低温液体以射流的形式冲到发热面上，等于在浸没之外再叠一层强制对流。
一颗高性能图形处理器的功耗已经上千瓦，几十颗并行就是几十千瓦。在 12 V 母线上，这意味着一两千安培的电流。线路上的电阻损耗按电流的平方增长，同一个连接器、同一段铜排，电流翻一倍损耗翻四倍。整机效率被压在天花板下面的原因，往往不在芯片本身。
在一颗处理器旁边省下一瓦，看起来微不足道。但如果这一瓦要先穿过四级变换才能送到芯片上，它在链路上会被放大三次。数据中心的能效账，很大程度上是一笔关于级联的账，而正是这笔账决定了供电架构该往哪个方向演进。
给一颗功耗 350 瓦、尺寸却只有指甲盖大小的处理器降温，风冷已经交不出满意答卷。行业里较成熟的做法是让一块金属冷板贴上芯片，把热量先导进液体，再由液体带出机柜。但冷板内部那几十条通道到底该做多深、多宽，水流该开多快，进出水口放在哪个位置，这些看起来很工程化的选择，直接决定冷板的换热能力和泵的功耗。
讲到 AI 芯片的供电，讨论通常停在机架、母线和电源模块这一层。但真正决定 HBM 能不能跑到标称速率的，往往是最后那一厘米：从供电轨到内存物理层缓冲器之间的那段路径。当供电电压降到 0.7 V、局部电流上到安培级、负载阶跃发生在纳秒尺度上，集中式电源再快也鞭长莫及，稳压器只能一路搬到芯片上。
AI 加速器的功耗增长已经跳出了过去几十年的经验曲线。Dennard 缩放（Dennard scaling，即功耗随尺寸等比下降的规律）在 22 nm 节点失效之后，芯片功耗不再随特征尺寸缩小而同步下降。
