什么是人工智能和高性能计算（HPC）数据中心（AI工厂）？

数据中心容纳了计算基础设施，例如服务器、存储设备、网络设备以及支撑这些设备的供电和制冷系统，组织机构利用这些基础设施来处理和存储数据。人工智能（AI）和高性能计算（HPC）数据中心，也被称为“AI工厂”，是专为处理当前最耗费计算资源的工作负载而设计的特殊类型：包括大规模人工智能模型训练与推理、科学仿真、金融建模、天气预报、基因组学，以及连接这些工作负载的高带宽数据传输。

高性能计算（HPC）数据中心的出现比当前的人工智能（AI）建设早了几十年。它们最初是为科学和工程仿真而建，应用于流体动力学、分子建模和地震分析等领域——对于这些规模过大、单台机器无法处理的问题，大规模并行计算是唯一可行的解决方案。如今的变化在于，AI工作负载现在需要与HPC所开创的相同架构特征：高密度并行计算、高速互连以及专为持续高功率运行设计的散热系统。 其结果是两者的融合。从架构上看，大多数现代人工智能设施实质上就是高性能计算设施，这两个术语也越来越常被并用。

这两者与传统设施的区别在于内部的硬件配置。传统数据中心运行的是功率密度适中的通用处理器，而人工智能或高性能计算（HPC）设施的机架中则装满了专为并行计算设计的人工智能加速器和定制芯片。这种芯片层面的变化带动了下游所有环节的变革，包括供电架构、冷却系统、物理足迹 以及确保设施正常运行所需的工程技术。

需求激增

这一投资规模在科技行业尚无明确先例。麦肯锡预测，到2030年，全球数据中心将需要6.7万亿美元的资本投资以满足计算能力的需求，其中5.2万亿美元用于配备人工智能处理能力的设施，1.5万亿美元用于运行传统应用程序的设施。 到2030年，全球对数据中心容量的需求可能增长近三倍，达到219吉瓦，其中约70%的新需求将来自AI工作负载。 从规模上看，这大约相当于美国总发电能力的六分之一——美国总发电能力接近1,400吉瓦；换言之，相当于约一百座胡佛水坝满负荷运转的发电量。预计仅人工智能工作负载的电力需求就将从2025年的44吉瓦增至本十年末的156吉瓦。

短期内的资本支出数据同样惊人。据彭博新能源财经（BloombergNEF）估算，2026年全球14家最大的上市数据中心运营商的资本支出将接近7500亿美元，而前一年的这一数字略低于4500亿美元。截至2025年9月底，全球在建的数据中心IT容量超过23吉瓦，其中约四分之三位于美国。

功率密度的转变

传统的企业级机架功耗为 5 至 15 千瓦。而密集部署加速器的 AI 训练机架功耗则从 30 千瓦到 100 千瓦以上不等。这种功耗的增加会对每个下游系统产生连锁影响：配电、不间断电源的容量配置、母线和电缆布线 ，尤其是散热系统。

从全国范围来看，这些数据十分惊人。据劳伦斯伯克利国家实验室统计，2018年美国数据中心的用电量为76太瓦时，占美国总用电量的1.9%。 预计到2028年，这一数字将在325至580太瓦时之间，约占美国能源总消耗量的6.7%至12%。这一范围的宽度至关重要：它反映了人们对建设速度和能效提升的真实不确定性，而仅引用其上限会夸大该数据源所主张的内容。

高盛研究部预测，到2030年，全球数据中心的电力需求将增长160%。

定制高性能硅

传统的通用处理器并非为人工智能和高性能计算（HPC）工作负载中占主导地位的大规模并行矩阵运算而设计。加速器、定制的人工智能芯片以及专为高性能计算设计的系统级芯片，在训练、推理和仿真方面，其每瓦特吞吐量 （ ）的性能实现了数量级的提升。

这些芯片的架构设计、仿真和验证本身就构成了一系列艰巨的工程挑战。正如《新思科技 高性能计算与数据中心解决方案》所描述的，要为这些工作负载以最低功耗处理海量数据，如今不仅需要先进的硅工艺节点、包括SerDes 在内的高速接口IP以及2.5D或3D先进封装技术，还需进行软硬件协同优化和早期架构探索，以满足严苛的开发进度要求。 这些先进设计不仅需要进行功能正确性仿真，还必须对时序、多物理场效应以及日益复杂且不断增加的设计规则进行验证。

电力与电网

德勤预测，2023年至2026年间，支撑数据中心、处理器、存储、制冷和网络的关键电力消耗将几乎翻一番，全球总量将达到约96吉瓦，其中仅人工智能运算就可能消耗其中40%以上的电力。 德勤还预计，到2026年，人工智能数据中心的年耗电量将达到约90太瓦时，约占全球所有数据中心预计总耗电量681太瓦时的七分之一。

国际能源署预计，2024年全球数据中心的用电量约为415太瓦时，约占全球用电量的1.5%；根据该机构的基本情景预测，这一数字将上升至约945太瓦时，略低于全球用电量的3%。

在这个规模下，数据中心已不再仅仅是IT基础设施。它们是能源基础设施，也是国家能源规划、电网弹性 以及碳核算中的重要因素。目前，多个市场的并网排队时间已长达数年，这意味着电网的可用性在很大程度上决定了设施的选址，而非由选址决定并网。

AI 密度下的散热

人工智能数据中心中，多达40%的电力消耗来自用于为芯片散热的系统，而非计算硬件本身。这使得热管理成为高密度容量面临的主要工程约束 。

随着密度增加，风冷技术已达到其实际应用的极限。对于传统的企业级密度而言，风冷仍非常有效；对于特定平台，风冷设计本身就是一项优势——新思科技 的ZeBu 硬件加速 风冷服务器便是客户直接看重这一优势的典型案例。但随着机架功率进入30至100+ kW区间的较高端，仅靠风冷已无法满足需求，因此业界已开始转向液冷技术，以应对密度最高的部署场景。

有两种方法可实现这一转变。直接芯片液冷技术通过安装在封装上的冷板，将冷却液输送至发热量最大的组件。热量在源头就被带走，而服务器的其余部分则保持干燥。浸没式冷却则采取了相反的方法，将整个服务器置于介电液浴中，因此热量在机架中均匀散发，风扇和大部分空气处理设备也就不再需要了。

在部署之前，均可利用计算流体力学和热分析对这两者进行建模和优化。有关冷却技术和方法的详细信息，请参阅《什么是数据中心冷却？》。

可持续发展与效率问题

容量的快速扩张与企业及国家的可持续发展承诺之间产生了矛盾。到2030年，全球数据中心的用电量将接近翻番，这将使该行业成为电力需求增长最快的来源之一。大型数据中心会产生可测量的局部热效应，而用于冷却的直接用水和用于发电的间接用水问题也日益引发关注。

电源使用效率（设施总功耗除以IT设备功耗）仍是主要的能效指标。该值若为1.0，则意味着进入设施的每瓦电力都用于计算，但这在物理上是不可能实现的。 设计合理的人工智能（AI）和高性能计算（HPC）设施通常以该指标的低端为目标；而老旧设施的数值往往远高于此。据正常运行 研究所数据显示，自2020年以来，行业平均值一直维持在1.55至1.59之间，该平均值与专用设施所达到的数值之间的差距，主要源于设计层面而非运营层面。

这就是在施工前将其关闭的理由。为了解决模型本应揭示的能效问题而对已投入使用的设施进行改造，是一种代价高昂的排查方式。

“从芯片到设施”是指将硅级仿真与设施级多物理场仿真相连接的集成工程分析体系： 新思科技 芯片和封装层上的硅级工具，以及机架、机房和设施层上的Ansys 多物理场求解器。这并非一个独立的行业术语，而是本文中用于描述如何将 新思科技 与Ansys 工具如何共同应对AI设施设计中涉及的四个工程尺度。

之所以在这个特定话题上架构至关重要，是因为人工智能设施的各项约束条件之间存在紧密的耦合关系。从晶体管到机架再到整栋建筑，性能、功耗和热管理限制相互影响；如果仅在某个层面上进行优化而忽略其他方面，就会导致瓶颈、资源配置过剩甚至彻底故障。这种错误最常见的表现形式是：孤立优化芯片，随后才发现设施无法对其进行冷却。

芯片与封装

每一座人工智能设施都始于其内部的硅芯片。整个设施的效率、功耗和热行为在很大程度上由这一层面决定，因此芯片设计和IP选择成为决定数据中心成本、可扩展性和可持续性的首要因素。

一款人工智能芯片必须在芯片面积、封装、散热和成本预算范围内，按具有竞争力的时间表，达到极具挑战性的每瓦性能目标。主要挑战在于数据传输：内存与计算单元之间的数据传输消耗了大部分能量，因此设计人员会最大限度地提高片上存储容量并提高数据复用率。异构计算集成以及先进节点 的扩展——在此过程中，漏电 和热效应会加剧——进一步加剧了这一挑战。

IP选型是这一风险方程的核心。在领先的 边缘节点中，功耗、性能、面积和延迟在很大程度上取决于IP的选择，而非仅由架构决定；若在未经硅验证的IP 的情况下贸然采用新接口标准 或新工艺节点 ，将增加重新设计（re-spin）的风险，而每次迭代 都需要耗费数月时间并消耗预算。 经过验证的IP使团队能够将有限的工程资源投入到差异化领域——如定制加速器和系统级优化——而非标准 功能上。实际上，基于经过验证的IP进行开发，不仅能将项目周期缩短数月，其成本也仅为内部开发相同功能的一小部分。

在制造前验证设计是问题的另一半。现代人工智能芯片包含数百亿个晶体管，必须对其功能正确性 、时序、功耗完整性 、信号完整性 、热行为以及可制造性进行验证——这如今已成为开发 周期中占比最大的环节之一，因为未被发现的缺陷会导致需要重新设计。 多芯片设计和先进封装进一步加剧了这一问题，因为必须在硅片、封装、服务器和机架层面协同优化性能、功耗和散热。基于人工智能且集成多物理场分析的电子设计自动化，是实现“一次成功”流片成功 的核心。

该 新思科技 该IP组合涵盖逻辑库、嵌入式存储器、I/O库、非易失性存储器、接口IP、安全 IP以及 子系统，所有产品均已通过硅验证。IP Accelerated提供架构设计专业知识、硬化的优化，以及信号和功耗完整性 分析，以缩短IP集成和硅初启 时间。

新思科技 Fusion Design Platform可将设计从架构探索阶段一直推进到签核阶段。FusionCompiler针对single-die 设计，提供从寄存器传输级（RTL）到寄存器传输级（GDSII ）的物理实现，而3DICCompiler则在统一的探索到签核平台中，提供多芯片和先进封装的协同设计与优化。

在签核阶段，PrimeTime、PrimeShield、PrimeClosure 和 IC Validator 分别提供静态时序分析、设计稳定性 、设计闭合优化以及物理验证 。

RedHawk-SC提供电源完整性 分析，可识别电压降热点以及电迁移 风险，这些风险若不加以处理，最终将表现为现场故障。Exalto提供针对信号和电源完整性 的硅优化电磁建模，在先进工艺节点上，那些曾经可以忽略不计的影响如今已成为首要约束条件。PathFinder-SC负责静电放电可靠性签核，这对在热裕度临界点附近运行的器件尤为重要。RedHawk-SC 与 3DICCompiler 集成，为多芯片和先进封装的协同设计提供了从探索到签核的连续流程。

食宿、机架和机房

一旦硅芯片投入使用，问题就转向了承载它的系统和建筑本身。Ansys Icepak软件可对元器件、电路板和机箱进行电子设备散热分析，在硬件制造之前预测机架和散热配置的热行为。Ansys Fluent软件将分析范围扩展至房间和建筑层面，可对气流模式、过道气流封装、供暖、通风和空调（HVAC）系统行为，以及液冷部署（包括两相冷却和浸没式冷却系统）的行为进行建模。

Ansys 机械软件涵盖结构方面，包括在持续高密度运行条件下的振动、重量载荷和热膨胀，随着液冷机架重量接近一公吨（2,200 磅），这些因素变得尤为重要。Ansys 声学软件作为同一“结构”产品组合的一部分，可预测设施产生的声学影响误报 ——对于靠近居民区的场地而言，这日益成为规划和许可审批约束 中的关键考量因素。

设施与运营

在设施层面，需要考虑的问题属于宏观层面：场地布局、电力分配、环境足迹 以及热回收。Ansys Discovery软件可支持对布局和环境影响的早期评估。Ansys Maxwell软件和Ansys Q3D Extractor 软件可对设施层面的母线、电缆和供电网络中的电磁场及寄生参数 效应进行建模。

设施产生的余热通常会散失到大气中。液体冷却可将回水温度提高到足以使该余热用于区域供热或工业工艺的程度，而通过分析可以确定回收回路在特定地点是否可行，包括热量产生的位置、传递路径以及可在何处以经济的方式进行回收。

Ansys Twin Builder软件将高保真模型压缩为低阶模型，这些模型的运行速度足以满足实际运行需求；而Ansys TwinAI软件则将物理模型与测量数据相结合，使模型能够随着设备老化而自动重新校准。在芯片层面，硅生命周期管理（Silicon Lifecycle Management）在芯片中嵌入了监控模块，用于追踪设备在使用过程中的性能、可靠性和热行为。这些技术共同构成了设计意图与运行条件之间的闭环。 

这些技术是根据各自适用的规模进行分类的。

新思科技, Inc.（纳斯达克代码：SNPS）专注于在芯片层开发芯片设计、验证和IP技术。Ansys 作为 新思科技旗下公司xml-ph-0000@deepl.internal，则在设施端开发多物理场分析和数字孪生技术。

关于模拟驱动方法在实践中的应用说明。 Vertiv 与Ansys 合作，利用人工智能增强的换热器盘管优化技术以及全企业范围的模拟数据管理，开发了数据中心冷却系统，通过虚拟方式评估设计方案，而非对每种方案都进行实体原型制作。

• 什么是数据中心？——设施类型、架构、组成部分，以及人工智能工作负载如何改变了它们
• 什么是数据中心冷却？——空气冷却、液体冷却、直接芯片冷却和浸没冷却的对比
• 什么是AI加速器？——AI设施高密度化的核心芯片
• 什么是人工智能芯片设计？——人工智能工作负载如何改变芯片设计问题
• 满足人工智能数据中心的能源需求——从芯片到设施全方位应对能源挑战

人工智能和高性能计算设施的设计与运营，从晶体管到整栋建筑，都需要工程级的精确度。

• 芯片级： 新思科技 高性能计算与数据中心解决方案支持开发 ，该系列产品 正是这些工作负载所依赖的高性能、高能效系统级芯片。
• 设施层面： Ansys 数据中心解决方案通过热分析、结构分析和电磁分析，提升效率并增强韧性。

新思科技 提供从芯片到系统的工程解决方案。