何謂 AI 與 HPC 資料中心（AI 工廠）？

資料中心內設有計算基礎架構，例如伺服器、儲存裝置、網路設備，以及支撐這些設備的供電與冷卻系統，這些都是組織用來處理和儲存資料的設施。人工智慧（AI）與高效能運算（HPC）資料中心，亦稱為「AI 工廠」，是專為現存最耗費運算資源的工作負載所建置的變體，包括：大規模人工智慧模型訓練與推論、科學模擬、財務建模、天氣預報、基因組學，以及串聯這些應用的高頻寬資料傳輸。

高效能運算（HPC）資料中心比當前的人工智慧（AI）建置早了數十年。這些資料中心最初是為科學與工程模擬而建，應用於流體動力學、分子建模及地震分析等領域；在這些領域中，面對單一機器無法處理的龐大問題，大規模並行運算曾是唯一的可行途徑。如今的變化在於，AI 工作負載現在需要與 HPC 所開創的相同架構特性：高密度並行運算、高速互連，以及專為持續高功率運作設計的散熱系統。 其結果便是兩者的融合。就架構而言，大多數現代人工智慧設施實質上即是高效能運算設施，而這兩項術語也越來越常被並用。

這兩者與傳統設施的最大區別在於內部硬體。傳統資料中心採用中等功率密度的通用處理器，而人工智慧或高效能運算（HPC）設施則在機架中裝載專為平行運算設計的人工智慧加速器與客製化晶片。這種晶片層面的變革帶動了後續所有環節的變革，包括供電架構、冷卻系統、佔地面積，以及維持設施運作所需的工程技術。

需求激增

這項投資規模在科技產業中可謂前所未見。麥肯錫預測，為跟上運算能力的需求，全球資料中心到 2030 年將需要 6.7 兆美元的資本投資，其中 5.2 兆美元用於配備人工智慧處理能力的設施，1.5 兆美元則用於運行傳統應用的設施。 到2030年，全球對資料中心容量的需求可能增加近三倍，達到219吉瓦，其中約70%的新需求將來自人工智慧工作負載。 就規模而言，這大約相當於美國總發電容量的六分之一——美國總發電容量目前接近1,400吉瓦；換言之，相當於約一百座胡佛水壩以全負荷運轉的發電量。其中，人工智慧工作負載的電力需求預計將從2025年的44吉瓦，上升至本十年末的156吉瓦。

短期內的資本支出數字同樣飆升。根據彭博新能源財經（BloombergNEF）的估算，14 家最大型上市資料中心營運商的 2026 年資本支出將接近 7,500 億美元，而前一年的數字則略低於 4,500 億美元。截至 2025 年 9 月底，全球有超過23 吉瓦的資料中心 IT 容量正在建設中，其中約四分之三位於美國。

功率密度的轉變

傳統的企業級機架功耗介於 5 至 15 千瓦之間。而搭載大量加速器的 AI 訓練機架，功耗則從 30 千瓦到超過 100 千瓦不等。這種功耗的增加會連鎖影響每個下游系統：配電、不間斷電源的規格選定、匯流排與纜線佈線，以及最重要的——散熱系統。

從全國層面來看，相關數據十分驚人。根據勞倫斯伯克利國家實驗室的資料，2018 年美國資料中心的耗電量達76 TWh，佔美國總用電量的 1.9%。 預計到2028年，耗電量將介於325至580太瓦時之間，佔美國總能源消耗的6.7%至12%。這個區間的幅度至關重要：它反映了對建置速度與能效提升的真實不確定性，若僅引用其上限，則會誇大該資料來源所聲稱的內容。

高盛研究部預測，全球資料中心的電力需求到 2030 年將增長 160%。

客製化高效能矽片

傳統的通用處理器並非為主導人工智慧與高效能運算（HPC）工作負載的大規模並行矩陣運算而設計。加速器、客製化人工智慧晶片，以及專為高效能運算設計的系統單晶片（SoC），在訓練、推論和模擬方面的每瓦吞吐量上，均能帶來數個數量級的提升。

這些晶片的架構規劃、設計、模擬與驗證，本身就是一整套極具挑戰性的工程難題。 正如《新思科技 》高階運算與資料中心解決方案所描述的，要針對這些工作負載以最低功耗處理海量資料，如今不僅需要先進的矽製程節點、高速介面 IP （包含SerDes ），以及2.5D 或3D先進封裝技術，還必須配合硬體與軟體的協同優化，並進行早期架構探索，才能滿足嚴苛的時程要求。這些先進設計不僅必須透過模擬來確保功能正確，還需針對時序、多物理場 效應，以及日益複雜且不斷增加的設計規範進行驗證。

電力與電網

德勤預測，2023 年至 2026 年間，用於支援資料中心、處理器、儲存、冷卻及網路的關鍵電力消耗將幾乎翻倍，全球總量將達到約96 GW；而光是人工智慧運作，就可能消耗其中超過 40% 的電力。 德勤同時預估，到2026年，人工智慧資料中心的年度用電量將達到約90太瓦時，約佔全球所有資料中心預估總用電量681太瓦時的七分之一。

國際能源署估 計，2024年全球資料中心的用電量約為415 TWh，約佔全球用電量的1.5%；根據該署的「基本情境」預測，此數字將上升至約945 TWh，佔全球用電量的不到3%。

在這種規模下，資料中心已不再僅僅是 IT 基礎設施。它們同時也是能源基礎設施，並成為國家能源規劃、電網韌性及碳核算的重要考量因素。目前多個市場的並網排隊時間已長達數年，這意味著電網的可用性日益成為決定設施選址的關鍵因素，而非僅是決策後的附帶結果。

在 AI 密度下的散熱

人工智慧資料中心所消耗的電力中，多達 40% 是用於維持這些晶片冷卻的系統，而非運算硬體本身。這使得熱管理成為高密度運算能力面臨的首要工程限制。

隨著密度提升，空氣冷卻已達到其實際極限。對於傳統企業級密度而言，空氣冷卻仍極為有效；而對於特定平台來說，空氣冷卻設計本身即是一項優勢——空氣冷卻 新思科技 ZeBu 模擬伺服器便是客戶直接重視此優勢的實例。然而，當機架功率進入 30 至 100+ kW 區間的高端時，僅靠空氣冷卻便已不足，因此業界已轉向採用液冷技術來應對最高密度的部署。

有兩種方法可實現這項轉型。直接晶片液冷技術透過安裝在封裝上的冷板，將冷卻液導向發熱量最大的元件。熱量在源頭就被帶走，而伺服器的其餘部分則保持乾燥。浸沒冷卻則採取相反的做法，將整台伺服器置於介電液浴中，因此熱量能均勻地從機架各處散去，風扇及大部分空氣處理設備也因此變得不再必要。

兩者皆可透過計算流體力學與熱分析，在部署前進行建模與優化。關於冷卻技術與方法的深入說明，請參閱《何謂資料中心冷卻？》

永續發展與效率問題

快速的產能擴張與企業及國家層面的永續發展承諾之間產生了矛盾。到 2030 年，全球資料中心的用電量將接近翻倍，這將使該產業成為電力需求增長最快的來源之一。大型設施會產生可測量的當地熱效應，而用於冷卻的直接用水以及用於發電的間接用水，都日益引發關注。

電源使用效率（設施總功耗除以 IT 設備功耗）仍是主要的效率指標。若數值為 1.0，則表示進入設施的每瓦特電力皆用於運算，但這在物理上是不可能達成的。 設計完善的 AI 與 HPC 設施會以該指標的低端為目標；而較舊的設施則往往遠高於此。根據 Uptime Institute 的數據，自 2020 年以來，業界平均值一直維持在 1.55 至 1.59 之間，而該平均值與專為此目的建造的設施所達成的數值之間的差距，主要源於設計層面，而非營運層面。

這就是主張在施工前就應關閉該設施的理由。為了解決模型本應揭露的效率問題，而對正在運作的設施進行改建，無疑是種代價高昂的解決方案。

「晶片到廠房」（Chip-to-facility）指的是將矽片層級模擬與廠房層級的「多物理場 」模擬相連結的整合式工程分析架構： 新思科技 位於晶片與封裝層級的矽級工具，以及 Ansys 多物理場 機架、機房及設施層級的求解器。這並非一個獨立的產業術語，而是本文用以描述如何將 新思科技 與 Ansys 工具如何應對人工智慧設施設計中所涉及的四個工程尺度。

在這個特定議題上，堆疊結構之所以至關重要，是因為人工智慧設施的各項限制之間存在緊密關聯。從電晶體到機架，再到整棟建築，效能、功耗與散熱限制彼此相互影響；若僅在某個層級進行優化而忽略其他層級，便會導致瓶頸、資源過度配置，甚至直接導致系統故障。此類錯誤最常見的表現形式，便是孤立地優化晶片，事後才發現設施根本無法為其散熱。

晶片與封裝

每座人工智慧設施的基礎，皆始於其內部所搭載的矽晶片。整個系統的效率、功耗及熱行為，在很大程度上取決於此層級的設計，這使得晶片設計與 IP 選型成為決定資料中心成本、可擴展性及永續性的首要因素。

AI 晶片 必須在符合「晶粒 」所規定的尺寸、封裝、散熱及成本預算範圍內，並於具競爭力的時程內，達成極具挑戰性的每瓦效能目標。其中最大的挑戰在於資料傳輸：由於能源消耗主要來自記憶體與運算單元之間的資料傳輸，因此設計人員會盡可能最大化晶片內儲存空間並提高資料重複利用率。此外，異質運算整合與先進製程節點的擴展——在此過程中，漏電與熱效應會更加劇——更使挑戰雪上加霜。

IP 選型是這項風險方程式中的核心。在前沿製程節點上，功耗、效能、佔板面積與延遲，其決定因素不僅取決於架構，更取決於 IP 的選擇；若在未經矽片驗證的 IP 情況下，貿然採用新的介面標準或製程節點，將增加重新設計的風險，而每次迭代都將耗費數月時間與預算。 經過驗證的 IP 讓團隊能將有限的工程資源投入於差異化開發——例如客製化加速器、系統層級優化——而非耗費在標準功能上。實際上，以經過驗證的 IP 為基礎，不僅能將開發時程縮短數個月，其成本更僅需自行開發相同功能的一小部分。

在製造前驗證設計是問題的另一半。現代的AI 晶片 （系統級晶片）包含數百億個電晶體，必須針對功能正確性、時序、電源完整性 、訊號完整性 、熱行為以及可製造性進行驗證——這如今已成為開發週期中佔比最大的環節之一，因為未被偵測到的錯誤會導致必須重新設計。 多晶粒 設計與先進封裝技術更進一步加劇了此一挑戰，因為必須在矽片、封裝、伺服器及機架等層面，同步優化效能、功耗與散熱。結合多物理場 分析功能的人工智慧驅動電子設計自動化，是實現首次矽片成功關鍵所在。

該 新思科技 該 邏輯函式庫、 嵌入式記憶體， I/O 函式庫、非揮發性記憶體、 介面 IP、 安全 IP, 以及子系統，所有產品均已通過矽片驗證。IP Accelerated提供架構設計專業知識、硬體強化，以及訊號與電源完整性 分析，以縮短 IP 整合與矽片啟動的時間。

新思科技 Fusion Design Platform 負責將設計從架構探索階段一路推進至最終核准階段。 Fusion Compiler 針對單晶片晶粒 設計，執行從寄存器傳輸層 (RTL) 到 GDSII 的物理實現，並 3DIC Compiler 並在統一的「探索至簽核」平台上，提供多晶粒 及先進封裝協同設計 與優化服務。

簽署時， PrimeTime， PrimeShield, PrimeClosure，以及 IC Validator 分別負責靜態時序分析 、設計健壯性、設計收斂優化以及物理驗證。

RedHawk-SC 提供電源完整性 分析，以識別電壓降熱點及電遷移 風險，這些問題若未經處理，將可能演變為現場故障。 Exalto 提供針對訊號與電源完整性 進行的矽晶片優化電磁建模，在先進製程節點中，過去可忽略不計的影響如今已成為首要考量因素。 PathFinder-SC 處理靜電放電（ESD）可靠性簽核，這對於在熱邊界附近運作的元件至關重要。RedHawk-SC 與3DIC Compiler 整合，為多晶粒 及先進封裝協同設計 提供從探索到簽核的連續流程。

膳宿、床位與房間

一旦矽晶片就位，問題便轉移到承載它的系統與建築物上。Ansys Icepak軟體可針對元件、電路板及機箱進行電子設備散熱分析，在硬體組裝前預測機架與散熱配置的熱行為。Ansys Fluent軟體則將分析範圍擴展至房間與建築物層級，模擬氣流模式、走道封閉性、供暖、通風與空調（HVAC）行為，以及液冷系統的運作狀況，包括兩相流與浸沒式系統。

Ansys 機械軟體涵蓋結構層面，包括在持續高密度運作下的振動、重量載荷及熱膨脹等，當液冷機架重量逼近一公噸（2,200 磅）時，這些因素便顯得至關重要。Ansys 聲學軟體作為同一「Structures」產品組合的一部分，可預測設施所產生的聲學噪音——對於鄰近住宅區的場址而言，這已日益成為規劃與許可審核的限制因素。

設施與營運

在設施層級，需考量的是宏觀層面的問題：場址佈局、電力分配、環境足跡以及熱能回收。Ansys Discovery軟體可協助在早期階段評估佈局與環境影響。Ansys Maxwell軟體及Ansys Q3D Extractor 軟體則能針對設施層級的匯流排、電纜及供電網路，建模模擬其電磁場與寄生效應。

設施所排出的廢熱，通常會散失至大氣中。液體冷卻技術能將回水溫度提升至足以讓該熱能用於區域供熱或工業製程的程度；而透過分析，即可判定在特定場址中，熱能回收迴路是否可行，包括熱能的產生位置、傳遞路徑，以及何處能以經濟方式進行回收。

Ansys Twin Builder軟體將高保真模型壓縮為低階模型，其執行速度足以滿足實際運作需求；而Ansys 的 TwinAI軟體則將該物理模型與實測數據結合，使模型能隨著設備老化而自動重新校準。在矽晶片層面， 晶片生命週期管理 將晶片內監測器嵌入其中，用以追蹤設備在運作期間的性能、可靠性及熱行為。兩者結合，成功在設計意圖與運作條件之間建立閉環控制。 

這些技術是根據各自所針對的規模進行分類的。

新思科技, Inc.（納斯達克代碼：SNPS）專注於在晶片層級開發晶片設計、驗證及 IP 技術。 Ansys，隸屬於 新思科技，專注於在設備端開發多物理場 分析與數位孿生 技術。

關於模擬導向方法在實務中的應用說明。 Vertiv 與Ansys 合作，運用人工智慧增強的熱交換器盤管優化技術及全企業範圍的模擬資料管理，開發資料中心冷卻系統，透過虛擬方式評估設計配置，而非針對每種配置皆進行實體原型製作。

• 什麼是資料中心？——設施類型、架構、組成元件，以及人工智慧工作負載如何改變了它們
• 何謂資料中心冷卻？——空氣冷卻、液冷、直接晶片冷卻與浸沒冷卻的比較
• 什麼是AI 加速器 ？——人工智慧設施密度核心的矽晶片
• 何謂「AI 晶片 」設計？——AI 工作負載如何改變晶片設計問題
• 滿足人工智慧資料中心的能源需求——從晶片到設施全面應對能源挑戰

設計與營運人工智慧及高效能運算設施，從電晶體到建築物，皆需具備工程級的精準度。

• 晶片層級： 新思科技 高效能運算與資料中心解決方案，可支援開發這些工作負載所依賴的高效能、高能效系統單晶片。
• 設施層級： Ansys 資料中心解決方案透過熱分析、結構分析及電磁分析，提升效率與韌性。

新思科技 提供來自從晶片到系統 的工程解決方案。