[洞见热管理]获悉，Alphabet 宣布已达成最终协议，将以 47.5 亿美元现金（并承担相关债务）收购数据中心与能源基础设施解决方案提供商 Intersect。该交易预计于2026年上半年完成。

Alphabet表示，Intersect在交易完成后将继续保持独立运营，并由其创始人兼首席执行官Sheldon Kimber继续领导，此次收购将有助于Alphabet更快地投建新的数据中心及电力设施。

表面看这是一笔围绕能源与基础设施的并购；但在 AI 算力需求持续攀升、数据中心功率密度快速跃迁的背景下，其更深层意义，正在于为下一代高算力数据中心提前布局电力与基础设施能力。

01

算力瓶颈正在外移：从芯片性能到“电与热”约束

随着AI模型规模与推理负载持续攀升，制约算力扩张的核心因素，正在从单纯的芯片性能，外移至数据中心层面的供电能力与散热边界。对于超大规模云厂商而言，是否能够稳定承载不断抬升的功率密度，已成为决定 AI 基础设施扩展节奏的关键变量。

当前主流 AI 服务器单机功耗已进入千瓦级区间，面向大规模训练与推理集群，单机柜功率密度正快速迈向百千瓦级。在这一功率水平下，传统风冷在效率、能耗与系统稳定性方面的物理极限日益显现，散热能力开始直接制约算力部署密度与数据中心选址灵活性。

热管理不再只是服务器层面的工程问题，而是与供电系统、园区规划及整体基础设施深度耦合的系统能力。这也使得云厂商在推进 AI 芯片与算力平台演进的同时，必须同步前置布局电力、冷却与基础设施资源，以确保高算力集群能够持续、可预期地扩展。

02

TPU算力平台演进，高密度部署对热管理提出更高要求

作为全球少数具备自研 AI 芯片、自建数据中心并深度优化系统架构能力的云厂商之一，Google 在 AI 算力布局上始终采取高度垂直整合的路线。其中，开发的ASCI TPU（Tensor Processing Unit）已成为其支撑大规模模型训练与推理的核心算力平台。

在理解Google TPU对散热与基础设施提出的更高要求之前，有必要先区分当前数据中心中三类核心算力芯片——CPU、GPU 与 TPU在架构与负载形态上的本质差异。传统 CPU 以通用计算为核心，强调低延迟与复杂指令处理能力，单芯片功耗相对可控，长期以来主要依赖风冷即可满足数据中心需求。

GPU 则通过大规模并行计算架构，显著提升了 AI 训练与推理效率，但其功耗与热密度也随算力跃升快速攀升，成为率先推动液冷导入的核心器件之一。

相比之下，TPU 属于面向 AI 负载高度定制的专用加速器，在计算单元、存储与互联结构上均围绕矩阵运算与持续高负载场景进行优化。这种设计使 TPU 在特定模型训练中具备更高的能效比，但也意味着其在集群化部署时呈现出功耗集中、热释放高度稳定且持续的运行特征，对供电与散热系统提出了更高一致性与可靠性要求。

随着 TPU 代际持续演进，其算力密度与系统集成度不断提升。相比通用 GPU 架构，TPU 更强调在特定AI负载下的计算效率与互联带宽，这也使其在大规模集群部署时，呈现出高并行度、高稳定负载、功耗集中度高 的典型特征。在TPU Pod等集群形态中，大量算力节点以高度一致的工作状态持续运行，对供电与散热系统的稳定性提出了更高要求。

在模型训练规模不断放大的背景下，TPU 单节点及系统级功耗亦随之抬升。高算力密度与持续满载运行，使 TPU 集群在部署层面更早触及传统风冷架构的效率边界，也进一步放大了热管理在系统设计中的权重。

03

从 TPU 到液冷：Google 的系统级热管理架构

随着 AI 模型算力需求快速跃升，Google在TPU 集群的液冷部署上走在全球前列，形成了端到端、系统级的热管理解决方案。Google 早期即在 TPU 服务器中引入冷板式液冷方案，对核心发热器件进行定向散热，并通过优化液路设计与回水温管理，实现高负载下的稳定运行。相较传统风冷，液冷在高热流密度场景中具备更高的传热效率，使 TPU Pod 能够在更高功率密度下持续运行，同时显著降低制冷系统能耗。

从TPUv3开始，Google 就在量产 AI 服务器上引入直接液冷：冷板采用铜材质微通道鳍片结构，并设计了“中心冲击、双向分流（split-flow）”流道，显著降低热阻，提升芯片 TDP 支持与运行频率，使单位体积算力密度提升 1.6 倍以上。

TPUv4 更进一步，首次采用裸芯封装与并联液冷流道，配合主动流量控制阀，实现不同芯片间的精确流量与温度分配，液冷系统从传统散热演进为可控、可调的高性能热管理系统，直接适应 AI 训练过程中功耗波动大、负载变化快的特点。此后，TPUv5p 与 Ironwood（TPUv7）均采用冷板式液冷，每颗 Ironwood TPU 功耗突破 600W，每个机架功率可达数MW，支持大规模、高密度的 AI 推理与训练工作负载。

2024年的Google I/O 开发者大会上，谷歌CEO桑达尔·皮查伊透露，谷歌的液冷设备数量已增长至约1吉瓦。谷歌的第七代 TPU Ironwood 性能比肩英伟达的B200，功耗单芯片突破600w，集群功率高达10MW。目前已经确认采用冷板式液冷技术。Ironwood芯片托盘。每个托盘包含4个Ironwood TPU芯片，该托盘采用液冷散热。

Google自研CDU

在机架与数据中心层面，Google 自研的模块化冷却液分配单元（mCDU）通过泵与液-液热交换器将 IT 回路与设施冷却回路隔离，确保液体清洁可控、系统冗余可靠。第五代 CDU 可支持单机 2MW 散热，并通过多块并联液-液换热器与无密封高性能泵，实现超高流量、超低温差，同时兼容风冷与液冷混合场景。Google 将这一液冷心脏级方案开源至 OCP 社区，为行业提供超高功率密度数据中心的参考标准。

整体来看，Google 的液冷策略已不再仅是去除芯片热量，而是深度嵌入到 TPU 设计、服务器板卡、机架及数据中心基础设施的协同体系中。通过冷板与 CDU 的高度整合，液冷直接提升算力密度、降低能耗、提高系统可靠性，并释放数据中心的设计空间，支撑超大规模 AI 模型的训练与推理。随着 TPU 在 AI 推理场景中逐步对 GPU 发起挑战，液冷已成为 Google 高性能计算基础设施的核心竞争力，也是未来高功率数据中心建设不可或缺的基础设施能力。

04

最后

随着Alphabet加速布局Intersect能源与数据中心基础设施，以及 Google 自研 TPU 与液冷技术的快速迭代，高算力 AI 平台的建设正在迎来前所未有的速度与规模。液冷不再只是散热手段，而成为提升算力密度、优化能效与保障系统可靠性的核心基础设施，支撑未来大规模 AI 模型的训练与推理。此次并购与技术升级，将进一步强化 Google 在 AI 数据中心和能源创新领域的领先地位。