当 NVIDIA Vera Rubin NVL72 开始把 AI 算力进一步推向机柜级集成，行业关注的就不再只是"GPU有多快"，而是整套系统如何在更高功率密度下稳定运行。
NVIDIA公布的测试数据显示，在特定 AgentX agentic coding 工作负载下，Vera Rubin NVL72 相比 GB300 NVL72 可实现最高约30倍的每兆瓦吞吐量，并降低最高约35%的 token 成本。这里需要特别说明，这并不是说单颗GPU性能提升了30倍，而是针对特定工作负载，从整机系统的算力产出与功耗关系来看，系统级能效出现了显著变化。
当计算从单张GPU、单台服务器逐渐走向整柜级系统，散热问题也随之发生变化。过去可以讨论"这张卡怎么散热"，现在更需要回答的是：一个高密度AI机柜产生的热量，如何从GPU一路传递到数据中心基础设施，并最终被排到环境中？
为什么 Vera Rubin 的散热问题必须放到"机柜"来看？
Vera Rubin NVL72不是简单地把72张GPU装进一个机柜，而是由GPU、CPU、高速互联以及供电、散热等基础设施共同构成的rack-scale系统。
在这种架构下，热源高度集中。如果仍然主要依赖空气带走GPU产生的热量，随着功率密度提升，风量、风压、换热面积以及机房空调系统都会面临更大的压力。更重要的是，热量并不是在GPU表面"消失"，而是必须经过一条完整的热传递路径，从芯片内部一路传递到数据中心的冷却基础设施。
因此，液冷真正解决的并不是某一个芯片的散热，而是把高密度算力产生的热量从机柜内部高效转移出去。
Vera Rubin采用单相直接液冷（Direct Liquid Cooling，DLC），冷却液可以直接进入服务器内部的冷板换热系统。NVIDIA公布的技术资料显示，其液冷供液温度可达到45°C。在适用环境条件下，更高的供液温度还有机会配合干式冷却器运行，从而降低对传统低温冷冻水系统的依赖。
GPU产生的热，第一步怎么进入液体？
GPU产生的热量首先需要从芯片内部传递到封装表面，再通过TIM（Thermal Interface Material，热界面材料）传递到冷板。
冷板内部存在液体流道，冷却液流过这些通道后，将热量带走。整个过程可以用一个非常基础但重要的热力学关系来理解：
Q = ṁ × Cp × ΔT
其中，Q是液体带走的热量，ṁ是质量流量，Cp是冷却液比热容，ΔT则是进液与回液之间的温差。
这意味着液冷系统并不是简单地"水越多越好"。流量、温差、冷板结构、压力损失以及换热效率之间存在相互制约关系。对于高功率GPU而言，如何让冷却液稳定地到达每一个高热流密度区域，本身就是系统设计的一部分。
而当冷却液离开服务器之后，问题还没有结束。
CDU为什么是液冷系统的关键节点？
服务器内部的液冷回路通常不能直接与数据中心的基础设施水系统简单连接，中间需要一个负责换热、循环和控制的设备，也就是CDU（Coolant Distribution Unit，冷量分配单元）。
从系统结构来看，CDU承担的是两个液路之间的"接口"角色。一侧连接服务器侧的二次液冷回路，负责向IT设备提供稳定的冷却液；另一侧连接数据中心的一次侧基础设施，通过换热将服务器带出的热量继续传递出去。
因此，CDU并不是单纯的"换热器"。它同时涉及泵、换热、过滤、流量、压力、温度以及状态监测等多个环节。液冷系统能不能稳定运行，很大程度上取决于这些参数能否持续保持在合理范围内。
工业富联科技服务的AI数据中心液冷方案，就是从这一层开始形成系统化能力。其公开方案覆盖CDU、二次侧液冷管路、PodRoom、快接头、流量计、温度与压力传感器、泄漏检测等多个环节，并通过软件平台实现远程监控、故障预警和能耗优化。
这也是为什么液冷很难只从某一个设备来理解。真正的数据中心热管理，需要把热源、冷板、管路、CDU、末端设备以及控制系统连接起来。工业富联科技服务公开的方案也呈现出这种从液冷核心设备、二次侧回路到控制与智能化检测的完整架构。
为什么"管路"本身也是技术问题？
液体从CDU进入服务器，并不是简单地"把水送过去"。当一个机柜内部同时存在多个高功率计算节点时，系统需要保证不同节点获得相对稳定的流量，否则就可能出现部分区域流量不足、局部温升过高的问题。
与此同时，管径、弯头、阀门、快接头以及不同设备之间的高度差都会产生压力损失。系统设计需要在流量、压力、管路尺寸和设备能力之间找到平衡。
这也是CFD（Computational Fluid Dynamics，计算流体力学）发挥作用的地方。
如果在数据中心已经建成之后才发现液冷管路布局、机柜排列或者冷热区域设计存在问题，调整成本会非常高。因此，工业富联科技服务的相关技术资料将Omniverse与CFD结合，用于数据中心建设前的3D建模和分析，对机房及制冷系统进行提前规划。
这里的Omniverse并不是简单做一个"3D效果图"。
在建设阶段，它承担的是数字孪生载体的作用：把数据中心机房、设备以及冷却系统建立对应的三维模型，再结合CFD对热流、气流和系统布局进行分析。这样，液冷系统就可以在真正建设之前进行一轮数字环境中的验证。
对于高密度AI数据中心来说，这种方法的价值在于把一部分原本只能"建完之后再验证"的问题，提前到建设之前解决。
工业富联科技服务在《2026灯塔工厂最新解读：全球化智造运营转型与路径》白皮书中进一步将这种思路概括为"先验证再建设"。在AI数据中心热管理场景中，建设前通过数字孪生与仿真验证机房布局、冷热通道、液冷架构及容量规划，提前发现风险并优化设计方案。
而Omniverse的价值还不止于规划阶段。
当数据中心真正投入运行后，数字孪生模型还可以连接液冷系统、服务器以及环境等多源数据，对不同区域的设备状态和环境变量进行实时监测，并根据实际需求对设备参数和运行模式进行远程控制。
这就形成了一个很重要的变化：液冷系统不再只是"物理设备"，而开始拥有一个与现实系统对应的数字模型。
建设之前，可以通过Omniverse+CFD验证系统应该怎么设计；运行之后，则可以将真实设备数据映射到数字空间，对系统状态进行观察和分析。工业富联科技服务的方案还进一步结合AI算法建立数据中心能效模型，通过不同工况下的PUE预测寻找运行优化方案，并实现液冷系统的动态调节。
这样来看，Omniverse并不是液冷系统之外额外增加的一层软件，而是把"设计"和"运行"连接起来的一层数字基础设施。
Vera Rubin带来的真正变化，是热管理边界在扩大
Vera Rubin的意义并不只是把计算性能继续推高。随着AI集群向更高密度、更强互联、更复杂工作负载发展，计算、散热、能源和基础设施之间的关系会越来越紧密。
45°C液冷供液温度背后，实际上已经涉及数据中心整个基础设施的能效设计。GPU产生的热量进入冷板，再经过二次侧回路、CDU以及数据中心一次侧基础设施，最终通过冷却设备排出。任何一个环节的效率下降，都可能影响整个系统的运行成本。
因此，评价一套AI数据中心液冷系统，不能只看GPU温度是否降下来，还要看热量经过什么路径被带走、液冷系统自身消耗多少能源、不同负载下是否能够稳定运行，以及建设方案能否在投产前得到充分验证。
从这个角度看，Omniverse的价值也更加清晰：它把原本分散在机房设计、液冷系统、设备运行和能效优化中的数据，逐步放进一个可以被建模、分析和持续优化的数字环境中。
从"热管理设计"走向"热优化、智能调优和智慧运维"，让数据中心热管理从单纯解决散热问题，进一步走向全生命周期管理。
所以，从Vera Rubin看液冷，真正值得关注的并不是某一个冷板或者CDU，而是高密度算力时代的热管理已经从单点设备问题变成了系统工程。Omniverse+CFD负责让系统在建设之前先被验证，液冷基础设施负责把热量稳定带走，而数据与AI则让这套系统能够在运行过程中继续被优化。
对于AI Factory而言，这可能才是液冷技术真正需要解决的问题：不仅要让算力"冷得下来"，还要让整个热管理系统从设计、建设到运营都变得可验证、可监测、可优化。