探讨了 AI 算力提升带来的高能耗与散热难题，分析了 GPU 向 AI 专用芯片转型过程中的功耗激增现象及液冷散热的重要性。文章重点介绍了 MPS 提供的四大电源解决方案突破：紧凑型高功率密度设计、兼容液冷的顶部散热方案、基于严密仿真与测试的可靠性保障，以及完善的工具链与供应链管理。这些方案旨在降低数据中心配电损耗，提升单机柜功率密度，并确保大规模 AI 训练任务的稳定性与连续性。
随着人工智能技术的广泛应用，从智能手机到自动驾驶汽车，从智能家居到工业自动化，AI 供电芯片的需求量正呈爆炸式增长。它不仅为 AI 系统提供稳定的电力供应，确保系统的正常运行，而且还肩负着节能减排、降低能耗的重任。
然而随着算力需求的提升，AI 设备的能耗、散热等问题凸显，这无疑给 AI 供电芯片带来了新的挑战。如何实现高效率、低功耗、持续稳定的供电成为了业界关注的焦点。本文将深入探讨当前 AI 基础设施面临的三大核心挑战，并分析先进的电源管理方案如何应对这些难题。
算力核心设备由传统的 CPU 向 GPU 的转移，不仅提升了计算效率，更使得复杂的数据处理和深度学习模型得以实现。然而，高性能往往伴随着高能耗。在追求更快计算速度的同时，GPU 的能耗也在不断上升，给数据中心和服务器带来了巨大的能源压力。
根据荷兰数据科学家 Alex de Vries 在学术期刊《Joule》上发表的研究显示，按照当前趋势，到 2027 年，整个人工智能行业每年将消耗 85 至 134 太瓦时的电力（1 太瓦时=10 亿千瓦时）。这一数据揭示了 AI 训练对能源基础设施的巨大需求。随着大模型参数量指数级增长，单次推理或训练的功耗显著增加，传统的配电架构已难以满足高效能比的要求。
在数据中心层面，PUE（Power Usage Effectiveness）指标成为衡量能效的关键。降低 PUE 意味着减少非计算设备的能耗占比，而优化供电链路是其中的核心环节。电源转换效率的提升直接决定了运营成本的降低和碳排放的减少。
高性能的 AI 芯片在运行过程中会产生大量热量，如果不能及时有效地散热，不仅会影响设备的稳定运行，还可能缩短其使用寿命，制约 AI 算力的进一步增长。热设计功耗（TDP）是衡量芯片发热量的重要指标。
未来，单颗高性能 AI 芯片的热设计功耗将突破 1000W，达到了传统风冷散热的极限。当功率密度超过一定阈值，空气对流已无法有效带走热量，导致热点积聚，进而引发降频甚至硬件损坏。因此，各大公司纷纷投入研发，探索更有效的散热解决方案。
液冷技术逐渐成为主流方向。相比风冷，液冷的比热容更大，导热效率更高，能够支持更高的机柜功率密度。行业巨头们正在推进的浸没式液冷和冷板式液冷技术，旨在解决高密度计算场景下的散热瓶颈。电源模块作为发热源之一，其散热设计也必须兼容这些新型冷却方式。
AI 应用对芯片的性能与可靠性要求非常高。为了完成一个大模型的训练任务，通常需要几千张甚至几万张计算卡进行级联，提供充足的算力。这种大规模并行计算环境对供电稳定性提出了极高要求。
如果有一张卡出了问题，或者供电出现波动，那么整个大模型的训练都会受到影响，造成巨大的时间和资源浪费。如何定位到失效的板卡也是非常费时费力的工作，严重影响训练的效率。此外，AI 负载具有突发性强的特点，电源系统必须具备极快的瞬态响应能力，以应对负载的剧烈变化，防止电压跌落导致系统复位。
MPS（Monolithic Power Systems）深耕计算领域多年，从笔记本、台式机到自动计算平台，再到数据中心服务器，与各大平台都有紧密的合作。随着传统数据中心通过集成 AI 技术来实现智能化升级，MPS 也在快速迭代电源方案，为行业和客户提供高品质、可靠的 AI 电源解决方案，适用于 AI 推理卡、训练卡、边缘计算设备、超算服务器等各类应用场景。
MPS 的 AI 电源方案采用创新设计，体量更紧凑，配电损耗更低，使数据中心在给定机柜范围内的计算能力得以提升。
相比竞争对手的方案，MPS 的功率转换技术在主板上占用的空间更小，这样所有处理器能更紧密地结合为一体，在更小的空间内实现更强的计算能力。下图展示了高度集成的数字多相电源模块概念。
MPS 专注改善数据中心的功率密度，因为数据中心面临着人工智能等新计算应用的更大功率需求。以创新手段提升功率密度意味着减小配电损耗，从而降低数据中心的总运营成本、单次计算输出的总成本以及碳排放。而机柜数量减少后，数据中心的物理占用空间也能最大限度地缩减。
130A、两相、非隔离式降压电源模块 MPC22167-130 是 MPS Intelli-Module™系列的最新产品，它将 DrMOS、电感和其他无源元件集成到单个封装中，不仅占位面积小，功率密度还提高了 2.5 倍。而且，它允许将多相稳压器（VR）放置在更靠近处理器的位置，从而减少了配电网络 (PDN) 的损耗。
多个 MPC22167-130 器件可与第一级电源模块配合使用，以支持端到端的电源解决方案，同时能够满足 AI 处理器的高功率要求。该参考设计可应用于 OAM 形态的 AI 处理器，它采用 MPC22167-130 支持 2000A 的最大输出电流 (IOUT)，其中第二级方案的设计采用了 MPC22167-130 与数字 16 相控制器 MP2891 的组合方案。
为了解决高功率密度电源模块中的散热问题，MPS 多管齐下：一方面优化内部结构和器件设计，提升电源转换效率，降低功耗，同时减少热量产生，确保设备稳定运行；另一方面，将模块做成顶部散热，方便散热器的设计；不仅如此，器件还能兼容液冷的应用，借助液冷增强服务器散热效果，从而进一步发挥电源的极致性能，使单机柜功率大幅提升。
磁芯设计的优化对于电源效率至关重要。通过改进磁性材料的选择和绕组结构，可以显著降低铁损和铜损，从而提升整体转换效率。这在高功率密度应用中尤为关键，因为微小的效率提升都能带来显著的节能效果。
AI 芯片批量的一致性和可靠性是非常重要的，没有多年的经验积累和严格的市场检验，是磨砺不出好的 AI 电源的。MPS 在设计阶段，会通过仿真和理论计算，确定所有器件的工作条件，从而选取合适的电子器件。
采用高电流等级、高耐压的电子器件，内部电感为 MPS 专利设计，饱和电流高。而在研发阶段，MPS 则采用不同批次的模块产品进行可靠性实验，出厂前会逐项测试模块电气性能及参数，最后还会进行老化测试及前后参数对比分析。
SIMPLIS 等仿真工具被广泛用于验证电路设计的稳定性。通过建立精确的模型，工程师可以在实际生产前预测电路行为，包括瞬态响应、环路稳定性等关键指标。仿真结果与实验室测量的比较误差极小，证明了设计模型的准确性。
MPS 能够提供很多好用的前期评估工具，如 PDN 仿真工具、仿真模型、灵活的 GUI 等，在前期和后期都能协助客户更方便地进行方案测试，确保精准落地。
同时，MPS 的工程师也将全程提供专业的技术支持，帮助客户及时解决实际应用中遇到的难题。另外，MPS 采用供应链 multi-source 管理，提高供应链的灵活性和自主性，优化生产工艺，以保证充足的产能，支撑 AI 对芯片大规模用量的需求。
在全球半导体供应链面临波动的背景下，多元化的供应商策略能够有效降低断供风险，确保项目按时交付。这对于大型数据中心建设尤为重要。
MPS 的 AI 电源解决方案提高了数据中心的计算能力，创新型电源架构方法增大了每个机柜的功率密度，减小了服务器的配电损耗，在提升 AI 算力的同时有效降低能耗，从而助力节省能源和降低运行成本。另外，兼容液冷应用的设计、芯片的一致性与可靠性保障、便捷好用的仿真工具、专业及时的技术支持、灵活自主的供应链等众多优势，也能够让客户在设计方案时更省时、更安心。
展望未来，随着 AI 模型规模的进一步扩大，对供电系统的要求将更加严苛。高频化、数字化、集成化将是电源技术的发展趋势。通过持续的技术创新，我们有望构建更加绿色、高效、可靠的人工智能基础设施，推动 AI 技术在各行业的深度应用。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
将 HTML 片段转为 GitHub Flavored Markdown，支持标题、列表、链接、代码块与表格等；浏览器内处理，可链接预填。 在线工具，HTML转Markdown在线工具，online
