رشد سریع هوش مصنوعی در حال بازتعریف روشهای خنکسازی مرکزهای داده است. با افزایش بارهای محاسباتی هوش مصنوعی، توان حرارتی تولیدشده توسط سرورهای نسل بعدی به سطحی رسیده که سیستمهای سنتی خنککننده هوا و تبخیری دیگر قادر به مقابله مؤثر با آن نیستند.
این تغییر در اواسط سال ۲۰۲۶ ملموس شد، زمانی که انویدیا طرح مرجع نسل روبین خود را منتشر کرد — معماریای کاملاً مبتنی بر خنکسازی مایع که حول حلقههای گلیکول با دمای بالا و خنککنندههای خشک بیرونی طراحی شده و جایگزین سیستمهای آب سرد یا برجهای خنککننده تبخیری میشود. این یکی از واضحترین نشانهها تاکنون است که خنککنندههای خشک از نقش کمکی به هسته اصلی سیستمهای دفع حرارت در مرکزهای داده هوش مصنوعی تبدیل شدهاند.
بزرگترین چالش برای مراکز دادهٔ هوش مصنوعی دیگر صرفاً ظرفیت پردازش نیست — بلکه مدیریت گرماست.
با افزایش عملکرد واحدهای پردازش گرافیکی (GPU)، چگالی توان در رکها بهطور چشمگیری در حال افزایش است. توان طراحی حرارتی (TDP) هر واحد GPU در نسل بعدی پلتفرمها بهتدریج به محدودهٔ ۱۸۰۰ تا ۲۳۰۰ وات نزدیک میشود و چگالی اوج توان در خوشههای هوش مصنوعی بسیار فراتر از آنچه که مراکز دادهٔ سنتی در ابتدا برای آن طراحی شدهاند، قابل دستیابی است.
خنککنندگی سنتی با هوا در پاسخ به این تغییر با مشکل مواجه میشود، زیرا:
برای حل این چالشها، امکانات هوش مصنوعی نسل بعدی به سمت خنکسازی مستقیم مایع حرکت میکنند؛ در این روش، گرما از تراشهها از طریق حلقهای از مایع خنککننده منتقل شده و سپس به بیرون از ساختمان دفع میشود.
یکی از پیشرفتهای کلیدی در سیستمهای خنککننده هوش مصنوعی پیشرفته، بهکارگیری سیستمهای گلیکولی بسته با دمای بالا است.
بهجای استفاده از آب سردشده یا برجهای خنککننده تبخیری، طراحی مرجع روبین شرکت NVIDIA جریان مایع خنککننده گلیکول را در دماهایی بسیار بالاتر از حلقههای معمول آب سردشده هدایت میکند — مایع خنککننده با دمایی حدود ۴۵ درجه سانتیگراد وارد رک میشود و با دمایی نزدیک به ۵۵ درجه سانتیگراد از آن خارج میگردد؛ این اختلاف دمای گسترده این امکان را فراهم میکند که در بیشتر مناطق جغرافیایی، تنها با استفاده از هوای محیطی و از طریق خنککنندههای خشک بیرونی، گرما دفع شود و نیازی به راهاندازی سیستمهای سردکننده مکانیکی پرهزینه از نظر انرژی نباشد.
نمودار معماری: رک سرور هوش مصنوعی → مبدل حرارتی → خنککننده خشک بیرونی در یک سیستم گلیکولی بسته
مزیت کارایی بسیار قابل توجه است: سیستم خنککننده معمولاً تا ۴۰ درصد از مصرف کل برق یک مرکز داده را تشکیل میدهد و افزایش دمای کاری نیروگاه چیلر تنها به اندازهٔ یک درجه، میتواند هزینههای انرژی سرمایش را تقریباً ۴٪ کاهش دهد. اجرای حلقه در دمای بالاتر همچنین بدین معناست که هرچه دمای مایع خنککننده بالاتر باشد، فرصت بیشتری برای دفع مستقیم گرما از طریق خنککنندههای خشک (dry coolers) به جای سرمایش مکانیکی فراهم میشود.
مصرف آب بدون تبخیر
برخلاف برجهای خنککننده، سیستمهای گلیکولی بسته (closed-loop) به تبخیر پیوستهٔ آب وابسته نیستند. شرکت NVIDIA برآورد میکند که طراحی مرکز دادهٔ روبین (Rubin) آنها میتواند در مقایسه با سیستمهای سرمایش تبخیری معمولی، سالانه حدود ۲٫۶ میلیون گالن آب به ازای هر مگاوات صرفهجویی کند — که این امر کاملاً محدودیتِ «در دسترسبودن آب» را از معیارهای انتخاب محل ساخت حذف میکند. مکانیزمهای صرفهجویی در مصرف آب را در راهنمای ما دربارهٔ خنککنندههای خشک و مصرف آب در مراکز داده
این ویژگی، سیستمهای گلیکولی بسته را بهویژه مناسب میسازد برای:
با پیشرفت زیرساختهای هوش مصنوعی، خنککنندههای خشک دیگر تنها یک مبدل حرارت سنتی نیستند — بلکه بخشی حیاتی از کل معماری سیستم خنککنندگی محسوب میشوند، نه یک جزء کمکی که بعداً به آن متصل شده است.
خنککنندههای خشک ماژولار نوع V
برای کاربردهای هوش مصنوعی با تراکم بالا، خنککنندههای خشک ماژولار نوع V مزایای ویژهای ارائه میدهند: بیشینهسازی سطح مؤثر تبادل حرارت در عین حفظ فوتپرینت فشرده، ارائه ظرفیت خنککنندگی بالا با نصب انعطافپذیر، کاهش نیاز به زمین، و امکان گسترش آسان ظرفیت از طریق پیکربندی ماژولار هنگام افزایش تقاضای پردازش.
مقایسه سیستم سنتی برج خنککننده با سیستم نسل جدید حلقه بسته گلیکول و خنککننده خشک، همراه با نمودار جریان دفع حرارت
طراحیشده برای شرایط اقلیمی شدید
مرکزهای دادهی هوش مصنوعی در آینده نهتنها در مراکز فناوری سنتی قرار نخواهند گرفت — بسیاری از تأسیسات بزرگمقیاس هوش مصنوعی در مناطقی با آبوهوای چالشبرانگیز در حال توسعه هستند، بنابراین سیستمهای خنککننده باید در محدودهی وسیعی از دماهای کاری پشتیبانی کنند.
خنککنندههای خشک مدرن راهکارها برای عملکرد پایدار در دماهای تقریبی از ۲۰- درجه سانتیگراد (با حفاظت مناسب در برابر یخزدن) تا حدود ۴۰ درجه سانتیگراد دمای محیط طراحی شدهاند و قابلیت اطمینان بلندمدت در محیطهای سخت بیرونی را دارند. برای مکانهای ساحلی و صنعتی، حفاظت در برابر خوردگی درجه دریایی مانند پوششهای سطح C5M بهطور فزایندهای برای تجهیزاتی که در معرض پاشش نمک و جوهای خورنده قرار میگیرند، مشخص میشود — برای گزینههای مواد مناسب در این محیطها، راهحل حفاظت هستهی خنککنندههای خشک ما در شرایط خوردگی بالا را ببینید.
توسعهی هوش مصنوعی سریعتر از چرخههای برنامهریزی سنتی مراکز داده پیش میرود، بنابراین سیستمهای خنککننده باید بهاندازهی کافی انعطافپذیر باشند تا همراه با افزایش تقاضای پردازشی گسترش یابند.
سیستمهای خنککنندهٔ خشک ماژولار این انعطافپذیری را فراهم میکنند. به جای استفاده از یک واحد خنککنندهٔ بزرگ، اپراتورها میتوانند چندین ماژول را نصب کرده و ظرفیت را بهصورت تدریجی با رشد بارهای کاری هوش مصنوعی افزایش دهند — که این امر حملونقل و نصب آسانتر، اجرای سریعتر پروژه، کاهش ریسک تعمیر و نگهداری (چرا که یک ماژول را میتوان بدون ایست کردن کل سیستم تعمیر کرد) و ظرفیت خنککنندگی مقیاسپذیری را فراهم میکند که با رشد محاسباتی هماهنگ میشود، نه اینکه لازم باشد سالها پیش از آن پیشبینی شود.
امکاناتی که در این مقیاس از خنککنندههای خشک استفاده میکنند، بهطور فزایندهای آنها را با نظارت مستمر بر وضعیت ترکیب میکنند — راهنمای ما دربارهٔ خنککنندههای خشک هوشمند و نظارت از راه دور اینترنت اشیا به بررسی این موضوع میپردازد که چگونه سنسورهای اینترنت اشیا مشکلات مربوط به پنکه، کویل یا جریان هوا را پیش از اینکه بر زمان عملیاتی تأثیر بگذارند، شناسایی میکنند.
آیا خنکسازی مایع با دمای بالا به این معناست که خنککنندههای خشک بهطور کامل جایگزین چیلرهاي مکانیکی میشوند؟
نه همیشه، اما هدف کاهش وابستگی به آنها تا حد امکان است. از آنجا که طراحی مرجع روبین-کلاس خنککننده را در دمای بسیار بالاتری نسبت به حلقههای معمول آب سرد جریان میدهد، خنککنندههای خشک میتوانند این گرما را مستقیماً به هوای محیط در طیف گستردهتری از اقلیمها و فصلها دفع کنند؛ بنابراین سیستمهای خنککننده مکانیکی تنها در شرایط اوج بسیار شدید به عنوان پشتیبان عمل میکنند و نه به عنوان روش اصلی دفع گرما.
آیا مراکز داده موجود میتوانند خنککنندههای خشک را برای خنکسازی مایع با دمای بالا ارتقا دهند یا این کار نیازمند ساخت جدید است؟
هر دو امکانپذیر است، اما امکانپذیری عملی آن به زیرساخت خنککنندگی موجود بستگی دارد. تأسیساتی که قبلاً از حلقه خنکسازی مایع با مبدل حرارتی و تجهیزات دفع گرما در فضای باز استفاده میکنند، مسیر سادهتری دارند؛ در مقابل، تأسیساتی که هنوز کاملاً به خنکسازی هوا یا برجهای تبخیری وابستهاند، معمولاً نیازمند بازطراحی گستردهتری از زیرساخت هستند.
خنکسازی گلیکول با دمای بالا چگونه بر اندازهگیری خنککنندههای خشک نسبت به کاربردهای استاندارد تأثیر میگذارد؟
دمای ورودی گستردهتر (تفاوت بین دمای مایع خنککننده و دمای هوا) عموماً باعث میشود که خنککنندهٔ خشک بتواند بار حرارتی مشخصی را بهراحتیتر دفع کند، زیرا اختلاف دمای محرک بزرگتر است. با این حال، در محاسبهٔ ابعاد، غلظت گلیکول نیز باید لحاظ شود، چرا که این عامل بر ویژگیهای سیال تأثیر میگذارد — روش اساسی را در راهنمای محاسبهٔ ظرفیت خنککنندهٔ خشک مشاهده کنید.
نسل بعدی سرورهای هوش مصنوعی نیازمند چیزی فراتر از پردازندههای قدرتمند است — آنها نیازمند زیرساخت خنککنندگی به همان اندازه پیشرفتهاند. خنکسازی مایع با گلیکول دما بالا همراه با خنککنندههای خشک ماژولار نوع V خنککنندههای خشک جهت اصلیای برای مراکز دادهٔ هوش مصنوعی در آینده را نشان میدهد و طراحی مرجع Rubin از شرکت NVIDIA این تحول را در سراسر صنعت تسریع میکند.
سینروی رادیاتور راهحلهای سردکنندهٔ سفارشیسازیشده را برای کاربردهای پرتنش توسعه میدهد، از جمله خنککنندههای خشک، مبدلهای حرارتی سیال، و سیستمهای رادیاتور صنعتی. با ادامهٔ شتابگیری محاسبات هوش مصنوعی، دفع مؤثر گرما یکی از مهمترین عوامل تعیینکنندهٔ قابلیت اطمینان، پایداری و مقیاسپذیری مراکز دادهٔ آینده خواهد بود.
آیندهٔ هوش مصنوعی نهتنها دربارهٔ تراشههای سریعتر است — بلکه دربارهٔ سیستمهای خنککنندهٔ هوشمندتر نیز هست.
اخبار داغ2026-08-25
2026-08-20
2026-08-14
2026-08-12
2026-07-31
2026-07-29
EN
