从 48V 到 800V,AI 数据中心正在被重新设计深读 OCP《Open Systems for 》:供电、液冷、互联与系统管理如何走向一体化

从 48V 到 800V，AI 数据中心正在被重新设计

深读 OCP《Open Systems for AI》：供电、液冷、互连与系统管理如何走向一体化

白皮书来源：Open Compute Project（OCP）|版本 1.0.0|2025 年|原文 100 页

导读 · 约 120 字

AI 数据中心的瓶颈，正从“有多少 GPU”变为“怎样把电、热、网络和管理能力可靠地送到 GPU”。OCP 在《Open Systems for AI》白皮书中，提出从机架到集群的开放式系统蓝图：高功率机架、±400V／800V 直流供电、芯片级供电、液冷、开放互连和统一管理。本篇不只摘录技术路线，更讨论这些变化如何重塑数据中心建模、仿真与运行优化。

01为什么值得读：这不是一份“GPU 白皮书”

这份白皮书的价值，不在于预测下一代 GPU 型号，而在于改变观察 AI 数据中心的尺度：从处理器、计算托盘和机架，延伸到供配电、液冷、网络、运维与设施侧。它将 OCP 的多个工作方向归并为三个相互依赖的层次——数据中心 IT 基础设施、数据中心物理基础设施与系统管理。

传统的数据中心架构习惯将 IT 系统、电力、制冷分别设计；而大规模 AI 训练把三者约束绑定在一起。更多加速器意味着更大的供电电流与散热通量，更短的铜互连意味着更高的机架密度，密度上升又反过来挤占电源、UPS 和风道空间。这已经是系统工程问题，而不是单点器件选型。

需要先明确文本性质：OCP 将本文定位为“技术性、非强制性的愿景蓝图”，并非已经完成的统一标准，更不能把其中列举的研究性方案等同于量产设备的成熟配置。

OCP Open Systems for AI 的三大工作域|原文 Figure 3，p.14；保留原图

资料定位：原文 pp.11–16、p.34、p.72。

02一句话看懂：AI 的算力密度，最终受制于系统密度

白皮书描绘了 250 kW → 500 kW → 1 MW 的未来高功率机架演进方向。但这不是在说所有数据中心都将直接部署兆瓦机架，而是在强调：当单机架功率持续上升，原有机架空间、供配电、液冷和管理接口必须同步重构。

原文举了一个具有冲击力的量级测算：如果一个 72 加速器机架／Pod 的功率按约 140 kW 估计，那么由约 32,000 个加速器组成的集群需要约 444 个 Pod，对应约 62.2 MW 的机架级总功率。这个数字用于说明系统量级，不能直接当作含制冷、变压器及其他附属系统的全场站总用电功率。

更深一层的变化是，GPU 的“可用算力”不再由芯片峰值性能单独决定，而与网络有效利用率、功耗限制、散热裕量、设备故障与维护速度一起决定。电、热和互连能力若无法匹配，增加芯片数量也不一定按比例增加有效训练吞吐量。

从计算组件到集群的结构关系|原文 Figure 6，p.20；保留原图

资料定位：原文 pp.15、19–20、31–34。

03五个硬问题：下一代 AI 机架究竟要解决什么

问题一：为什么 48V 配电会面临新的压力？

原文给出的核心逻辑十分直接：功率增加而配电电压维持较低水平，将导致电流、母排截面积及损耗压力快速上升。为减少机架内部非计算设备的占用，OCP 讨论把 BBU（电池备份单元）和部分 AC/DC 变换功能从 IT 机架移至旁路机架（Sidecar）或设施侧，进一步评估 ±400 VDC、800 VDC 等方案。

做一个理想化量纲比较：同样传输 250 kW 直流功率，48V 对应约 5,208 A，800V 对应 312.5 A，电流相差约 16.7 倍。若导体电阻完全相同，I²R 损耗将呈平方关系；但真实工程中的母排长度、绝缘、变换级数、接地、保护与效率均不同，因此不能据此宣称实际整机损耗下降固定倍数。

此外，±400 VDC 是相对于中点的正负双极电压体系，虽然两极间名义电压差可达 800 V，但其接地、绝缘和故障处置要求，不应与单极 800 VDC 架构简单画等号。白皮书明确把不同高压直流方案的取舍列为尚需进一步研究与行业收敛的课题。

BBU 与电力转换功能从 IT 机架向外部迁移的路线|原文 Figure 20，p.43；保留原图

兼容原有 AC 机房的 Sidecar 过渡供电思路|原文 Figure 21，p.44；保留原图

资料定位：原文 pp.38–44、48–49。算例为本文根据 P=UI 推算。

问题二：把电送到机架还不够，怎样送到芯片？

机架升压只能处理“长距离、大功率”的一段问题。芯片本身需要更低的电压、更大的电流和更快的供电动态响应。白皮书重点介绍了垂直供电（Vertical Power Delivery，VPD）：将传统横向的芯片末级配电路径缩短，减小由大电流导致的压降和铜损，并为芯片布局、信号完整性及散热提供空间。

原文引用行业案例讨论了 1 kA 级垂直供电及相关损耗改善，但这属于文中引用的特定设计与验证结果，并不代表所有 AI 芯片或电源架构都能达到相同效果。对工程分析而言，应把“从高压直流母线到芯片低压核心”的多级转换作为连续链条来看：前级整流／DC-DC、机架母排、板级电源、芯片近端稳压及其控制相互耦合。

传统横向供电与垂直供电的路径对比|原文 Figure 17，p.39；保留原图

资料定位：原文 pp.38–39。

问题三：液冷不是“加一台 CDU”这么简单

OCP 将液冷视为高密度机架的基础条件。其工程边界并不是“芯片接水管”，而是有完整层次的热量搬运链：芯片 → TIM／冷板 → 服务器支路 → 机架歧管 → TCS（技术冷却回路）→ CDU → 设施水系统 FWS → 最终散热或余热回收。

CDU 的作用也不仅是换热，还涉及流量、压力、温度及冷却介质化学条件的控制。白皮书对应提出冷板验证、机架歧管、盲插／快接接口、泄漏检测、CDU 测试和流速限制等规范化任务。浸没式、两相冷板、微通道冷却亦被讨论，但它们的研究成熟度、经济性与维护要求不能混为一谈。

这意味着热仿真不能只算稳态温度。AI 负荷阶跃后，芯片发热、冷板换热、管路流量、泵阀控制与设施散热之间存在不同的时间常数；任一环节触碰边界都可能引起降频、功耗限制甚至保护动作。

数据中心冷却回路与余热去向|原文 Figure 15，p.32，图源标注 NREL；保留原图

资料定位：原文 pp.31–32、40–42、49–51。

问题四：Scale-Up 与 Scale-Out 不是一回事

白皮书对网络划分很清晰：Scale-Up 解决高带宽域（HBD）内部加速器之间的紧耦合通信，使多块加速器在逻辑上更接近一个计算单元；Scale-Out 解决 Pod 与 Pod 之间更大规模的集群扩展。文中讨论 NVLink、UALink、InfiniBand、RoCE／Ultra Ethernet 等不同互连技术与开放接口。

为什么这与能源系统有关？因为互连带宽、延迟和并行策略决定 GPU 的有效活跃时间；有效活跃时间决定功率时间序列、热负荷波动和冷却响应。以 Token/s 或训练完成时间评价集群时，不能只采用“GPU 数量 × 单卡峰值性能”的静态模型。

资料定位：原文 pp.26–30、52–57；网络负荷与电热耦合的工程解释为本文延伸分析。

问题五：系统管理如何从“监控”走向“跨域闭环”？

OCP 将节点、机架、集群和数据中心管理分层，并着重讨论 Redfish、带外管理、统一遥测及管理配置文件。其愿景是，IT 与物理基础设施不再各自只读，而是通过跨域遥测和策略控制，在供电、冷却和计算资源之间形成协同。

一个重要边界容易被忽略：原文第 6.7 节明确将应用与工作负载管理排除在本文系统管理范围之外。第 6.6 节还把 AI 驱动数字孪生、统一硬件抽象层和系统编排列为“差距／后续工作”。因此，可以据此判断数据中心会需要更深的跨域优化，但不能把白皮书描述成已经给出了完整的 Token 调度算法。

数据中心—集群—机架—节点的带外管理层级|原文 Figure 28，p.70；保留原图

资料定位：原文 pp.64–71，尤其 pp.68–69 的范围与差距说明。

04从三层架构看：未来数据中心是一套可组合的工程系统

将各章拼起来，可以得到一个比“GPU＋电源＋液冷”更完整的视角：底层是设施电力和冷却，中层是模块化计算与网络，上层是统一可观测、可管控的系统接口；它们通过开放规格和可组合硬件逐步降低改造和供应链切换的成本。

在这个结构里，开放接口首先解决的是“模型可接入、设备可替换、数据可互通”；但要想回答“极端任务扰动是否造成电压跌落”“某台 CDU 故障后哪些机架先降频”等工程问题，还必须有经过测量校验的物理模型与动态求解能力。两者相互依赖，不能互相替代。

资料定位：原文 pp.14、32–34、52–60、64–71；模型分层表为本文归纳。

05方法：怎样把白皮书转成可验证的电—热—算仿真场景？

白皮书的贡献是提出系统边界与关键技术方向。若从工程仿真角度进一步落地，更适合采用“先约束、再模型、后场景、最后优化”的路线，而不是先做一个覆盖所有模块却难以验证的大型数字孪生。下述方法为本文在白皮书基础上的工程化建议，并非 OCP 已发布的测试规范。

第一步：先建立统一的功率—热量—负荷边界

输入包括 GPU／节点利用率与功率曲线、机架目标功率、各级变换效率、供回水温度、流量与压力、设施散热能力。优先核对功率守恒与热平衡：IT 消耗的电能绝大部分最终转化为热，但不同位置、不同热惯性和废热利用路径决定散热系统的瞬态压力。

第二步：把时间尺度拆开

这些区间仅表示建模分工，不是白皮书规定的通用时间常数。实际应依据设备参数和测量数据决定求解步长，并通过 FMU、接口协同或多尺度代理模型连接各子系统。

第三步：用一组工况把方案“跑实”

第四步：优化目标不能只剩一个 PUE

PUE 衡量数据中心整体用电与 IT 用电之间的关系，适合评价设施效率；但 AI 集群还要关心同样的电能究竟完成了多少有效计算。因此在 PUE 之外，可进一步观察 Tokens/Watt、单位有效任务成本、任务截止时间、设备可靠性及电热边界约束。

一项工程设计最容易忽略的情况是：节省冷却能耗的控制动作可能推高芯片温度并触发降频；节省网络投资的架构可能延长任务时长并增加累计能耗。真正的目标是多约束下的整体最优，而非某一个子系统的局部最优。上述目标体系是本文提出的延伸框架，白皮书本身并未给出统一 Token 成本指标或调度算法。

资料定位：工程化方法根据原文第 4、5、6 章的系统边界延伸提出；并非 OCP 验收标准。

06六个关键判断：哪些结论成立，哪些仍需验证？

这里还有一个贯穿全文的判断：开放并不等于性能自动提升。标准化接口让多厂商构建、替换和协同成为可能；但性能、可靠性与 TCO 的改善仍需要具体架构、测试数据和可验证的系统设计。

资料定位：对应原文 pp.15、26、31、38–51、68–69。

07我的观点：下一个关键竞争点，是跨域模型与可验证的系统优化

从这份白皮书能看出，AI 数据中心正在由一组独立设备，演变为电、热、算、网、控紧密耦合的工业系统。其竞争不只体现在处理器算力，也体现在供电容量如何扩展、散热边界如何保障、网络如何提高有效吞吐、故障如何快速恢复，以及不同系统能否在同一工程模型中协同优化。

对于工业仿真与研发工具链，我更看重五项可交付能力：一是从设施到芯片的电力拓扑与多级变换模型；二是冷板—CDU—设施冷却的热流体闭环；三是能够与真实测量对齐的 AI 动态负荷模型；四是 UPS／BESS、保护与故障切换的动态验证；五是基于遥测、运行规则与经济性约束的批量工况及优化分析。

工程落地时，可以先选择一套典型机架架构，完成“模型搭建—参数校准—批量工况—结果比对—报告生成”的闭环；再扩展到多机架与多 CDU，最后引入工作负载和能源成本优化。只有这样，数字孪生才会从可展示的系统图，变成支撑方案设计、设备选型与运行决策的可信工具。

结语｜未来 AI 数据中心的关键，不是把更多 GPU 放进同一个机架，而是让电、热、网络与管理能力一起跟上算力密度的增长。

原始资料与阅读说明

主文献：Open Compute Project (OCP), Open Systems for AI: Blueprint for Scalable Infrastructure, Version 1.0.0, 2025，100 页。重点阅读：系统架构 pp.17–34；物理设施 pp.35–51；IT 基础设施 pp.52–63；系统管理 pp.64–71。

版权与原图：文中使用原白皮书 Figure 3、6、15、17、20、21、28，保留原图并在图注标明图号与页码。原文版权说明见 pp.99–100，采用 CC BY-SA 4.0 许可；其中 Figure 15 在原文中注明图源 NREL。转载时请继续保留原始出处及许可要求。

事实边界：文中 2025 年技术路线和数据均以该版本白皮书为准，未将其作为 2026 年行业装机现状。涉及动态仿真分层、验证工况、Tokens/Watt 和模型工程路线的内容为本文扩展分析。