AI服务器的功率正在持续攀升。25年前，一台典型数据中心机架的功率大约只有5kW，现在已经可以超过100kW，未来几年部分机架甚至可能超过1MW。

随着GPU数量和单颗芯片功耗提高，单纯增加风量已经越来越难处理高密度机架产生的热量，冷板液冷开始进入AI服务器。

NVIDIA的产品路线里已经很明显。NVIDIA是业内较早采用液冷的厂商之一，毕竟GPU功耗太高了，Blackwell已经采用了大量的液冷装置，当到了Vera Rubin之后，NVIDIA第一次把AI基础设施做到了100%液冷，系统不包含任何风扇。

目前常见的直接冷板液冷，是把冷板安装在CPU、GPU等主要发热器件上。冷却液流过冷板进行热交换之后进入歧管，再回到冷却液分配单元（CDU）。CDU内部通常有水泵、过滤器、换热器、膨胀罐等部件，再把热量传递到数据中心设施侧的冷却系统中。

冷却液在这套系统中持续循环，流量和温度需要根据服务器负载不断调整。过滤器堵塞、管路压降变化、气泡、漏液或者水泵故障，都可能影响散热。需要监测的参数对象包括压力、温度和液位等，以确保液冷系统的稳定运行。

液冷相当于为服务器增加了一套全新的检测和控制系统，包括传感器、信号链以及电机驱动等模拟芯片都将受益。

除了直接冷板液冷，数据中心还在使用浸没式冷却和后门热交换器等路线。它们的具体流路不同，但共同变化是服务器散热开始从单纯控制空气，转向对液体流动进行持续监测和闭环控制。这也意味着压力、流量、温度、液位、漏液检测以及泵阀驱动等器件的用量增加。

这都给模拟芯片带来了新机会。

温度传感器需要增加

温度传感器一直是服务器里的基础器件，液冷增加了测温位置点。

除了CPU、GPU芯片本身，还需要知道冷板附近以及冷却液进出口的温度。除了确保芯片在安全工作温度区间之外，还可以通过检测冷却液的温差，检查回路热交换状态，也是调节泵速和流量的重要依据。

目前主要的温度传感器大致有三类，包括RTD、热敏电阻和集成式温度传感器芯片。

其中RTD和热敏电阻，在温度变化以后，自身的电阻发生变化，再通过分压、电流激励和ADC转换成温度。这类优势是结构简单，而且容易做成各种机械形态，可以夹在管道上，也可以做成探头直接伸进冷却液。

而集成式温度传感器则是将感温、信号调理、ADC以及数字接口集成在芯片内部，MCU可以直接读取温度。

几种器件并不存在简单的精度高低之分。RTD具有较好的线性度和长期稳定性；经过校准的NTC，在有限温区内同样可以获得很高的精度；数字温度芯片的优势更多在于出厂一致性、绝对精度规格以及系统实现简单，NTC则胜在安装方式灵活，这主要是因为和传统服务器测温不同，液冷除了要测芯片，冷板上的温度，也要直接测量液体温度。

流量和压力监测同样关键

对于液冷系统而言，过滤器堵塞、阀门没有完全打开、管路出现气泡，或者水泵转速下降等故障都会造成温度异常，因此需要通过冷却液的压力和流量测量以确保系统的可靠性，另外同样也是水泵调节的重要反馈。

压力检测相对容易理解。管路里的压力作用在传感器上，传感元件把机械形变转换成电信号，后面再经过放大、补偿和ADC转换。一个CDU可能需要同时知道泵前、泵后、过滤器两侧以及不同支路的压力，因此模拟输入通道也会增加。

流量检测则更复杂。

小流量系统可以使用热式流量传感器，通过流体带走热量的速度反推出流量。但到了数据中心CDU主管路，流量已经进入几十甚至几百L/min的量级，更多会使用压差、超声、电磁等测量方式。

压差法最直接，一般是在管路中设置孔板、文丘里管或其他已知流阻结构，测量前后压差，再根据压差与流量之间的关系反推出流速。这种方案成熟、成本也相对可控，但节流结构本身会带来一定压力损失。

超声流量计则不需要在流路中增加明显阻挡。管道两侧安装换能器以后，超声波顺流和逆流传播的时间会出现非常小的差异，测出这个时间差，就可以进一步计算水流速度。因为几乎不增加额外压降，它很适合大流量冷却回路。

电磁流量计利用导电液体在磁场中运动时产生的感应电压来测量流速。它同样没有明显的机械节流结构，对大口径和大流量比较友好，但要求冷却液具有一定导电性，因此并不是所有冷却介质都适用。

这三种流量计虽然原理不同，但背后都离不开模拟前端、ADC、时序测量、电源和MCU，以管理整个信号链。

漏液检测成为新增量

风冷服务器基本不需要考虑漏液问题，但液冷管路已经进入服务器内部，一旦接头或者冷板发生泄漏，冷却液可能直接接触PCB、连接器和其他电子器件。

漏液检测最直接的是电阻式漏液检测。漏出的导电冷却液碰到检测绳或检测电极后，电阻发生变化，再由ADC检测。

除此之外，湿度突然升高、局部温度异常也可以作为早期信号；到了系统层面，还可以通过压力或者流量异常，间接判断管路是否出现泄漏。

电机驱动成为另一个增量

传统散热系统的执行器主要以风扇为主，而液冷应用，则包括泵、阀门、压缩机以及散热风扇等更多类型，对电机控制的要求也随之增加。

意法半导体(ST)曾表示，冷却系统最高可占到AI数据中心能源成本的40%，因此电机效率和控制策略十分关键，也把芯片需求延伸到MCU/电机控制器、栅极驱动、MOSFET以及电流和转速反馈等完整控制链。

另外，冷却液的分配也是一大关键，这主要依靠流量控制阀实现，同样离不开电机驱动，更智能的阀门还应知道位置，这增加了霍尔及其他位置传感器的用量。

芯片厂商开始针对液冷单独做产品

随着液冷从过去相对小众的高性能计算场景进入大规模AI基础设施，一些半导体厂商也开始围绕液冷系统的具体需求重新定义产品。

ADI今年发布的ADT7604就是一个很典型的例子，这是一颗20通道数据中心热测量和泄漏检测系统。

ADT7604可以直接连接热敏电阻、温度传感器以及电阻式漏液传感器。芯片内部提供20个单端或者10个差分模拟输入，两颗24位ΣΔ ADC同时完成数据转换，还集成了传感器激励电流源、故障检测和EEPROM。温度测量精度为0.1℃，分辨率达到0.001℃。

这种高集成，多通道数并且支持多类型测量的模拟前端，十分适用于液冷系统中。

利用完整信号链实现价值

TI（德州仪器）和NXP（恩智浦）正在把现有的大量已商用器件，重新组合到液冷系统中。正如德州仪器数据中心热管理总经理Patrick Zeng表示：“我们并非从零开始，我们是在商用供暖、通风和空调（HVAC）系统技术的基础上进行开发，这些技术我们已经在楼宇自动化和家用电器领域应用多年。这意味着更快的上市速度，因为基础已经具备。而且也意味着更高的可靠性，因为这是经过验证的技术。”

TI的参考设计

恩智浦的参考方案

相对而言，TI和NXP的产品组合较为全面，且多数产品均为标准品。这也说明了模拟产品的最大特点，可应用范围非常广泛，不会押注某一种应用，而是通过广泛的产品组合，实现更完整的方案。

ST和英飞凌把重点更多靠近执行端，包括各类泵、压缩机等大功率电机应用。

Allegro则是另一种典型路线。它没有把重点放在ADC或者MCU，而是沿着液冷执行机构布局传感器和驱动。包括水泵驱动，泵电机电流检测，压力传感器接口，阀门位置检测等等。

Allegro为数据中心液冷主要提供了传感器以及驱动。

国内厂商也开始往这条链上靠

圣邦微的SGM451L是一个比较典型的服务器温度监测产品。它同时提供本地和远程温度检测，12位分辨率为0.0625℃，本地和远程温度检测典型精度都是±0.25℃。远端可以通过CPU、GPU、MCU或者FPGA内部的二极管进行测温，官方应用已经直接列出CPU、GPU、DSP和FPGA计算系统。

纳芯微也已经将液冷列为 AI 服务器模拟芯片的新应用方向。公司在 2025 年年报中提到，随着机柜功率提升，服务器将通过温度、流量、压力和电流等多类传感器构建液冷热管理网络。纳芯微现有产品已经覆盖压力、温度、电流检测以及 ADC、放大器等信号链环节。

目前国产模拟厂商在液冷领域公开披露的专用产品仍然不多，更多还是温度、压力、电流检测、ADC和电机驱动等既有产品进入新的应用场景。随着国内AI服务器和液冷基础设施持续放量，将带来更多的机会。

未来的演进方向

根据TI的愿景，液冷系统下一步可能会改变故障检测方式。今天很多系统仍然依靠单个压力、流量或者漏液传感器设置阈值报警，但实际上泵电流、转速、压力、流量、温度和湿度之间本来就相互关联。以后CDU未必只是判断“某个压力值有没有超过阈值”，而是通过多种信号一起判断，实现端侧的传感器融合。

对于模拟芯片而言，这也意味着新增量不只是传感器数量增加，采集通道、ADC、AFE以及边缘处理能力都会继续增加。与此同时，这种融合也需要具有边缘AI的处理器来实现实时响应与处理。