先说一个容易被忽略的数字:今天的数据中心,大约三分之一的电力不是用来计算的,而是用来散热的。AI 模型越大,芯片越烫,这个比例只会更高。

Ferveret 想解决的,就是这部分”浪费在散热上”的电力。这家公司由两位 MIT 核科学与工程系背景的研究者创立——前 MIT 核工程博士后 Reza Azizian,和 MIT 核科学与工程系副教授 Matteo Bucci。他们把核反应堆里研究了几十年的散热技术,搬到了芯片冷却上。

这个连接,源于两位创始人早年的研究背景。2013 年,Azizian 在 MIT 做博士后时,和当时还是研究科学家的 Bucci 一起研究核反应堆里的”热传递”问题。

后来 Azizian 进入工业界,先在微软做 HoloLens 的散热,后来加入 Nvidia——这家公司生产的 GPU,正是 AI 模型训练和运行所依赖的芯片。Bucci 则留在 MIT 继续做研究,2016 年成为助理教授。

2017 年,Azizian 第一次走进数据中心。他对那个场景的反应很直接:

2021 年,两人创立了 Ferveret。

液体比空气导热效率高——这是为什么把手伸进室温水里会觉得凉,而伸进室温空气里没感觉。如果液体沸腾,导热效率会更高,因为相变本身需要吸收大量能量,这部分能量正是从芯片上带走的热量。

但沸腾液体冷却有个麻烦:气泡需要被捕获、重新液化,还要控制压力、温度和流体量,系统会变复杂。

这套技术改编自核反应堆里一个叫”次冷沸腾”(subcooled boiling)的过程——核工业花了几十年优化的散热方式,现在用来给芯片降温。

Ferveret 和加州大学洛杉矶分校(UCLA)Samueli 计算机科学系合作做过一项研究,结果如下:

35% 这个数字值得多说一句。它不是”省了多少电”,而是”同样的电能多算多少”——对运营 AI 数据中心的公司来说,这个指标比单纯的节能率更直接,因为它直接对应着模型能跑多少推理请求。

大多数浸没式冷却方案是大型水箱,需要把整台服务器泡进去。Ferveret 的方案是机架式的小机箱,每个机箱装一台服务器,可以直接适配现有机房基础设施。

系统还配套控制软件,实时调节每台服务器的功率,通过传感器监测温度和压力,持续优化运行状态,把系统能耗压到最低。

这项技术的另一个潜在影响,是数据中心选址。

电力和水,是数据中心扩张的两大物理约束。如果冷却环节完全不需要水,选址的限制条件就少了一个——尤其对光照充足但水资源紧张的地区来说,这打开了新的可能性。

目前 Ferveret 已经在和 CleanSpark(数据中心开发运营商)、FuriosaAI(AI 加速器公司)、Switch(美国最大数据中心运营商之一)进行测试合作,同时是 Nvidia Inception 创业加速计划的成员。公司计划今年晚些时候公布更多合作伙伴关系,并正在和大型云计算公司(hyperscaler)接触。