NVIDIA Rubin如何提升性能？Frore Systems在WAIC 2026上给了解法

Frore Systems是一家很有意思的公司，他们用晶圆为基础，为芯片制造高性能散热解决方案，旗下拥有AirJet固态主动散热和LiquidJet高密度液冷两大核心技术，覆盖从边缘AI终端到超大规模AI工厂的全栈热管理方案，把散热解决方案升级到了芯片级别。

就在上周WAIC 2026世界人工智能大会的上，Frore Systems创始人兼CEO Seshu Madhavapeddy博士分享了名为《从芯片到冷水机组：热管理技术栈对AI工厂能效的核心影响》内容，趁此机会，让我们一起来看看Frore Systems这次分享了哪些内容。

热管理元年

Seshu Madhavapeddy博士认为全球AI产业告别单芯片、单算力、单模型的内卷，进入全栈基础设施系统化竞争时代，基础设施、供电、散热都成为了芯片、算力之后的重要讨论方向，特别是系统级散热迫在眉睫，其中热管理从机房配套辅助工程升级为公认的核心战略基础设施，2026年被定义为热管理元年。

其中释放算力性能就意味着获得更多的AI能力，而更多的算力性能释放需要的是散热赋能。AI Token由软件栈、算力栈、热管理技术栈三层构成，热管理是唯一决定算力能否持续稳定输出的底层基石。在这个基础上，Frore Systems依托AirJet固态主动散热与LiquidJet和LiquidJet Nexus高密度液冷，构建业界唯一覆盖边缘AI终端，AI服务器，超大规模AI工厂的全场景热管理体系。

在拥有整套全新的散热解决方案的前提下，Frore Systems也强调饿了中国市场的重要性。Seshu博士在接受媒体采访时，高度评价中国AI算力建设速度与产业链优势，强调将持续深耕中国市场、深化本土生态合作，《Frore Systems热管理技术栈白皮书2026》也是在这样的前提下被提出。

将性能再提升30%

在白皮书中，Frore Systems抛出了一个核心观点，AI工厂是受电力约束的计算系统，核心效率指标是Tokens/Watt（每瓦Token产出）。GPU芯片能效在制造完成后即固定，此时唯一可持续优化的变量是热管理技术栈（Thermal Stack），一套工程化完善的热管理技术栈最高可将AI工厂Tokens/Watt提升30%以上。

一套工程化完善的热管理技术栈（Thermal Stack）覆盖从GPU裸片取热到向大气排热的完整链路。例如在芯片侧的取热环节，GPU封装架构的有顶盖（Lidded）或无顶盖（Un-lidded）设计，直接决定封装热阻大小；无顶盖可消除散热盖与石墨烯TIM两层热阻，但需权衡搬运、安装中的机械可靠性风险。

封装与冷板之间的热界面材料（TIM）选型也同样重要，例如液态金属铟配合金电镀工艺可实现最低热阻，这也是NVIDIA Rubin采用的技术路线。

在设备侧的传热环节，冷板设计由微通道结构、流体路径和流量三大变量所决定。其中微通道结构需要短循环微通道<1mm、三维微单元，流体路径具备分流式、多入口、多级流路。在这样的苛刻要求下，先进结构需借助半导体制造工艺显得更有优势，Frore的LiquidJet就采用了这样的形式。

与此同时，冷却液选择与流速控制在这个部分也变得非常重要，如果使用去离子水或PG25（25%丙二醇），流量提升可降热阻但收益递减，且泵功耗与流量呈三次方关系，需在CDU容量与管路规格约束下找到最优区间。

在机房侧的排热环节，冷却液入口温度管理由自然冷却和机械制冷共同决定，自然冷却一半使用蒸发冷却塔，且取决于湿球温度，机械制冷则主要依靠冷水机组完成。如果设计合理入口温度每降1°C，GPU结温同步降1°C。因此机械制冷系统的功率分配策略也被摆上台面，是否启用机械制冷取决于其COP是否高于盈亏平衡阈值（COP_breakeven），本质是在GPU算力供电与制冷耗电之间做系统级功率分配。

Frore Systems认为，在芯片侧、设备侧、机房侧三个方向散热中，都会引入热阻或占用电力预算，但也都有独立优化空间——GPU制造完成后芯片能效即固定，唯有对这条从芯片到冷水机组的全链路做前置化、体系化的顶层设计，才能实现Tokens/Watt提升30%以上的收益。

其中温度决定能效。 根据阿伦尼乌斯方程，GPU裸片最高结温（Tj max）每升高10°C，漏电流功耗约翻倍，形成高温→漏电→更热的恶性循环；反之结温每降低10°C，每瓦Token产出可提升约15%。

这里Frore Systems引出一条公式作为参考：

GPU裸片最高结温（Tj max）= 冷却液入口温度 + GPU功耗 × 总热阻

可以看到总热阻由封装架构、TIM导热界面材料、冷板设计三层叠加。无顶盖封装比有顶盖封装结温最多低14°C，Tokens/Watt差异最高达28%。也因为如此，NVIDIA Rubin采用有顶盖，以及液态金属铟TIM路线，从而实现不错的散热效果。其中冷板设计是Frore Systems的核心战场，通过设计短循环微通道<1mm，让冷却液始终保持高效发展流状态，同时引入分流式、多入口流路、多级结构设计，以实现传统刨削工艺无法制造这类三维微单元结构。

Frore LiquidJet冷板将半导体制造工艺中的光刻、湿法蚀刻、键合应用于铜晶圆加工，可将GPU最大结温降低6–12°C，Tokens/Watt提升10–25%；在Rubin Max-P（2300W）案例中，维持相同结温仅需2 LPM流量，机械制冷盈亏平衡COP从6.7降至4.1。而相比之下，传统冷板实现同样的效果需3.25 LPM。

写在最后：

AI工厂的竞争开始进入白热化，竞争力已从芯片算力转向电力约束下的能效竞争，而衡量胜负的核心指标是Tokens/Watt。GPU芯片能效在制造完成后即被锁死，此时从封装、TIM、冷板到冷却塔的热管理技术栈，就成为唯一能持续挖掘的优化杠杆。

在这样前提下，如果一套工程化完善的全链路热管理最高可将每瓦Token产出提升30%以上自然无比诱人，Frore Systems凭借覆盖芯片级到机房级的热管理技术栈体系与LiquidJet散热技术，将散热性能提升到了一个新层次。兴许未来某一天，手机、平板以及AI工厂，都会用上这种全新形式的高效散热方案。