导语
要点
- com/ai-and-cooling-toward-more-automation/ 发布时间： 2025-2026 --- AI 正越来越多地引导数据中心行业
- 尤其是冷却系统，正引领着这一转变
URL： https://journal.uptimeinstitute.com/ai-and-cooling-toward-more-automation/
发布时间： 2025-2026
AI 正越来越多地引导数据中心行业走向新的运营实践，自动化、分析技术和自适应控制正在为"黑暗"（dark）——即熄灯、无人值守——数据中心铺平道路。尤其是冷却系统，正引领着这一转变。然而，尽管 AI 在设施运营方面已有良好的成效记录，但有一个持续存在的挑战：信任。
在某些方面，AI 面临的挑战类似于几十年前的商业航空。即使航空公司已显著提升了可靠性和安全性能，使航空旅行不仅更快，而且比其他交通方式更安全，公众观念的转变仍然需要时间。
能力与信心之间的这种张力，正是数据中心冷却控制下一轮演变的核心。随着 AI 模型的性能不断提升，变得更加可理解、透明和可解释，问题不再是 AI 能否自主管理运营，而是行业是否准备好信任它到足以关灯的程度。
AI 在冷却控制中的位置
热管理系统，如 CRAH（计算机房空调处理器）、CRAC（计算机房空调）和气流管理，代表了冷却优化中 AI 部署的前沿。它们的模块化特性使 AI 控制可以逐步采用，在日常运营中提供即时可见性和可衡量的效率提升。
AI 现在可应用于四个核心冷却功能：
- 动态设定点管理： 持续重新校准温度、湿度和风扇速度，以匹配负载条件。
- 热负载预测： 预测需求变化并提前进行调整，防止过度冷却或不稳定。
- 气流分布与遏制： 使用机器学习平衡冷热通道，并有效编排 CRAH/CRAC 的运行。
- 故障检测、预测性与规范性诊断： 在盘管结垢、风扇振荡或阀门抖动影响性能之前识别这些问题。
一个不断增长的供应商生态系统正在推动 AI 驱动的冷却优化，涵盖风侧和水侧应用。Vigilent、Siemens、Schneider Electric、Phaidra 和 Etalytics 等公司提供机器学习平台，与现有的 BMS（楼宇管理系统）或 DCIM（数据中心基础设施管理）系统集成，以增强热管理和效率。
Siemens 的 WSCO（White Space Cooling Optimization，白空间冷却优化）平台应用 AI 将 CRAH 运行与 IT 负载和热条件相匹配；而 Schneider Electric 通过收购 Motivair，已扩展进入液冷和面向 AI 的高密度环境热系统。与此同时，Google 和 Microsoft 等超大规模运营商已构建专有 AI 引擎，实时微调冷机（chiller）和 CRAH 性能。这些解决方案涵盖从监督逻辑到自适应闭环控制的广泛范围。
AI 采用的范围
虽然 IT 冷却优化已成为最引人注目的前沿，但与 AI 控制供应商的交流表明，大多数成熟的部署仍然始于设施水回路（water loop），而非计算机房。供应商通常从机械机房和设施水系统入手，因为这些区域的变量较少，例如温差、流量和压力设定点，并且可以视为封闭、边界清晰的系统。
这使得水回路成为训练和验证算法的更安全试验场，之后才将其扩展到计算机房空气冷却系统——后者的热动力学更为复杂，受到遏制设计、工作负载变化和外部条件的影响。
预测性与规范性：成熟度分野
AI 在冷却领域的应用正沿着一条成熟度谱系演变——从预测性洞察到规范性指导，再到日益增长的自主控制。目前大多数部署停留在预测阶段，AI 增强了态势感知能力，但将行动留给运营人员。要完全实现规范控制，不仅需要更深的技术复杂性，还需要思维模式的转变。
从技术角度看，规范性控制更难实现，因为系统不仅要预测结果，还必须在运行限制内选择并执行安全的纠正措施。从运营角度看，更难获得信任，因为它挑战了关于问责制和人类监督的长期规范。从知情监督到算法控制的转变，正在重新定义自动化与权威之间的边界。
AI 的价值与风险
无论技术变得多么先进，冷却的存在只有一个理由：维持环境稳定性并满足 SLA（服务水平协议）。AI 增强的监控和控制系统通过预测和预防温度异常、早期发现系统退化以及在各种负载条件下优化能源性能而不违反 SLA 阈值，来支持运营人员。
然而，如果系统可靠性没有信心，效率提升就意义不大。控制导向的机器学习模型在物理限制内运行，并依赖于确定性的传感器数据。这些与基于语言的 AI 模型（如 GPT）有本质区别——后者的"幻觉"（hallucinations）指的是编造的或语境上不准确的回答。
在 2025 年秋季 Uptime Network 美洲会议上，几位运营者提出了对 AI 幻觉的担忧——即优化模型从事例日志中生成不准确或令人困惑的建议。在控制系统中，此类错误通常源于模型漂移（model drift）、传感器故障或不完整的训练数据，而非基于语言的 AI 中出现的推理失败。
现代 AI 控制框架正在设计时就内置了安全性、透明性和人工监督。例如，Vigilent 报告说，当其优化控制无法将数据中心环境维持在公差范围内时，会切换到"保护模式"（guard mode）。保护模式会启用额外的冷却容量（以增加能耗为代价），以恢复符合 SLA 的条件。这种分层逻辑通过使系统能够安全失效，提供了运营弹性。
展望
逐步地，"黑暗数据中心"——即远程运营、现场人员最少的设施——的概念已从一个有趣的理论转变为一种理想的策略。近年来，许多基础设施运营者增加了自动化和远程管理工具的使用，以增强弹性和运营灵活性，同时缓解人员不足的问题。冷却系统，尤其是由 AI 辅助控制的系统，现在成为这一运营转变的核心。
运营自主并不意味着放弃人工控制；它意味着在不需要持续监督的情况下实现可靠运行。最终，黑暗数据中心的意义不在于关灯，而在于开启信任。
Uptime Intelligence 观点
AI 在热管理领域已从实验性概念发展为一种基本工具，提高了数据中心的效率和可靠性。下一步——协调设施水回路、空气和 IT 冷却液系统——将定义向更高运营自主性演变的进程。然而，向"黑暗"运营的过渡既是技术性的，也是文化性的。随着可解释性、故障安全模式和手动覆盖能力逐步建立运营者的信心，AI 将逐渐从副驾驶（copilot）转变为自动驾驶（autopilot）。