Væskekøling er ved at blive flaskehalsteknologien for AI-datacentre

/Teknologi/ Af

Oversigt:Datacentre bliver varmere, efterhånden som AI-arbejdsbelastninger presser chips til højere effektniveauer, og det er i stigende grad ikke nok at "bare blæse mere luft". Derfor bevæger branchen sig mod væskekøling - fra kolde plader og mikrofluidiske kanaler til komplette "brusere" og nedsænkningsbade - for at holde servere stabile, reducere energiforbruget til køling og (i nogle tilfælde) genbruge spildvarme.

Men løsningen på kølesystemet kommer med sine egne kompromiser: kemiske valg (herunder bekymringer om PFAS-holdige kølemidler), sikkerhed, omkostninger og risikoen for, at effektivitetsgevinster blot muliggør endnu mere vækst i computerkraften.

Hvorfor køling pludselig betyder så meget

Hvis du ønsker én enkelt grund:effekttæthed.

Moderne AI-systemer bruger racks fyldt med højtydende acceleratorer, der:

  • bruger langt mere strøm end almindelige CPU'er
  • generere varme i mindre fysiske fodaftryk
  • køres ofte tæt på ydeevnegrænserne

Det gør køling til en begrænsning af første orden. Når kølingen svigter, kan hele anlægget svigte.

BBC peger på et eksempel fra den virkelige verden: en fejl i kølesystemet i USA, der forstyrrede den finansielle handelsteknologi hos CME Group og udløste yderligere kølekapacitet efter hændelsen.

Luftkølingens problem: fysik og aftagende udbytte

Luftkøling er simpelt og velkendt, men det kæmper, når:

  • varmen er koncentreret i et lille område
  • du skal fjerne varme hurtigt og konsekvent
  • Ventilatorens effekt og luftstrømsstyring begynder at forbruge en betydelig andel af energien

På et tidspunkt "køler du ikke chipsene ned" - du "kører en vindtunnel" inde i bygningen.

Hvad væskekøling egentlig betyder (det er ikke én teknologi)

"Væskekøling" er en familie af tilgange:

1) Direkte-til-chip / kold pladekøling

En væskesløjfe løber gennem en plade, der er fastgjort til de varmeste komponenter.

Fordele:

  • effektiv varmeafledning ved kilden
  • modne ingeniørmønstre

Ulemper:

  • kræver stadig omhyggelig VVS- og lækagehåndtering

2) Køling med bruser/spray

BBC beskriver designs, hvor væske siver eller bruser ned på komponenter.

Fordele:

  • kan køle flere komponenter, ikke kun chips
  • reducerer potentielt behovet for store ventilatorer

Ulemper:

  • rejser spørgsmål om væskekemi, kompatibilitet og vedligeholdelse

3) Immersionskøling ("bade")

Servere (eller komponenter) er nedsænket i en cirkulerende dielektrisk væske, der transporterer varme væk.

Fordele:

  • høj termisk ydeevne
  • kan muliggøre mere ensartet drift ved høj belastning

Ulemper:

  • Hardware skal designes/valideres til immersion
  • driftsændringer (service, udskiftning af dele)

4) Tofaset køling (væske → gasfaseskift)

Et kølemiddel fordamper, når det absorberer varme, hvilket kan være meget effektivt.

Fordele:

  • stærk køleevne

Ulemper:

  • afhænger af kølemidler; nogle kan have klima- eller sikkerhedsproblemer

Kemiens afvejning: PFAS og kølemidler

En af de underdiskuterede dele af datacentres køling er kemikalievalg.

BBC bemærker:

  • Nogle tofasesystemer bruger kølemidler, der kan indeholde PFAS
  • Nogle kølemidler kan være potente drivhusgasser
  • der er sikkerhedsproblemer med dampe, der slipper ud i nogle designs
  • Nogle virksomheder skifter til PFAS-fri alternativer

Selv når et system er konstrueret ansvarligt, gælder en simpel sandhed:

  • Hvis man skalerer en teknologi til tusindvis af steder, bliver små lækagerater til store miljømæssige tal

Lukket vandkredsløb: hvorfor det er vigtigt for lokalsamfund

Datacentre er i stigende grad kontroversielle, fordi mange forbruger:

  • store mængder elektricitet
  • betydelig vandmængde (afhængigt af køledesign)

Nogle væskekøledesigns bruger vand i et lukket kredsløb til at køle en oliebaseret dielektrisk væske, hvilket reducerer den løbende vandtrækning.

Det er politisk relevant. Lokal modstand dannes ofte omkring "hvorfor skal vores net/vand tjene andres AI?"

Køleteknologi bliver en del af den sociale licens til at operere.

Spildvarme er en mulighed – men kun hvis nogen kan bruge den

BBC nævner en kunde, der planlægger at bruge serverspildvarme til:

  • gæsteværelser
  • vasketøj
  • en swimmingpool

Dette er konceptuelt den rigtige retning: databehandling omdanner elektricitet til varme, så genbrug kan forbedre den samlede effektivitet.

Men det er svært at skalere genbrug af varme, fordi det kræver:

  • en nærliggende varmekunde (bygninger, pools, fjernvarmenetværk)
  • stabil efterspørgselsjustering
  • infrastrukturinvesteringer

Så det er lovende, men ikke automatisk.

Den dybere risiko: effektivitet kan øge den samlede efterspørgsel

Der er en klassisk rebound-effekt:

  • Når noget bliver billigere eller mere effektivt, gør folk mere af det

Hvis væskekøling reducerer køleenergien dramatisk, kan markedet reagere ved at:

  • bygge flere datacentre
  • kører større modeller
  • presser hardware hårdere

Så køleforbedringer er værdifulde – men de garanterer ikke en lavere samlet miljøpåvirkning, medmindre de kombineres med:

  • CO2-bevidst netstrategi
  • gennemsigtighed omkring energiforbrug
  • incitamenter til at reducere det samlede fodaftryk

Hvad skal man se næste gang

  1. Hvilken kølemetode bliver dominerende(kolde plader vs. immersion vs. tofaset) efter arbejdsbelastningstype.
  2. Regulering og standarderomkring kølemidler og PFAS.
  3. Modstand fra lokalsamfundetOm køleinnovationer reducerer lokale vand- og støjpåvirkninger.
  4. Projekter til genbrug af varmeovergang fra pilotprojekter til gentagne implementeringer.
  5. AI-gennemsigtighedSom BBC bemærker, opfordrer forskere til en tydeligere rapportering af energiforbrug pr. model/produkt.

Konklusion

Køling er ved at blive den "skjulte infrastruktur", der bestemmer, hvor hurtigt AI kan skaleres.

Væskekøling kan reducere køleenergien og åbne op for højere ydeevne, men det introducerer også nye spørgsmål om kemisk sikkerhed, klimapåvirkning og om effektivitetsgevinster bruges til at mindske fodaftrykket eller blot accelerere væksten i computerkraft.

Kilder

Document Title
Liquid cooling for AI data centres: immersion, refrigerants, PFAS concerns, and waste-heat reuse
AI workloads are pushing data-centre chips to higher power density, making liquid cooling essential. Here’s how immersion/spray systems work and the key trade-offs.
Title Attribute
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin
Why Excel won’t die: network effects, governance gaps, and the AI-era spreadsheet problem
Can technology fix fashion sizing? The real issue is incentives, not measurements
Page Content
Liquid cooling for AI data centres: immersion, refrigerants, PFAS concerns, and waste-heat reuse
Nature
Climate
Liquid cooling is becoming the bottleneck tech for AI data centres
/
Technology
/ By
Admin
Summary:
Data centres are running hotter as AI workloads push chips to higher power levels, and “just blow more air” is increasingly not enough. That’s why the industry is moving toward liquid cooling — from cold plates and microfluidic channels to full-on “showers” and immersion baths — to keep servers stable, cut energy used for cooling, and (in some cases) reuse waste heat.
But the cooling fix comes with its own trade-offs: chemical choices (including concerns about PFAS-containing refrigerants), safety, cost, and the risk that efficiency gains simply enable even more compute growth.
Why cooling suddenly matters so much
If you want a single reason:
power density
.
Modern AI systems use racks packed with high-performance accelerators that:
draw far more power than general-purpose CPUs
generate heat in smaller physical footprints
are often run close to performance limits
That makes cooling a first-order constraint. When cooling fails, the whole facility can fail.
The BBC points to a real-world example: a cooling system failure in the US that disrupted financial trading technology at CME Group, triggering additional cooling capacity after the incident.
Air cooling’s problem: physics and diminishing returns
Air cooling is simple and familiar, but it struggles when:
heat is concentrated in a small area
you need to remove heat quickly and consistently
fan power and airflow management start consuming a meaningful share of energy
At some point, you’re not “cooling the chips” — you’re “running a wind tunnel” inside the building.
What liquid cooling actually means (it’s not one technology)
“Liquid cooling” is a family of approaches:
1) Direct-to-chip / cold plate cooling
A liquid loop runs through a plate attached to the hottest components.
Pros:
efficient heat removal at the source
mature engineering patterns
Cons:
still requires careful plumbing and leak management
2) Spray/shower cooling
The BBC describes designs where fluid trickles or showers onto components.
can cool multiple components, not only chips
potentially reduces the need for large fans
raises questions about fluid chemistry, compatibility, and maintenance
3) Immersion cooling (“baths”)
Servers (or components) are immersed in a circulating dielectric fluid that carries heat away.
high thermal performance
can enable more consistent operation at high load
hardware must be designed/validated for immersion
operational changes (servicing, swapping parts)
4) Two-phase cooling (liquid → gas phase change)
A refrigerant evaporates as it absorbs heat, which can be very effective.
strong cooling performance
depends on refrigerants; some may have climate or safety concerns
The chemistry trade-off: PFAS and refrigerants
One of the under-discussed parts of data-centre cooling is chemical choice.
The BBC notes:
some two-phase systems use refrigerants that can contain PFAS
some refrigerants can be potent greenhouse gases
there are safety concerns about vapours escaping in some designs
some companies are switching to PFAS-free alternatives
Even when a system is engineered responsibly, a simple truth applies:
if you scale a technology to thousands of sites, small leakage rates become big environmental numbers
Closed-loop water: why it matters to communities
Data centres are increasingly controversial because many consume:
large amounts of electricity
significant water (depending on cooling design)
Some liquid cooling designs use water in a closed loop to cool an oil-based dielectric fluid, reducing ongoing water draw.
That’s politically relevant. Local opposition often forms around “why should our grid/water serve someone else’s AI?”
Cooling technology becomes part of the social license to operate.
Waste heat is an opportunity — but only if someone can use it
The BBC mentions a customer planning to use server waste heat for:
guest rooms
laundry
a swimming pool
This is the right direction conceptually: computing turns electricity into heat, so reuse can improve overall efficiency.
But scaling heat reuse is hard because it requires:
a nearby heat customer (buildings, pools, district heat networks)
steady demand alignment
infrastructure investment
So it’s promising, but not automatic.
The deeper risk: efficiency can increase total demand
There’s a classic rebound effect:
when something becomes cheaper or more efficient, people do more of it
If liquid cooling cuts cooling energy dramatically, the market may respond by:
building more data centres
running bigger models
pushing hardware harder
So cooling improvements are valuable — but they don’t guarantee lower total environmental impact unless paired with:
carbon-aware grid strategy
transparency on energy use
incentives to reduce total footprint
What to watch next
Which cooling approach becomes dominant
(cold plates vs immersion vs two-phase) by workload type.
Regulation and standards
around refrigerants and PFAS.
Community pushback
: whether cooling innovations reduce local water and noise impacts.
Heat reuse projects
moving from pilots to repeatable deployments.
AI transparency
: as the BBC notes, researchers are calling for clearer reporting of energy use by model/product.
Bottom line
Cooling is becoming the “hidden infrastructure” that decides how fast AI can scale.
Liquid cooling can reduce cooling energy and unlock higher performance, but it also introduces new questions about chemical safety, climate impact, and whether efficiency gains are used to shrink footprints or simply accelerate compute growth.
Sources
BBC News (Technology of Business):
https://www.bbc.com/news/articles/cp8zd176516o?at_medium=RSS&at_campaign=rss
←
Previous Post
Next Post
→
oEmbed (JSON)
oEmbed (XML)
JSON
View all posts by Admin
Why Excel won’t die: network effects, governance gaps, and the AI-era spreadsheet problem
Can technology fix fashion sizing? The real issue is incentives, not measurements
AI workloads are pushing data-centre chips to higher power density, making liquid cooling essential. Here’s how immersion/spray systems work and the key trade-offs.
Document Title
Page not found - Florin.blog
Image Alt
Florin.blog
Title Attribute
Florin.blog » Feed
RSD
Skip to content
Placeholder Attribute
Search...
Page Content
Page not found - Florin.blog
Skip to content
Home
Blog
Garden Decor
Indoor
Main Menu
This page doesn't seem to exist.
It looks like the link pointing here was faulty. Maybe try searching?
Search for:
Search
Quick Links
Outdoors
About
Contact
Explore
Bestsellers
Hot deals
Best of The Year
Featured
Gift Cards
Help
Privacy Policy
Disclaimer
: As an Amazon Associate, we earn from qualifying purchases — at no extra cost to you.
Florin.blog
Florin.blog » Feed
RSD
Search...
a Dansk