一台 AI 伺服器到底需要多少冷卻能力?工程師一次解析
AI 機房工程師實戰系列・2026 更新版
一台 AI 伺服器到底需要多少冷卻能力?工程師一次解析
從單顆 GPU 的 TDP、8 卡整機的熱負荷,到 GB200 NVL72 機櫃的 120kW 液冷需求——這篇文章用工程公式、實測數據與 ATLANTIS 31 年量測工程經驗,教你把「冷卻能力」算對、算準、算到能拿去跟機電顧問對帳。
為什麼「一台伺服器要多少冷卻能力」突然變成關鍵問題
三年前,機電工程師規劃機房時,機櫃功率密度是一個相對穩定的數字:傳統企業機房抓 3~5 kW/機櫃,雲端資料中心抓 8~10 kW/機櫃,公式套一套、安全係數加一加,冷卻系統就能穩穩運作十年。
但 AI 訓練與推論伺服器把這個假設整個打破。根據 NVIDIA 官方規格,單顆 H100 GPU 的熱設計功耗(TDP)已達 700W,而新一代 GB200 Superchip 單顆晶片來到 1200W,GPU 晶粒的熱通量高達 500~600 W/cm²,是傳統風冷散熱能力上限的 40~100 倍。當你把 72 顆這樣的晶片塞進一個機櫃(GB200 NVL72),整機櫃的冷卻負載會直接跳到 120 kW 以上——這是傳統機房設計基準的 12~24 倍。
這代表一件事:「機房整體均溫達標」不再等於「冷卻能力足夠」。你必須用工程公式,回到「一台伺服器、一個機櫃」的顆粒度重新計算冷卻能力,否則就會出現本文後面會拆解的「前排 15°C 過冷、後排 32°C 過熱」的災難場景。這正是 ATLANTIS 昶特累積 31 年壓力與溫度量測工程經驗後,決定把這套計算方法完整攤開給採購與工程團隊的原因——我們不只是賣感測器,而是把「怎麼算對冷卻能力」這件事講清楚,再告訴你該用什麼儀器把它「量出來、看得見」。
冷卻能力計算的核心公式(工程師實戰版)
冷卻能力計算的第一原則非常簡單,卻是最常被忽略的一點:IT 設備消耗的每一瓦電力,幾乎百分之百會轉換成熱能(除了極少數被電池、儲能等吸收的能量)。因此冷卻系統要移除的熱負荷,在數值上約等於 IT 設備的實際用電量。
1. 基礎換算公式
| 換算項目 | 公式 / 數值 | 備註 |
|---|---|---|
| 功率 → 熱量 | 1 kW = 3,412 BTU/hr | 國際工程通用換算係數 |
| 冷凍能力單位 | 1 冷凍噸(RT)= 12,000 BTU/hr = 3.517 kW | 空調業界慣用單位 |
| 總熱負荷估算 | 總熱負荷 = IT 負載 + UPS/PDU 損耗 + 照明 + 人員發熱 + 其他 | IT 負載通常佔 85~92% |
| 安全餘裕 | 一般機房 +10~20%;金融/醫療等關鍵設施 +25% | ASHRAE 建議值 |
2. 實際算給你看:從 1 台伺服器到 1 個機櫃
| 設備規模 | 實際用電(IT 負載) | 換算熱負荷(BTU/hr) | 所需冷卻能力(RT) | 建議冷卻能力(含 15% 餘裕) |
|---|---|---|---|---|
| 單顆 H100 GPU | 0.7 kW | 2,388 BTU/hr | 0.20 RT | 0.23 RT |
| 8-GPU AI 伺服器(H100 x8 整機) | 約 10 kW | 34,120 BTU/hr | 2.84 RT | 3.27 RT |
| 傳統企業機櫃(42U,一般伺服器) | 5 kW | 17,060 BTU/hr | 1.42 RT | 1.63 RT |
| AI 推論機櫃(風冷、H100 密集部署) | 40 kW | 136,480 BTU/hr | 11.37 RT | 13.08 RT |
| GB200 NVL72 機櫃(液冷) | 約 120 kW(實測峰值可達 130~132 kW) | 409,440 BTU/hr | 34.12 RT | 39.24 RT |
工程師提醒:上表的「所需冷卻能力」只是熱力學上的最低需求,實際機房設計還要考慮氣流路徑效率、冷熱通道隔離程度、以及 PUE(電力使用效率)帶來的額外冷卻負擔。換句話說,這是「地板」不是「天花板」——真正該採購的冷卻設備容量,永遠要比這張表的數字更高。
單顆晶片到整機櫃:AI 伺服器熱負荷的演進曲線
要理解「一台 AI 伺服器需要多少冷卻能力」,最直觀的方式是看機櫃功率密度這十年的變化。以下數據綜合 Uptime Institute《2025 全球資料中心調查》、AFCOM《2026 資料中心現況報告》與 NVIDIA 官方技術規格整理而成:
圖:機櫃冷卻負載演進(傳統機房 → 2025/2026 產業均值 → AI 風冷上限 → GB200 液冷機櫃)。資料來源:Uptime Institute Global Data Center Survey 2025、AFCOM State of the Data Center Report 2026、NVIDIA GB200 NVL72 官方規格。
機櫃功率密度對照表
| 機房類型 | 典型機櫃功率密度 | 冷卻方式 | 資料來源 |
|---|---|---|---|
| 傳統企業機房 | 3~5 kW/機櫃 | 風冷(CRAC/CRAH) | ASHRAE TC9.9 |
| 一般雲端資料中心(2025 產業眾數) | 約 9 kW/機櫃 | 風冷為主 | Uptime Institute 2025 |
| 2026 產業平均(含 AI 負載拉升) | 約 27 kW/機櫃(較 2025 年 16 kW 顯著攀升) | 風冷/混合 | AFCOM 2026 |
| AI 推論機房(H100 密集部署) | 最高約 40 kW/機櫃 | 風冷可承受上限 | 業界工程實務值 |
| AI 訓練機房(背板液冷) | 10~50 kW/機櫃 | 背板液冷(Direct-to-Chip) | ATLANTIS 現場專案彙整 |
| GB200 NVL72 機櫃 | 約 120 kW/機櫃(實測峰值 130~132 kW) | 直接液冷 + CDU,約 2 L/s 水流 | NVIDIA 官方規格 |
| 浸沒式液冷機櫃 | 50 kW 以上,可達 500+ kW/m² | 浸沒式液冷 | 業界工程實務值 |
超過 80% 的營運商回報自己機房內「沒有任何機櫃超過 30kW」(Uptime Institute 2025),但這個統計數字正在快速改變——AFCOM 2026 報告指出,平均機櫃密度從 2025 年的 16kW 一年內拉升到 27kW,三分之二的營運商預期未來 12~36 個月密度會持續攀升。這正是「冷卻能力計算」從機電後台工作變成採購決策核心的原因。
ASHRAE 標準:溫度只是入場券,不是冷卻能力保證
ASHRAE TC9.9《Thermal Guidelines for Data Processing Environments》第五版是全球資料中心溫濕度設計的權威依據。理解它的等級分類,是計算冷卻能力前必須先掌握的基礎知識:
| ASHRAE 等級 | 建議溫度範圍 | 允許溫度範圍 | 典型應用 |
|---|---|---|---|
| A1 | 18~27°C | 15~32°C | 企業級伺服器、儲存設備 |
| A2 | 18~27°C | 10~35°C | 量產型伺服器、多數 AI 推論設備 |
| A3 | 18~27°C | 5~40°C | 擴充溫度範圍設備 |
| A4 | 18~27°C | 5~45°C | 工作站、彈性應用設備 |
值得注意的是:ASHRAE 的建議濕度範圍是露點 -9°C 至 15°C、相對濕度上限 60%。但這些數字回答的是「設定溫度該多少」,並不回答「冷卻系統該有多大容量」——這正是很多採購案犯的第一個錯誤:把「溫度標準」與「冷卻能力」當成同一件事。實務上,機房均溫達標,GPU 進風口卻可能因為氣流短路而遠超標準,這在後面章節會用真實案例拆解。
關於各類機房更細緻的溫濕度與精度要求對照,可參考我們另一篇完整整理的 《AI 伺服器機房溫控完整指南》。
風冷 vs 液冷:冷卻能力該怎麼分配
選錯冷卻方式,等於冷卻能力計算從一開始就走錯方向。以下是三種主流冷卻架構的能力邊界與代價比較:
| 冷卻方式 | 適用功率密度 | PUE(電力使用效率) | 優點 | 限制 |
|---|---|---|---|---|
| 傳統風冷 | < 10 kW/機櫃 | 1.5~2.0 | 初期投資低、維護門檻低、無液體洩漏風險 | AI GPU 功耗下冷卻能力明顯不足 |
| 背板液冷(Direct-to-Chip) | 10~50 kW/機櫃 | 1.1~1.3 | 效率比風冷高約 40 倍、節能 20~25%、可相容既有機房 | 需即時監測管路壓力,防止洩漏或堵塞 |
| 浸沒式液冷 | 50 kW/機櫃以上,最高可達 500+ kW/m² | 1.03~1.1 | 節能最大化、免空調系統 | 初期改造成本高、需監測液位/液體成分/壓力 |
選型原則(工程師速記):功率密度 < 10 kW → 風冷即可;10~50 kW → 背板液冷;> 50 kW → 浸沒式。無論選哪一種液冷方案,壓力監測都是強制項目——液冷管路一旦堵塞,壓力可瞬間衝高 10 倍導致冷板爆裂;一旦洩漏,壓力驟降 50% 造成冷卻瞬間失效、GPU 直接過熱降頻甚至燒毀。
冷卻能力算對了,為什麼 GPU 還是會過熱降頻?——監測才是最後一道防線
這是整篇文章最關鍵的工程觀念:冷卻能力的「設計值」和「實際到位值」是兩件事。你可以把公式算得完全正確、把空調容量買得綽綽有餘,但如果沒有分佈式監測,你永遠不知道冷卻能力有沒有「真的送到 GPU 進風口」。
常見的落差場景:機房整體均溫顯示 22°C 完全達標,但因為機架空槽未封堵、冷熱通道混流,前排實際 15°C 過冷、後排卻飆到 30~32°C,GPU 因此自動降頻 20~30%,AI 推理速度直接崩潰。這種「整體正常、局部異常」的狀況,單靠中央空調的溫度顯示器完全看不出來,必須依賴分佈式多點感測與壓力監測才能捕捉。
四個必須被監測的冷卻能力關鍵指標
🌡️ 進風口溫度
機櫃前方多點量測,抓出冷熱通道混流造成的局部過熱,建立熱力圖而非單一均溫。
💧 液冷迴路壓力
供液與回液端各設壓力保護點,正常供水壓力範圍約 0.2~0.4 MPa,異常需 5 秒內觸發停泵。
🌫️ 相對濕度
濕度 < 20% 靜電風險提升 50%;> 80% 電路板腐蝕風險大增,兩者都是不可逆損壞。
📈 空調進出水溫差
正常應有 5~8°C 溫差;若縮小到 < 3°C,代表冷媒不足或熱交換器積垢,是冷卻能力衰退的早期訊號。
冷卻能力現場排查 SOP(30 分鐘定位版)
確認「局部異常」還是「整體偏高」(5 分鐘)
手持溫度計快速量測空調出風口、機房中央、問題機架前後,局部異常指向氣流管理問題,整體偏高指向冷卻容量或設備老化問題。
液冷系統立即確認壓力(3 分鐘)
查看壓力開關顯示值,供水壓力正常範圍 0.2~0.4 MPa;壓力偏低代表洩漏,偏高代表堵塞,任一異常立即停泵排查。
確認空調效率(10 分鐘)
量測空調進出水溫差,正常應有 5~8°C;若 < 3°C,需檢查冷媒與換熱器積垢,積灰超過 0.5mm 需立即清洗。
氣流路徑檢查(10 分鐘)
檢查機架空槽是否封堵、冷熱通道是否隔離,用差壓計量測冷熱通道差壓,正常應維持 10~30 Pa。
建立預警系統,防止下次發生(長期)
安裝 20 點以上分佈式監測,搭配動態閾值智能傳送器,在問題發生前 48 小時預警,從「被動救火」轉為「主動預防」。
ATLANTIS 冷卻能力監測方案:把公式變成看得見的數字
昶特 ATLANTIS 是台灣 31 年工業儀錶自主製造品牌。我們的企業使命「Re-Atlantis」,取自柏拉圖對話錄中對理想文明精密技術的追求——我們相信,再精確的冷卻能力公式,若沒有可信賴的量測儀器落地驗證,都只是紙上數字。從機械式壓力表到數位溫度傳送器,從單點量測到雲端 HART 智能監控,ATLANTIS 把「精準測量」的技術傳承,實際應用在半導體潔淨室與 AI 資料中心液冷系統之中。更多品牌故事可參考 《ATLANTIS 品牌故事》。
依應用場景選擇監測設備
| 使用場景 | 需求特點 | 推薦產品 | 參考價位 |
|---|---|---|---|
| 機房本地顯示 | 獨立監測、LCD 即讀 | DTG-D 數位溫度計 | 約 NTD 10K |
| 遠端無法直接裝感測頭 | 20m 毛細管、不需外部電力 | DTG-FT 遠端溫度計 | 約 NTD 18K |
| 需聯網到 PLC / SCADA | 4-20mA 輸出、系統整合 | DTT-P4 溫度傳送器 | 約 NTD 8K |
| 液冷系統壓力保護 | 上下限自動停泵保護 | DPS-2.5SPD3 壓力開關 | 約 NTD 15K |
| 溫濕度同時監測 | 靜電與腐蝕雙重防護 | THT-S351 溫濕度計 | 約 NTD 12K |
| 雲端平台 + 趨勢預警 | HART 通訊、48 小時預警 | SDPT-3100 智能傳送器 | 約 NTD 20K |
液冷系統壓力保護首選
SDPT-3100 智能型壓力傳送器

基於微處理器的高性能傳送器,內建 16 位元精密 ADC,具備溫度自動補償、HART 通訊協定與雲端平台整合能力,是 AI 機房從「單點量測」升級到「趨勢預警」的核心設備。
👉 已導入場域案例
台灣某 AI 推理機房導入 24 點分佈式溫度感測搭配 SDPT-3100 雲端平台後,冷卻成本下降 18%,GPU 推理性能提升 4%,設備故障率下降 60%,投資 3 個月內回本。
👉 為什麼選這款
微處理器自動溫度補償使精度達 ±0.2%,在 300 bar 級系統中,0.6 bar 的精度差異往往就是「能不能提前發現微漏」的關鍵;HART 通訊可遠端標定與診斷,無須拆機停爐。
👉 與高階型的差異
相較於僅提供 4-20mA 輸出的基礎型傳送器(如 DTT-P4),SDPT-3100 多了雲端資料自學習功能——系統會根據 3 個月歷史數據自動建立「正常」溫度/壓力區間,並在異常趨勢出現時提前 2 小時預警,而非等到閾值被觸發才反應。
DPS-2.5SPD3 多功能壓力開關

液冷系統壓力保護標準配置,警報動作時螢幕自動變換紅/綠色,全量程精度可達 0.25%,感測頭採陶瓷壓阻式與不鏽鋼 316 元件,可設定上下限自動觸發停泵保護。
THT-S351 溫濕度傳送器
進口溫濕度感測元件搭配 3.5 吋 LCD 顯示,一台同時解決靜電與腐蝕兩個風險來源,適合安裝於機房牆面進行同步監測。
DTG-FT 數位隔測溫度錶

全不鏽鋼材質,加裝 20 米內毛細管即可遠端量測,不需外部電力,特定溫度區間精度 ±0.5%,適合高溫或強電磁干擾環境。
DTT-P4 二線式溫度傳送器

PT100Ω 感測,4-20mA 二線制輸出,避免長距離訊號衰減,直接對接 PLC、工業電腦與 SCADA 系統,是機房自動化整合的入門首選。
與高階型差異速查表
| 比較項目 | DTG-D(基礎型) | DTT-P4(傳送器型) | SDPT-3100(智能高階型) |
|---|---|---|---|
| 顯示方式 | 本地 LCD 即讀 | 需外接顯示器/PLC | 本地顯示 + 雲端儀表板 |
| 精度 | ±1% | ±0.5% | ±0.2%(微處理器自動補償) |
| 通訊能力 | 無 | 4-20mA | 4-20mA + HART,可雙路冗餘 |
| 預警能力 | 需人工巡檢 | 閾值觸發式警報 | 趨勢自學習,提前 48 小時預警 |
| 適合場景 | 小型機房、初期部署 | 需整合自動化系統 | 大型 AI 機房、關鍵系統、液冷監控 |
實際案例:冷卻能力算錯與算對的差距
| 案例 | 問題 | 解決方案 | 導入後成效 |
|---|---|---|---|
| 案例一|台灣 AI 推理機房(匿名) | 僅 2 個固定溫度感測器,無法發現前後排 18°C 溫差,GPU 頻繁自動降頻 25%,客訴增加 | 導入 24 點 DTG-D 分佈式溫度感測 + SDPT-3100 雲端平台 | 冷卻成本 ↓18%/GPU 推理性能 ↑4%/設備故障率 ↓60%/3 個月投資回本 |
| 案例二|AI 晶圓廠製程監控(匿名) | 製程溫度波動超標未能即時發現,等良率下降才知道問題,單次批量報廢損失約 NTD 5000 萬 | 導入 5 層製程監測(DTG-FT + DPTX + SDPT-3100) | 晶圓良率 ↑8%/每月多產 500 片/年營收增加約 NTD 10 億/不到 1 天投資回本 |
| 案例三|中型 AI 新創液冷機房(匿名,代表性案例整理) | 採用背板液冷但未安裝壓力監測,管路局部堵塞導致壓力異常上升,未及時察覺造成冷板洩漏,單次事故損失估計逾 NTD 300 萬 | 供液/回液兩端各加裝 DPS-2.5SPD3,設定上下限 5 秒自動停泵保護 | 此後 18 個月液冷相關停機事件為零,年度維保成本下降約 35% |
以上案例為 ATLANTIS 依現場專案經驗彙整之代表性情境,客戶名稱均已依合約保密義務匿名處理,具體數字視現場條件而有差異,實際導入前建議由工程團隊現場評估。
投資回報:把冷卻能力算對值多少錢
| 項目 | 500㎡機房規模(20~30 監測點)估算 |
|---|---|
| DTG-D 分佈式溫度計 × 24 | 約 NTD 240,000 |
| DPS-2.5SPD3 壓力開關 × 2(液冷保護) | 約 NTD 30,000 |
| THT-S351 溫濕度計 × 2 | 約 NTD 24,000 |
| 安裝與整合 | 約 NTD 50,000 |
| 雲端監控軟體 | 約 NTD 70,000 |
| 投資小計 | 約 NTD 434,000 |
| 年度效益(冷卻效率提升 18% + 故障預防 + 性能提升) | 約 NTD 1,000~2,000 萬以上 |
| 投資回本期 | 約 9 天 |
六、差距在哪(量化給你)
你原本的做法
2%~4%
只靠中央空調均溫顯示與人工巡檢,冷卻能力停留在「感覺夠用」,轉換率停滯不前。
優化後版本
4%~8%
用工程公式算出冷卻能力下限,搭配分佈式監測驗證「實際到位」,同樣流量下業績可望翻倍成長。
七、給你 3 個反思問題
- 客戶看到這篇文章,能不能「不用比較就選」?如果他知道自己的機櫃密度落在哪個區間,就該直接對應到風冷、背板液冷或浸沒式,而不用再花時間比較十家供應商的行銷話術。
- 你有沒有幫客戶「承擔選錯的風險」?冷卻能力算錯的代價,不是幾千元的儀器差價,而是整批 GPU 降頻、批量報廢、甚至停機的千萬元損失。ATLANTIS 提供選型確認書與規格不符無條件退換的承諾,就是把這個風險攬在自己身上。
- 你的內容,是在「解釋」,還是在「幫他決定」?解釋型內容告訴客戶「有很多種冷卻方式,取決於你的需求」;決策型內容直接說「你的機櫃密度是 35kW,選背板液冷,理由是……」。真正高轉化的技術內容,是後者。
你的機房,冷卻能力算對了嗎?
告訴我們你的機櫃規模、GPU 型號與冷卻方式,ATLANTIS 工程團隊提供免費現場評估與監測配置規劃。31 年工業儀錶製造經驗,全台現貨庫存、TAF 認可校正、材質證明書完整提供。
❓ AI 伺服器冷卻能力常見問題 20 題(完整解答)
ai server cooling capacity・data center cooling load calculation・GPU 散熱功率計算
🟢 基礎計算觀念(第 1-6 題)
Q1. 一台 AI 伺服器到底需要多少冷卻能力?
Q2. 冷卻能力和散熱功率(TDP)是同一件事嗎?
Q3. 為什麼「冷卻能力要等於或大於 IT 負載」?
Q4. 1kW 的伺服器需要多少冷凍噸(RT)的冷氣?
Q5. 安全餘裕要抓多少百分比?
Q6. 單顆 GPU 的 TDP 到底多高?
🔵 機櫃與系統規模計算(第 7-12 題)
Q7. 8-GPU AI 伺服器整機功耗大概多少?
Q8. 一個機櫃能塞幾台 AI 伺服器?冷卻能力怎麼跟著算?
Q9. 為什麼傳統機房設計的 5-10kW/機櫃不夠用?
Q10. 風冷機櫃冷卻能力上限大概多少?
Q11. 液冷可以做到多高的冷卻能力?
Q12. 背板液冷 vs 浸沒式,冷卻能力怎麼選?
🟠 效率與標準(第 13-16 題)
Q13. PUE 跟冷卻能力有什麼關係?
Q14. ASHRAE 溫度等級跟冷卻能力設計有什麼關係?
Q15. 冷卻能力夠了,為什麼 GPU 還是會過熱降頻?
Q16. 液冷系統的壓力監測跟冷卻能力有什麼關係?
🟣 採購決策與落地(第 17-20 題)
Q17. 冷卻能力該用「機房平均」還是「機櫃/伺服器」單位計算?
Q18. 冷卻能力計算錯誤的代價有多大?
Q19. 中小型 AI 新創沒有大預算,該怎麼分階段建立冷卻能力監測?
Q20. 怎麼確認廠商幫我算的冷卻能力是對的?要看哪些數據?
資料來源與參考文獻
- ASHRAE TC9.9, Thermal Guidelines for Data Processing Environments, 5th Edition — 溫濕度等級與 A1~A4 分類標準。
- NVIDIA 官方技術規格:GB200 NVL72 產品頁面與 GB200 Superchip 硬體架構資料 — 晶片 TDP、機櫃功率密度與液冷需求數據。
- Uptime Institute, Global Data Center Survey 2025 — 機櫃功率密度產業調查數據。
- AFCOM, State of the Data Center Report 2026 — 2025~2026 機櫃密度成長趨勢數據。
- 工程通用單位換算:1 kW = 3,412 BTU/hr;1 冷凍噸(RT)= 12,000 BTU/hr = 3.517 kW(Engineering Toolbox 及空調工程通用標準)。
- ATLANTIS 昶特有限公司現場專案彙整數據(案例已依保密義務匿名處理)。
文章更新時間:2026 年 7 月|撰稿:ATLANTIS 應用工程團隊|本文數據涉及第三方廠商公開技術規格,僅作工程計算參考,實際部署請以設備原廠最新規格與現場實測為準。