Frore 的 LiquidJet 宣称让去顶盖 Rubin GPU 进入量产议程

Frore Systems 宣称，其 LiquidJet 冷板可将 Nvidia Rubin GPU 的温度降低 10°C，并将性能提升 15%。nvidia tom 的这篇报道之所以重要，是因为超大规模云服务商正在考虑采取更激进的一步：在生产服务器中安装散热硬件前，先移除 GPU 顶盖。

这种做法可让 LiquidJet 更贴近硅芯片，在 Rubin 产生最集中的高热负载区域改善热传递。但这也挑战了保守的工程实践；这些实践旨在保护昂贵的加速器免受装配损伤、泄漏、不均匀安装压力以及长期材料失效的影响。

因此，核心较量并非 LiquidJet 与某一款竞争冷板之间的对比，而是极致裸芯散热性能与超大规模基础设施可维护性、可靠性要求之间的权衡。Frore 的数据描述了潜在收益，但能否安全地实现这些收益，仍将由量产验证决定。

Nvidia Tom 的说法将散热与 Token 产出直接关联

Frore 将这款冷板定位为计算性能组件，而不只是让 Rubin 保持在温度上限以内的工具。

根据原始散热报道，LiquidJet 可将 Rubin GPU 温度降低 10°C。该公司还将这一降温与其宣称的 15% 性能提升联系起来。

除非独立实验室或部署客户在披露条件下复现这些结果，否则这些数据仍只是公司说法。工作负载选择、冷却液温度、流量、功耗设置、芯片差异以及参考冷板设计，都可能影响结果。

这一比较尤为重要，因为 GPU 温度降低并不会自动转化为更多有用计算产出。已经维持目标频率的加速器或许能在更低温度下运行，却不一定能生成更多 token。但受热限制的 GPU，如果较低温度使其能在更长时间内维持更高频率或功耗，则可能从中受益。

Frore 的性能论点似乎取决于后一种情况。更好的散热将减少局部热点、保留运行余量，并支持更稳定的频率。由此带来的增益可能表现为更高的 token 吞吐量、更短的训练周期，或在固定机架功耗预算内实现更高性能。

对于许多推理运营商而言，Token 生成是具有经济意义的衡量指标。一块能让已部署 GPU 服务更多请求的冷板，可以在无需新增建筑、电力接入或集群扩容的情况下，提高每个机架的收入。

不过，“性能”需要精确定义。训练吞吐量、每秒推理 token 数、延迟以及每兆瓦总 token 数彼此相关，但不能互相替代。

报道中的 15% 提升也需要明确基准。与传统冷板相比，所揭示的情况会不同于与 Nvidia 已验证的 Rubin 散热设计相比。模拟热负载得出的结果，其说服力也会低于生产级 Rubin 硅芯片的实测数据。

Frore 此前已对早期设计提出过类似说法。在 Computex 2026 上，该公司展示了 LiquidJet Nexus，这是一套面向高密度 AI 托盘的集成散热组件。据报道，一项 ODM 测试发现，与所测试的参考方案相比，其温度可降低约 6°C，token 生成量可提升 10%。

LiquidJet Nexus 将多个发热组件的冷板整合到同一组件中。这种布局可涵盖 GPU、CPU、网络设备、电源转换器和稳压器。共享结构可减少接头和潜在漏液点，不过其整体可靠性仍取决于制造和部署质量。

据报道，早期设计的厚度为 17 毫米，而竞争组件为 34 毫米。Frore 还宣称其重量减少了 65%。在紧密堆叠的系统中，这些尺寸至关重要，因为散热硬件需要与供电和网络设备争夺有限空间。

最新的 nvidia tom 说法将目标从改进传统封装接口，提升到考虑与去顶盖硅芯片直接接触。正是这一变化，让原本渐进式的散热故事变成了一项量产工程测试。

如果能在机架级验证中保持，10°C 的降温将具有重要意义。更棘手的问题是，超大规模云服务商能否在不引入会抵消性能优势的故障模式的情况下实现这一降温。

去顶盖移除了热障，也移除了一层保护

移除顶盖缩短了 Rubin 硅芯片与冷却液之间的路径，但也将封装风险转移到了数据中心供应链中。

GPU 顶盖通常被称为集成式散热器，是硅芯片封装上方的金属表面。它将热量扩散至更大的面积，同时保护其下方的敏感组件。

通常情况下，热量会从 GPU 芯粒穿过一种界面材料进入顶盖，再通过另一种界面材料进入冷板。每一处材料边界都会增加热阻，也就是减慢热量在整个堆叠结构中的传递。

去顶盖会移除散热器，使散热组件能更直接地接触裸露的封装。更短的路径可以降低硅芯片与冷却液之间的温差，尤其是在热量高度集中的热点区域。

裸芯散热并不是新概念。多年来，爱好者一直在移除处理器顶盖，而专用高性能系统也采用了经过严密控制的直接接触组件。超大规模量产带来了不同的风险特征，因为运营商必须部署和维护数千套几乎相同的系统。

一块 Rubin 封装集成了高功耗计算芯粒、高带宽内存及其他封装组件。它们的高度、热负载和机械公差并不一定一致。冷板必须接触预定表面，同时不能损伤相邻结构。

安装压力变得至关重要。压力过小会留下积热的缝隙；压力过大则可能导致硅芯片开裂、封装变形，或损坏其下方的焊接连接。

当材料膨胀和收缩时，压力也必须保持均匀。GPU 会在较低的空闲温度与更高的工作温度之间反复变化。这些热循环会使界面材料发生位移，并随着时间推移对机械连接施加压力。

因此，散热组件需要的不仅是较低的初始温度读数。它必须在运输、安装、维护以及跨越实际功耗状态的长期循环后，仍能保持这一性能。

液体暴露带来了另一项担忧。顶盖封装上方发生泄漏已相当严重；而裸露硅芯片附近的泄漏或冷凝事件，容错空间可能更小。

Frore 的技术方案是一种围绕三维短回路喷射通道构建的冷板。冷却液通过瞄准特定区域的小型通道流动，而不是沿着贯穿整块冷板的长而均匀的通道流动。

传统微通道冷板通常让液体通过更长的机械加工流道。这些流道会产生摩擦和压降，从而增加维持足够流量所需的泵送功耗。

Frore 表示，其架构会将冷却液导向处理器的热图，也就是已知的封装内部热量分布。该公司将半导体式制造工艺应用于键合金属结构，从而实现传统机械加工难以制造的内部形状。

该公司此前称，LiquidJet 可应对最高达每平方厘米 600 瓦的热点功率密度。它还曾宣称，早期设计可在单位流量下多移除 50% 的热量，并将压降降低至原来的四分之一。

这些数据为更好的散热提供了可信的机制。更短的通道可降低液阻，而定向喷射可扰动沿散热表面形成的高温边界层。

但这种机制并不能解决量产问题。小通道可能对污染物、腐蚀产物、制造残留物以及冷却液化学成分变化敏感。高度优化的散热结构必须能适应真实设施的维护实践。

去顶盖还会改变责任归属。Nvidia 通常会针对明确的机械公差，验证完整封装和散热接口。移除顶盖将要求系统制造商、散热供应商或超大规模云服务商承担更多集成负担。

对于已经在设计定制加速器和整套机架的组织而言，这种转变或许可以接受。对于依赖标准保修、可更换部件和厂商认证服务流程的较小运营商来说，则更加困难。

尽管如此，这一做法的吸引力仍很明确。如果额外的界面层占 Rubin 热阻中相当大的比例，移除它便能让冷板设计人员直接接触限制散热性能的表面。

因此，10°C 的说法在技术上可以理解。其商业价值取决于 Frore 及其合作伙伴能否将裸芯散热打造成可重复的制造流程，而非一项专业化改装。

Rubin 让热余量成为一种经济资源

Rubin 的密度让每一度温度变化和每一瓦泵送开销都成为容量规划决策。

Nvidia 将 Vera Rubin 设计为机架级平台，而非松散组合的加速器卡。Vera Rubin NVL72 将 72 个 Rubin GPU、36 个 Vera CPU、网络、内存、供电和散热整合为一个协调运行的系统。

Nvidia 表示，Rubin 基础设施是其首个让所有主要组件都采用液冷的产品世代。这包括计算芯片、网络设备以及此前部分依赖服务器风扇的其他硬件。

该公司的液冷设计支持最高 45°C 的冷却液进入机架。在适宜气候下，较高温度的设施用水可使无冷水机散热成为可行方案，降低冷却冷却液本身所需的能耗。

这带来了两种利用更优冷板的不同方式。运营商可以保持冷却液条件不变，追求更高的加速器性能；也可以提高入口温度或降低流量，同时维持所需的硅芯片温度。

第一种选择瞄准每块 GPU 的 token 数量。第二种选择则通过降低散热开销，瞄准每兆瓦 token 数量。受电力约束的数据中心可能会重视其中任一结果，具体取决于电力限制和工作负载需求。

Frore 已明确描述了这种灵活性。其 LiquidJet 路线图称，运营商可以将额外热余量用于提升 GPU 性能，或用于提高冷却液运行温度。

这一框架解释了为什么散热供应商会将 token 生成作为核心指标。超大规模云服务商并不会仅从更低的芯片温度中获得回报。他们关心的是完成的训练工作、已服务的推理请求、正常运行时间和设施容量。

Nvidia 正通过自身架构追求同样的系统级经济效益。该公司表示，Rubin 的 45°C 设计可在适宜环境中采用干冷器运行，避免使用高能耗制冷设备。

其 Vera Rubin architecture 也采用共用歧管、液冷电源组件、快速断开接头和防漏设计。Nvidia 认为，这些改进可节省足够的电力，在相同电力预算内支持多达 10% 的额外 NVL72 机架。

Frore 实际上认为，冷板能够进一步推动这些经济效益。如果 LiquidJet 能以更低的压降带走更多热量，数据中心便可降低泵的能耗，或将额外的散热余量分配给计算。

这正是主要的竞争张力所在。Nvidia 的集成散热路径优先考虑经过验证的机架及合作伙伴生态系统。Frore 的方案则承诺通过优化最贴近每颗芯片的表面，带来额外效率。

这两条路径并非完全不兼容。Frore 将 LiquidJet 描述为可与现有歧管和液冷回路配合使用的即插即用升级方案。超大规模云服务商可以采用 Nvidia 更广泛的机架架构，同时替换散热堆栈的一部分。

然而，如果部署需要开盖（delidding），“即插即用”就会成为一种复杂的描述。外部管路或许无需改变，但封装处理、装配、测试、保修覆盖范围和维修流程都将发生变化。

经济测算必须纳入这些运营影响。15% 的吞吐量提升可能足以证明大规模集成工作的合理性，尤其是在庞大的推理集群中。但早期硬件故障率的小幅上升，也可能抵消其中一部分价值。

正常运行时间与峰值吞吐量同样重要。服务器在运行时每秒可生成多 15% 的 token，但如果维护需求显著降低可用性，其优势便十分有限。

同样的原则也适用于良率。超大规模云服务商需要了解，有多少加速器能在开盖、冷板安装、系统组装、运输和现场维护后完好存活。

这些成本并不意味着该方案不可行。大型云服务商经常共同设计服务器、液冷回路、网络和定制芯片。他们可以建立普通买家无法获得的受控装配线和自动化检测流程。

Frore 表示，正与多数超大规模云服务商合作开发 LiquidJet 解决方案，其中包括面向定制芯片的设计。该公司尚未公开确认报道中所称开盖 Rubin 配置的量产客户。

这一差异很重要。技术讨论、评估项目、认证样品和已承诺的量产部署，代表着不同层级的采用程度。

nvidia tom 的报道表明，行业正从理论兴趣迈向严肃的量产评估。公开证据仍需跟上这一判断。

15% 的提升必须经受可靠性和基准测试审视

LiquidJet 最有力的论据，需要来自完整 Rubin 机架的独立吞吐量结果和长期可靠性数据。

散热演示通常会孤立系统中较有利的一部分。它们可以证明冷板有效带走热量，却无法证明整个数据中心会获得同等比例的收益。

量产基准测试需要披露 GPU 型号、功耗上限、时钟行为、冷却液入口温度、流量、压力、工作负载、软件栈和对比硬件。缺少这些细节，读者便无法判断所报告提升的来源。

芯片间差异同样重要。两块标称相同的 GPU 在漏电、温度和频率表现上可能存在差异。一项可信的对比应测试足够多的设备，以区分散热效果与普通硅片差异。

10°C 的结果和 15% 的性能主张也需要通过实验建立联系。较低温度可降低漏电功耗并支持更高的持续时钟频率，但这种关系会随运行点而变化。

运行在散热限制以下的 GPU，性能变化可能很小。为利用额外散热余量而配置的 GPU 则可能消耗更多电力，使关于数据中心效率的主张变得复杂。

最有价值的指标应将完成的工作量与总能耗结合起来。每焦耳 token 数、每机架 token 数和每兆瓦时 token 数，能够揭示 LiquidJet 是否提升了经济产出，而不只是提高了设备频率。

推理延迟应与吞吐量一并呈现。某些配置通过批处理更多请求来提高总 token 每秒生成量，却未必能改善单个用户实际感受到的响应时间。

训练带来了另一项测量挑战。更凉的 GPU 可以维持时钟频率，但整体训练速度还取决于内存、网络、集合通信、检查点保存和软件效率。

可靠性证据同样需要覆盖广泛范围。冷板供应商通常会进行压力、腐蚀、热循环、振动、冲击和泄漏测试。开盖的量产硬件还会带来机械对齐和裸露封装方面的顾虑。

运营商应关注覆盖代表性 Rubin 封装的加速寿命测试。他们还需要可现场更换的流程，使技术人员无需将日常维护变成实验室工作。

冷却液洁净度构成长期考验。Frore 的内部结构依赖于细小且经过精心设计的通道。认证应衡量在长期接触所选冷却液、密封件、管路和数据中心回路后的性能。

材料兼容性同样重要，因为混合金属可能引发电偶腐蚀。生物滋生、溶解氧、颗粒物和化学添加剂也都可能随时间改变散热性能。

数据中心可以过滤并监控冷却液，但更严格的要求会提高运营复杂度。这种复杂度必须与泵能耗或 GPU 温度的任何降低进行权衡。

供应能力带来另一项不确定性。Frore 表示，其在金属晶圆上采用半导体制造理念。这种方法可实现精细结构，但超大规模云服务商需要在大规模产量下获得一致的生产表现。

因此，成功的认证还应衡量大量冷板之间的尺寸偏差和流量平衡。一块表现出色的样品并不能证明全机群性能。

竞争对手的应对也将影响采用情况。传统冷板供应商可以改进通道几何结构、界面材料、安装系统和制造方法。Nvidia 可以修改封装与机架设计，以降低热阻，而无需客户对 GPU 开盖。

Nvidia 通过 Open Compute Project 对其大部分 MGX 机架架构进行标准化的决定，为组件创新创造了空间。同时，它也确立了替代散热组件必须满足的机械和运营预期。

Frore 的优势可能在于定制化。其制造方法旨在让通道结构匹配每个处理器的热点分布图。这对于 Rubin、Rubin Ultra，以及具有不同热分布的超大规模云服务商自研加速器都可能很有价值。

定制化也会带来版本管理工作。封装修订、功耗配置和芯片配置都可能需要不同的冷板设计。运营商必须确保正确的散热组件在制造和维护过程中始终随对应加速器流转。

关于开盖 GPU 的报道兴趣表明，当潜在的机群级回报足够大时，一些超大规模云服务商愿意接受这种复杂性。这并不意味着该做法已经成为标准。

Nvidia 支持条款的具体内容将具有决定性作用。运营商将希望明确保修覆盖范围、获批准的装配合作伙伴、可接受的安装方式、遥测数据和更换流程。

在这些问题得到公开回答之前，15% 这一数字应被视为有前景的测试结果，而非可据以确定机群收益的改进。

这种谨慎的表述并非否定 LiquidJet。它指出了将该技术从令人印象深刻的散热对比推进为量产基础设施所需的证据。

三个信号将显示 LiquidJet 是否进入量产

客户支持的基准测试、Nvidia 认证以及机架级可靠性结果，将决定这一散热增益能否转化为可部署容量。

第一个信号，是来自已明确身份的超大规模云服务商、服务器制造商或独立测试机构的基准测试。它应在真实 Rubin 硬件上，将 LiquidJet 与已披露的参考冷板进行比较。

该测试应报告冷却液条件、功耗设置、持续频率、工作负载吞吐量和总散热能耗。它还应区分带顶盖和开盖配置。

若独立确认的结果接近所报告的 10°C 和 15%，将显著增强 Frore 的论据。较小的增益并不会否定该设计，但会改变其集成经济性。

第二个信号是正式的平台支持。Nvidia、成熟的 MGX 制造商或大型服务器供应商需要对相关冷板及装配流程进行认证。

认证将表明直接芯片裸晶散热可适配既定的制造公差和支持流程。它还将澄清开盖是在交付前、在系统集成商处，还是在其他受控安排下完成。

Nvidia 已将液冷置于 Vera Rubin systems 的核心位置。这一承诺为散热创新创造了可服务市场，但并不会自动验证每一种散热设计。

获批准的 LiquidJet 选项将强化这样一种主张：冷板可成为 Rubin 生态系统中可选择的性能组件。持续沉默则会使部署局限于承担更大集成责任的定制项目。

第三个信号是来自完整机架的耐久性证据。买家需要了解故障率、热性能漂移、泄漏表现、冷却液维护要求，以及长期运行期间的维护结果。

这些证据比又一次短期演示更重要。AI 基础设施持续运行，而细微的可靠性差异会在数千个加速器规模下被放大。

一份有价值的部署报告应将正常运行时间和维护情况与标准 Rubin 散热方案进行比较。它还应展示初始散热收益在反复开关机循环后是否保持稳定。

在读者将开盖 Rubin GPU 视为常规量产做法之前，这些信号应先行出现。超大规模云服务商常常并行评估多条工程路径，而其中许多永远不会推进至认证之后。

更广泛的趋势已经确定。散热已进入 AI 数据中心的性能和容量方程。Rubin 的全液冷架构明确体现了这种关系。

尚未确定的是，运营商愿意承担多少风险，以消除封装周围最后的散热障碍。Frore 相信，其针对性通道和直接裸晶方案足以证明更激进设计的合理性。

nvidia tom 的说法为这一论点提供了具体数字：温度低 10°C，性能提高 15%。这些数字足够大，值得关注，但尚缺乏充分文档支持，无法据此指导机群采购。

基础设施团队现在应要求提供工作负载层面的证据，而不是更低温度的演示图表。他们应将总能耗、正常运行时间、可维护性和硬件良率与峰值吞吐量一同进行比较。

对于开发者和 AI 产品团队而言，影响会在更下游显现。更好的散热可能意味着更多可用的推理容量、更稳定的延迟，以及每个生成 token 更低的基础设施成本。

这些优势只有在冷却系统经受住量产考验时才会真正兑现。关注是否出现具名客户、经过验证的 Rubin 配置，以及长时间运行的机架数据。这三个信号将共同说明，LiquidJet 究竟只是一次颇具吸引力的试验，还是 AI 散热设计迈出的下一步。