LUMI 数字孪生将芬兰 AI 中心从机架规划带入虚拟测试

随着芬兰为其 Kajaani 计算中心部署更高密度的 AI 系统、应对要求严苛得多的机架运行条件，LUMI 正在构建数字孪生。该项目为工程师提供虚拟环境，可在方案应用于实体基础设施前测试能源、冷却和余热回收决策。

这之所以重要，是因为该设施正进入艰难的转型阶段。其现有超级计算机已结合高密度计算负载、温水冷却和市政供热回收利用。下一代 LUMI-AI 系统将引入更新的处理器、机密 AI 工作负载，以及另一套高度集成的数据中心环境。

核心较量在于虚拟验证与传统实体调试之间。工程师只能在在线基础设施上测试有限数量的配置。可信赖的数字孪生能够更早暴露热学、电气和运行问题，不过其预测仍将受制于模型质量和现实世界数据。

LUMI 数字孪生将模拟一座运行中的超级计算机站点

该项目将 LUMI 的运营数据转化为面向未来数据中心决策的测试环境。

芬兰国有科学 IT 中心 CSC 正与奥卢大学共同开发 LUMI 数字孪生。这项工作属于 CEMIS-DCR，该地区项目聚焦于负责任且环境可持续的数据中心运营。

该项目于 2026 年 1 月 1 日启动，持续至 2027 年 12 月 31 日。项目获得欧洲区域发展基金支持，并将数据中心研究与更广泛的 Kajaani 技术社区连接起来。

CSC 表示，该数字孪生将模拟 LUMI 的能源效率及其他技术解决方案。这一描述刻意保持宽泛，为研究冷却行为、设备配置、热流，以及计算需求与配套基础设施之间的相互作用留出了空间。

数字孪生是对实体系统的计算表示，可利用设计信息、测量数据或运营数据进行模拟。当工程师能够将预测行为与实际设施的观测结果进行比较时，它会变得更有价值。

CEMIS-DCR 项目还涵盖基于数据的模拟与区域优化。研究人员计划考察余热利用、热泵，以及降低数据中心环境足迹的方法。

这并非只是对机房和机架的可视化模型。其实用价值在于呈现计算负载、液体循环、温度、电力需求和区域供热连接之间的关系。

例如，工程师可以探究服务器发热量突然上升会如何影响冷却液温度。随后，他们可以检查泵、热交换器和控制系统能否在可接受的范围内作出响应。

他们还可以在无需等待天气变化的情况下研究季节性条件。Kajaani 的冬季气候与较温暖时段形成不同的运行条件，尤其会影响自然冷却和区域供热需求。

虚拟测试并不能取代实体调试。它为团队提供更广阔的场景演练空间，使其能在硬件、能源和维护窗口成为限制因素之前进行准备。

在一处运行中的超级计算机站点，这一区别尤为重要。激进的实体实验可能中断科研工作负载，或使设备面临风险。虚拟环境支持早期研究，而不会带来同样的后果。

LUMI 已为这项工作提供了宝贵基础，因为它并非理论上的设施。它拥有运行历史、液冷系统、计算机架、自动化控制，以及与 Kajaani 供热网络的活跃连接。

因此，该数字孪生从一个异常完整的工程问题起步。它必须同时呈现耗电的基础设施，以及接收回收热量的本地能源系统。

这也构成了本文的核心张力：虚拟验证承诺以更低的运行风险开展更多实验，但模型必须始终忠实于这座复杂的实体设施。

更高密度的 AI 机架为何改变了工程问题

AI 基础设施迫使供电、冷却、网络和建筑系统像一台高度耦合的机器一样运行。

传统的数据中心规划往往将容量视为一连串彼此独立的决策。团队先确保供电，选择冷却设备，安装机架，再对组合后的设施进行调试。

高密度 AI 系统削弱了这种分离。处理器配置的改变可能影响电气瞬变、冷却液流量、机架重量、网络布线以及可供回收的热量。

设施不能仅在纸面上提供足够的电力。它必须在机架端可靠地输送这些电力，同时移除几乎等量的热量。

AI 工作负载也会随时间变化。训练任务可能产生持续的高利用率，而推理和实验性研究则可能带来更具波动性的需求。这些模式会同时影响电气和热学系统。

LUMI 数字孪生提供了一种将这些依赖关系作为互联问题进行测试的方式。工程师可以考察某项冷却决策是否改善了一项指标，却在其他环节带来压力。

以提高冷却液温度、改善余热回收为例。这一变化可能有利于区域供热网络，但也可能缩小某些硬件的安全热裕度。

更低的冷却液温度或许能在重载下保护设备。然而，制备更低温的水可能需要更多冷却能源，并降低回收热量的价值。

这些是系统层面的权衡，而非孤立的设备选择。模拟可以帮助团队在将方案写入控制逻辑或投入建设前找到有前景的运行区间。

随着芬兰建设下一座 LUMI 设施，这一问题变得更加紧迫。新数据中心将承载 LUMI-AI 超级计算机，以及一台名为 LUMI-IQ 的实验性量子计算机。

建设于 2026 年 1 月在 Kajaani Renforsin Ranta 场地另一座旧造纸机车间内启动。该中心计划于 2027 年底投入运行。

该建筑项目展现了 AI 基础设施的实体规模。约 3.5 公里的焊接液冷管道将服务于这一新环境。

项目还使用了约 450 立方米交叉层压木材，以及 326 吨额外承重钢材。这些材料支撑着一座机械和电气系统在设计中占据核心地位的设施。

根据建设进展更新，为期六个月的调试和测试期计划于 2027 年初启动。该阶段将在中心投入生产前测试建筑服务系统。

一套可用的数字孪生可通过让工程师在调试前或调试期间演练运行条件来补充这项工作。它也能帮助他们决定哪些实体测试应获得优先安排。

压力落在 CSC、其工程合作伙伴以及未来设备供应商身上。他们必须整合新的计算硬件，同时不失去现有站点所具备的效率和余热回收优势。

这一压力同样落在其他地方的运营商身上。AI 机架的要求正变得过于严苛，团队无法再将冷却、配电、控制和计算部署视为彼此独立的采购包。

NVIDIA 通过其 Omniverse DSX Blueprint 推动了相同的大方向。该公司希望运营商和工程合作伙伴在实体部署前模拟完整的 AI 工厂。

其 DSX 参考设计将虚拟模型与来自供电、冷却、建设和软件供应商的设备数据相连接。这一商业生态系统不同于由公共资金支持的 LUMI 项目。

不过，两种方法都反映了同样的工程现实。更高的机架密度会使后期发现问题的成本更高，因此基础设施团队希望在设计流程的更早阶段完成验证。

虚拟测试必须在关键之处胜过实体调试

只有当 LUMI 数字孪生能够预测传统调试会在更晚阶段或以更高成本发现的问题时，它才算成功。

实体调试仍是数据中心最具权威性的测试。工程师施加负载、验证控制系统、制造故障条件，并确认设备是否按照设计运行。

它的局限在于覆盖范围。团队无法在固定的调试窗口内测试每一种天气条件、工作负载模式、组件故障或扩展场景。

有些测试会造成干扰。另一些则需要尚未到位的设备、无法获得的环境条件，或不宜安全复现的运行状态。

经过校准的数字孪生能够扩展这一测试空间。团队可以重复场景、改变单个参数，并比较相互竞争的配置，而无需反复干扰实体系统。

LUMI 已拥有这一概念的实践经验。Semantum 和 Granlund 此前曾开发其冷却系统的仿真数字孪生，其中包括计算机架、自动化系统和区域供热连接。

该模型已支持设计工作、调试、冷却优化、热量产出估算以及异常场景分析。新的 CEMIS-DCR 工作可在这一实践基础上继续推进。

早期工作说明了虚拟验证如何变得实用。模型可以测试服务器发热量突然上升，或室外温度快速变化的情形。

运营商可以观察预测的冷却液行为和控制响应，随后识别出值得在实体设施上验证的配置。

该模型还可以支持扩展规划。增加更高密度的机架改变的不仅是总热输出，还可能影响流量分配、压力要求、局部温度和控制时序。

传统规划可能通过工程计算评估这些变化，再进行设备测试。数字孪生则可以将这些计算整合进对完整系统的动态呈现之中。

这对模型质量提出了更高要求。如果热力方程、设备曲线或控制逻辑存在错误，即使机架布局在视觉上准确，其价值也十分有限。

静态模型与运营数字孪生之间的区别十分重要。静态表示可以协调设计信息并揭示空间冲突。

运营数字孪生则试图复现系统行为。它需要合适的数据、明确的边界、经过校准的参数，以及与实体系统持续进行比较。

LUMI 项目可通过 CSC 获得宝贵的运营知识。其中包括建设、维护、超级计算机运行、冷却和余热回收方面的经验。

然而，获得数据并不会自动生成可靠模型。传感器可能发生漂移，测量数据可能以不同间隔到达，未记录的控制变更也可能扭曲比较结果。

工程师还必须决定数字孪生需要达到何种细节程度。一个呈现每个组件的模型可能运行缓慢、难以维护，并且重新校准成本高昂。

更简单的模型可以运行得更快，并支持更多场景。但在故障或高密度部署期间，它也可能遗漏关键的局部行为。

最有效的方法通常是让模型细节与明确的决策相匹配。余热回收研究所需的保真度，与机架级热安全测试并不相同。

这种严谨性将工程价值与数字孪生的表面展示区分开来。孪生模型应回答可量化的问题，而不只是提供令人印象深刻的三维视图。

有价值的问题包括：拟议配置是否能保持在温度限制之内。另一个问题是，热泵能否在不消耗过多额外电力的情况下提高可利用热量输出。

模型还可以比较计算负载波动期间的控制策略。它也可以测试新的机架配置是否会扰乱设施其他区域的冷却液流动。

每个答案都应包含不确定性。模拟输出是受假设、测量结果和数学近似方法影响的估计值。

因此，真正的竞争并非绝对意义上的数字孪生与物理测试之争，而是虚拟探索结合有针对性的物理验证，与单独进行物理测试之间的比较。

冷却与余热回收是最严苛的现实检验

LUMI 与区域供热网络的连接，使效率能够在数据中心之外得到量化衡量；模拟主张将在实际运行的能源网络中接受检验。

现有 LUMI 系统采用闭环温水冷却设计。循环液体从计算设备中吸收热量，并将可利用能源输送至 Kajaani 的区域供热网络。

温水冷却降低了对传统冷冻空气系统的依赖。它还能产生温度更适合回收利用的热量。

LUMI 报告称，2025 年其向当地网络输送了超过 34,100 兆瓦时的热量。这一数量覆盖了 Kajaani 约 10% 的供热需求。

同一份环境报告称，LUMI 采购经认证的可再生电力。其北部所在地也支持全年自然冷却。

这些结果为数字孪生提供了可供建模的具体对象。能源效率并不仅限于内部的电力使用效率数值。

该设施必须平衡电力消耗、冷却需求、可利用热量输出、天气以及区域供热系统的需求。这些条件会彼此独立地变化。

重计算期间产生的热量，其价值取决于当地需求。冬季需求更强，而较温暖的时段可能对回收能源的有效需求较低。

孪生模型可以测试设备变更如何影响这种平衡。它还可帮助研究人员评估热泵；热泵能将回收热量提升至更具利用价值的温度。

热泵会消耗电力，因此回收热量的总量并不能说明全部情况。研究人员必须将有效供热量与所需额外能源进行比较。

CEMIS-DCR 项目明确包含热泵分析和区域优化。它计划提出降低数据中心环境足迹的建议。

这种区域性范围很重要。一个设施在其边界范围内测量时可能显得高效，但其产生的热量可能无法被周边网络利用。

反过来也可能成立。设施能耗适度增加，或许能显著替代其他供热来源。

因此，强大的模型不应只优化单一数字。它需要体现对互联能源系统造成的影响。

LUMI 数字孪生还将面对一个不断变化的目标。当前超级计算机与未来的 LUMI-AI 系统采用不同代际的处理器，并服务于不同的工作负载组合。

EuroHPC 于 2026 年 8 月 31 日与 Bull 签署了 LUMI-AI 采购合同。该系统将采用 AMD Instinct MI430X 加速器和第六代 AMD EPYC 处理器。

根据 EuroHPC 合同，LUMI-AI 将支持大型、动态且通常具有保密性的数据集。它还将处理模拟任务和数据密集型科学应用。

这些工作负载使预测变得困难。研究人员、初创企业、公共机构和公司不会以完全相同的方式使用该系统。

利用率可能在处理器、内存、网络和存储之间变化。即使设施总功率看起来相近，由此产生的热模式也可能发生改变。

保密工作负载带来了另一项约束。一个有用的运行孪生模型需要足够的工作负载信息来预测基础设施行为，同时又不能泄露敏感的客户数据。

研究人员可能会通过汇总遥测数据或合成工作负载配置文件来解决这一问题。公开的项目说明尚未明确其选定的架构。

这一空白值得关注。缺乏工作负载背景的孪生模型，可能能够复现平均能耗行为，却错过对控制系统构成挑战的短时事件。

物理系统也会老化。泵的效率会下降，热交换器会积垢，传感器会老化，控制设置也会发生变化。

一次校准的模型会随着时间推移变得不那么准确。团队必须决定，该孪生模型是临时研究工具，还是持续维护的运营资产。

目前尚无公开证据表明，这个新孪生模型能够以明确的准确度预测未来高密度机架的行为。它是一个开发项目，而不是已完成的验证成果。

因此，负责任的解读应保持审慎。CSC 和奥卢大学正在构建一个可信的环境，用于测试能源和技术选择。

他们并未消除对负载箱、调试、故障测试或运营人员判断的需求。这些物理检查将决定虚拟预测是否值得信赖。

更广泛的竞赛，是在 AI 容量过时前完成投运

数字孪生正成为进度工具，因为 AI 硬件的变化速度快于支撑它的建筑设施。

一代超级计算机可能在其所在建筑仍在服役时，就已经完成选型、安装并被下一代取代。因此，电力和冷却基础设施必须能够经受多个计算周期。

这种不匹配带来了规划问题。运营商需要为未来设备保留足够的灵活性，同时又不能围绕推测性的预测过度配置每一个系统。

LUMI 数字孪生可以帮助针对已知设施测试升级路径。研究人员可在采购设备前，比较机架、冷却液分配、控制和余热回收方面的变更。

商业数据中心开发商面临同样的压力。他们往往在最终服务器配置确定前，就已承诺建设土地、变电站、机械设备厂房和预制模块。

NVIDIA、Jacobs、Cadence、Dassault Systèmes、Schneider Electric、Siemens 和 Vertiv 都已推广用于 AI 设施的集成模拟方案。它们的方法各异，但都旨在推动更早期的协同。

例如，Jacobs 基于 NVIDIA 的 DSX 框架发布了一款数据中心孪生模型，用于千兆瓦级规划。它将参考设计与计算、电力和冷却模拟相结合。

这种方法旨在实现可重复的商业化部署。LUMI 的项目则具有不同目的，因为它结合了公共研究基础设施、环境分析和区域余热再利用。

这项芬兰工作可提供超越单一供应商架构的经验。其最有力的贡献，将是运营商可迁移至其他数据中心的经验证方法。

其环境也让研究人员获得了罕见的反馈闭环。同一园区内既有正在运行的超级计算机、区域供热连接，也有一座在建的、面向 AI 的新设施。

工程师可以将模拟结果与当前运行状况进行比较。随后，他们可以测试这些方法向新设备和建筑系统迁移的效果。

这些证据之所以重要，是因为“数字孪生”这一术语涵盖许多产品。有些只是三维资产登记系统，另一些则结合实时遥测和行为模拟。

评估这些系统的买方应询问模型支持哪些决策。他们还应询问其预测如何校准并经过独立验证。

数据所有权同样值得关注。设施孪生模型可能整合有关电力容量、网络布局、设备、控制逻辑和运营弱点的敏感信息。

在一个共享模型中连接供应商可以改善协同，但也可能扩大安全边界，并引发复杂的知识产权问题。

长期维护则带来另一项商业问题。设备、软件、控制系统和设施布局发生变化时，孪生模型必须同步演进。

如果更新依赖单一承包商，运营商可能会陷入一种新的供应商锁定。开放数据格式有所帮助，但并不能保证模拟逻辑可移植。

这些担忧并未削弱 LUMI 项目。它们界定了成功研究成果必须解决的问题。

有价值的成果应包括记录清晰的假设、可重复的校准、实测的预测误差，以及围绕每种使用场景的明确边界。

该项目还应区分设计模拟与实时运营指导。当模型影响控制决策时，安全要求会有所不同。

设计团队在评估方案时可以容忍探索性结果。运营人员则需要更强的保障，才能在生产工作负载期间依据预测采取行动。

对于开发商和企业买方而言，这就是实际教训。AI 基础设施容量并非仅仅因为建筑拥有足够的标称兆瓦数就具备价值。

机架必须通电、冷却、联网、调试，并保持在运行限制之内。只有当虚拟测试结果与物理行为相符时，它才能缩短这一过程。

管理复杂基础设施知识的团队也需要可追溯的决策。可搜索的工程知识库可以保存围绕模型的假设、测试结果和变更记录。

当员工或供应商发生变化时，这类文档就变得至关重要。缺乏可理解决策历史的孪生模型，可能会成为一个无人信任的复杂模型。

三项信号将表明 LUMI 数字孪生是否有效

接下来的证据必须来自验证、调试和可量化的能源结果，而不是更宽泛的数字孪生主张。

第一个信号是 CEMIS-DCR 模型公开的验证方法。研究人员应说明哪些测量结果用于校准孪生模型，以及其输出与物理行为的吻合程度。

温度、冷却液流量、电力需求、泵运行情况和回收热量可能都是候选指标。该项目尚未公开承诺最终验证指标集。

公布误差范围将增强项目的可信度。它也能让其他运营商判断模型可以安全支持哪些决策。

如果团队公布可重复的结果，虚拟测试的理由将更有说服力。如果只提供视觉演示，核心主张就会减弱。

第二个信号是计划于 2027 年初进行的为期六个月的建筑系统调试期。这一过程将创造直接比较预测条件与观察条件的机会。

最有价值的证据将显示，孪生模型在物理测试发现问题之前，便识别出设计或控制问题。避免返工或更快完成测试同样具有意义。

较不理想的结果则会显示模拟与实际设备行为之间存在较大差距。这不会使研究失去价值，但会缩小其即时运营作用。

第三个信号是，随着 LUMI-AI 在 2027 年末逐步投入运营，其冷却与余热回收的表现如何。更高的计算需求不应仅通过机架容量来评估。

观察者应关注冷却用电量、可利用余热的交付量、运行温度，以及系统在不同工作负载下的表现。这些指标将揭示，系统级优化能否在实际生产环境中经受考验。

这三个信号构成了清晰的顺序：首先是模型可信度，其次是调试阶段的价值，最后是持续的运营表现。

它们也能防止讨论偏向炫技。一座细节丰富的虚拟设施即使其行为假设尚未得到验证，也可能看起来很有说服力。

对于 CSC 和奥卢大学而言，这一机遇十分可观。它们可以将公共研究与欧洲最受瞩目的计算设施之一的运营证据连接起来。

对于其他数据中心运营商而言，该项目检验的是数字孪生能否超越协调与可视化功能。真正严格的标准，是能否在现实约束下带来更好的工程决策。

对于企业 AI 采购方而言，其影响将间接显现。可靠的基础设施会影响其所使用计算服务的可用性、环境足迹和扩展速度。

对于研究人员而言，LUMI-AI 有望提供更新的、针对 AI 优化的计算能力。支撑这些能力的设施，必须在工作负载日益多样且要求更高的情况下保持高效。

因此，LUMI 数字孪生并不是数据中心的替代品。它旨在让更多基础设施失误发生在虚拟环境中，并且可逆、成本更低。

这一目标很务实，但成功并非必然。模型必须足够准确地预测物理系统，才能改变一项工程决策。

请关注公开发布的验证结果、调试阶段的对比数据，以及实测的余热回收表现。这些结果将证明，芬兰打造的是一套真正可用的工程工具，还是仅仅一个看起来准确的虚拟复制品。