数据中心通常被当成电力问题来讨论。
这没错，但更多算力很快就会变成冷却控制问题。
更多热量给冷机、泵、冷却塔、空调箱、自然冷却、水系统和控制逻辑带来压力。常见反应是加裕量：更多容量、更多冗余、更保守的设定值，以及更多人工规则。
在任务关键环境里，这种本能说得通。可用性优先。
安全裕量不等于未受管理的冷却裕量
安全裕量和未受管理的冷却裕量不是一回事。
数据中心冷却系统不应当像普通办公楼那样优化。运行边界更紧，批准更严，对黑箱控制的容忍度低得多。
这并不让优化变得不可能。它让控制纪律更重要。
更好的问题是控制边界
对数据中心而言，有用的问题并不只是 AI 能不能降低冷却能耗。
更好的问题是：监督控制层能否在关键设施团队会批准的边界内，改善冷却运行。
这条边界，才把优化想法变成运行上可接受的控制产品。
获批边界应当写清楚
在任何实时控制开始之前，系统应当让获批边界可见。
- 系统能观察什么。
- 它能回写什么。
- 哪些温度、湿度、压力和设备限值不可商量。
- 动作何时保持建议。
- 接管和回退如何工作。
- 每项结果如何计量。
控制杠杆取决于机房
对有些现场，机会可能是冷冻水重置、冷却水优化、冷却塔风机策略、泵组压差、冷机台数控制、自然冷却协同，或对变化中的 IT 负荷做出更好响应。
具体杠杆取决于机房。原则则不然。
数据中心冷却优化不应当被框成效率与可靠性的权衡。它应当去掉可避免的浪费，而不要求设施团队放弃控制。
不牺牲可靠性的优化需要证据
在 ClimaMind，我们这样看待关键环境中的 AI HVAC 优化。
监督控制叠在现有基础设施之上，落在可见边界内，动作可回退，结果可计量。
数据中心需要的不只是更多冷却容量。它们需要更好的冷却控制。