一家英伟达Rubin核心供应商的工厂里，有上千台钎焊炉与CNC设备。然而，就算AI算力在迭代，这样一条传统产线想进行智能化改造，却没办法让产线停下来。

因为英伟达的订单还在继续，生产必须照旧。产线无法重建，最终，这家工厂只能选用“积木式”升级方式，在原有生产线上一块块地嵌入自动化能力，从而焕新。

这恰恰是今天AI算力产业链正在面对的真实处境。AI算力需求不断增加，算力基础设施的快速重构，不单单给制造产业链带来了新的增量市场，也给上游厂商在设备、工艺甚至订单周期等方面提出更高要求。

在日前由钛媒体主办的ITValue Summit 数字价值年会期间，钛媒体还联合工创联、ITES深圳工业展聚焦“整机柜”展开讨论，关注点不只停留在服务器厂商或液冷厂商身上，而是让AI算力供应链条中多个参与者共论，精密制造正在发生怎样的工艺重构，智能检测又有哪些新范式，产业链正被如何拉通为一个协同运转的制造系统，以保障算力基础设施的交付、供给。

算力狂奔，制造业面对的是体系重构

超聚变算力领域副总裁王梁栋用一组数字来反映AI产业发生的变化:过去15年，用于训练AI的算力增长了12个数量级；这种变化在过去两年里进一步加速，顶级数据中心的算力规模大约每7个月翻一倍。

算力增长首先改变的是基础设施的尺度。算力基础设施面对的已经不是一次性的扩容，而是持续的迭代压力。

为此，王梁栋作出判断，像超节点、整机柜等新的算力形态，正从传统的“服务器产品”变成更复杂的Token生产模块。以超节点方案为例，相同资源、硬件条件下，其连接方式能够突破传统单卡带宽限制，比传统算力设施部署形态的带宽提升约9倍，吞吐能力也会有数倍的提升。

但整机柜性能增强背后，并非简单地多买几台设备这件事。

过去，算力竞争更多发生在芯片、服务器和单台设备之间。如今，竞争开始向更大的颗粒度移动，一套复杂的算力系统，能不能被制造、测试出来，并最终稳定交付，制造端要面对的已经不是把一台服务器做好，而是把芯片、网络、供电、散热、结构件以及各种基础设施组件组合成一个能够稳定运行的整体。

这也意味着，算力越往前跑，制造业面对的是一次体系重构。于是，我们看到，算力狂奔的态势正传导到产业链的多个环节。

四季度开始量产的英伟达Rubin，单芯片功耗达到2300w，冷泉能控科技（深圳）有限公司市场总监黄卫在会上提到，随着芯片功率不断提高，散热成本并不会按照芯片功耗简单线性增加，而可能出现数倍增长，而Rubin这样的芯片“越来越烫，烫到风扇吹不动了”。

当Rubin这样的高功率芯片让传统风冷越来越难以应对，液冷从一个相对独立的配套产业，推到了AI基础设施成本和性能的核心位置。

为了方便理解液冷散热，黄卫将其比作一条高速公路单位时间内可以跑多少台车：传统散热方案能够做的，是不断增加“车道”，但扩宽车道不仅费用贵，减小热阻还需要镀金、金刚石、石墨烯等，才能让更多的车同时通过，然而车道再宽，车辆本身的速度仍然有限。而冷泉想做的，则是把“车速”提起来，“由原本的100飙到了5000”。

这个比喻背后，是AI基础设施正在面对的一道越来越现实的难题：芯片性能还在往上走，但散热已经开始成为限制算力继续提升的重要环节。

当超节点、整机柜、液冷逐渐成为AI算力基础设施的重要形态，变化的就不只是芯片和服务器。

问题随之而来：整机柜越来越贵，制造也越来越复杂。

产业链的操盘压力加大，在液冷领域尤其明显。

液冷变局，产业链的制造能力在洗牌

其实，英伟达Rubin这样的高端算力带来的变化，不只是“芯片更热”，还包括液冷方案本身的变化。

冷泉能控目前主要推动两相液冷技术，并支持NVIDIA H100/A100集群连续满载运行，这让它成为目前中国大陆唯一明确支持这一应用场景的两相冷板供应商。两相液冷试图解决的正是传统液冷在高功率场景下的效率和均温问题。

除了新的技术路线，液冷值得关注的还是，它正迫使制造业重新回答一个问题：当芯片功率进入更高区间之后，原来擅长“按图加工”的制造能力，还够不够？

黄卫在会上提到，目前液冷产业链中，大量企业本质上仍然是传统五金加工厂。它们能够按照既定图纸完成冷板的尺寸、平整度等加工要求，却未必具备独立的设计能力。

“很多加工制造厂商赚的是铁屑钱。”在黄卫看来，真正能够改变产业链利润分配的，不只是加工能力，而是设计、方案和系统能力。谁掌握更靠前的设计能力，谁才有可能掌握产品的定价权和利润空间。

这也解释了为什么，液冷的变化最终会传导至整个制造体系。

材料端同样如此。太钢不锈钢研究所所长白晋钢提到，AI液冷时代，材料已经不能简单理解成“选一种不锈钢”这么简单，材料的一致性、加工成型、CNC、焊接等环节，都可能影响最终交付。

为了让材料研发更靠近液冷应用端，太钢从小样、小批量制备，到材料性能评价和规模化质量控制均投入了大量精力和成本。白晋钢提到，太钢希望通过专用材料、组织调整以及精细化管控，降低下游加工和焊接难度。

柔性交付，是产线AI化改造真正带解决的

即便材料、散热和设备都升级了，AI整机柜产业仍然绕不开一个现实问题：怎么稳定交付。这也是闭门会上，产业链各端厂商一致关心的问题。

AI硬件迭代速度越来越快，但制造业的设备、工艺和订单周期不可能同步按下重启键。企业既要升级，又不能停止生产；既要提高自动化程度，又要面对越来越多非标、小批量、快速变化的需求。

因此，相比单纯追求“无人化”，当前阶段制造企业真正需要解决的，可能是柔性。

闭门会上，一家科技公司的生态业务负责人强调，柔性制造不能只理解为工厂里的AGV能够把东西从一个地方搬到另一个地方。真正的柔性，应该从客户选择和订单管理开始。

“如果前端控不住，大的、小的、急的、慢的单子，什么都接，最后计划系统和生产系统的柔性都没有办法保障。”上述生态业务负责人以其区域工厂的做法为例：一条产线上连续生产的相同产品不会超过5个，甚至可以3个、2个地造。

上述生产方式背后的逻辑很清楚：柔性不是生产环节单点变柔，而是从接单、计划、采购到生产全部联动起来。这恰恰也是AI算力整机柜的制造产业链正在经历的变化。

更深刻的变化还发生在制造企业内部。湖南星邦智能装备股份有限公司首席信息官、集团智慧研究院院长谢鹏在会上提到，传统制造业大量知识掌握在“老师傅”手里，很多经验没有被真正数字化沉淀。

在星邦智能，过去一次BOM变更可能需要一两天，而今借助AI Agent，可以被压缩到几十秒。但谢鹏反复强调，企业拥抱AI、数字化的目的，并不应该只停留在营销、OA等外围场景，真正重要的是让AI进入工艺、质量、产品研发、供应链等核心业务流程。

这已然不是传统意义上的办公提效，而是制造系统本身的响应速度革命。

在太钢交付材料的过程中，AI开始进入检测和排产。白晋钢说话很直接，“人在体系里面是最不确定的。”对制造企业而言，并不是要把人完全从生产线上拿掉，而是通过AI检测、智能排程等方式，把原来依赖经验和个人判断的环节变得更加稳定、可测量。

不难看到，在产业链紧锣密鼓制造AI基础设施的过程中，AI正成为有力的提效工具。这可能才是这场产业变化更有意思的地方。

过去，AI算力行业都在追逐更大的算力、更快的芯片、更高的带宽，当算力跑得足够快，以整机柜、超节点的形式进入工厂，制造业最真实的一幕是：能不能用同样快的速度，稳定、低成本、柔性地生产出来？

在算力基建供给与制造产业链条上，每一环节都在相互影响。那家拥有上千台钎焊炉和上千台CNC的工厂，不能停产，只能边生产、边改造。这或许正是“整机柜时代”最真实的一幕。

整机柜时代真正考验的，或许也不是谁能最快把一台机器做出来，而是谁能在算力持续变化、产品持续迭代的情况下，把接下来的一台、一千台、一万台稳定地交付出去。（本文首发于钛媒体APP，文｜钱微镜，作者｜钱玉娟）