智算中心有多热，干这行的人心里都有数。以前一个机柜放个十几台服务器，功率密度顶天了也就几千瓦。现在搞AI训练，一个机柜里塞满了GPU，功耗轻轻松松奔着几十千瓦去了。那些芯片跑起来的时候，温度是真的能煎鸡蛋的。
这些年大家都在液冷、浸没式冷却上花了大功夫，各种新技术层出不穷。但说实话，不管前面的冷却技术做得多么花哨，最后一步把热量排到大气里去，绝大多数时候还是得靠冷却塔。液冷把热量从芯片上搬走了，但热量并不会凭空消失，它最终还是得通过冷却塔散到外面去。
冷却塔就是散热的最后一道阀门。前面做得再好，到了它这里如果掉链子，整个系统的散热能力都会跟着打折。偏偏在很多智算中心的运维体系里，冷却塔是被当成"皮实耐造"的设备来对待的。日常巡检也就是看看水位正不正常、风扇转不转、有没有漏水，很少有人会认真去想它的换热效率是不是在下降。
但智算中心的冷却塔工况，跟传统数据中心的冷却塔还真不太一样。
一个很明显的特点就是热负荷波动大。AI训练任务是分时段的，有时候满负荷跑，有时候在调试或者等待资源，算力调度昼夜之间差异很大。冷却塔的负载也跟着忽高忽低。这种间歇性的运行状态，对冷却塔其实不太友好。低负载的时候水流不足，填料表面润湿不均匀，有些地方长时间处于半干半湿的状态，微生物特别喜欢在这种环境下繁殖。等到高负载来了，水流一大，那些微生物分泌的黏性物质就裹着水垢一起糊在填料缝隙里。
还有一个容易出问题的地方是补水的稳定性。很多智算中心用的冷却塔补水来源不太一样，有的是自来水，有的是市政中水，有的甚至是园区处理过的再生水。不同水源的水质差异很大，硬度、碱度、氯离子含量都不在一个水平上。如果水处理方案没有针对具体的水质条件做调整，结垢和腐蚀的风险就会悄悄上升。
更让人头疼的是，这些问题往往是积累到一定程度才会被发现。运维人员可能某天突然注意到，冷却塔的出水温度比之前高了一两度，冷凝器的趋近温度也在慢慢变大。但查来查去找不到明显的原因——风机转速正常，水泵压力正常，水质检测报告看起来也还行。问题其实就藏在填料那些看不见的缝隙里，水垢和生物膜一层层叠上去，散热面积在一点点变小，只是肉眼看不出来而已。
NCH在智算中心的冷却塔运维上做了一些尝试，核心想法其实挺简单的——冷却塔不该是个"盲盒"，不能等到月底看电费单才知道它有没有出问题。
我们做的一件事情是在冷却塔系统里部署bioDART生物膜监测仪。这东西的作用就是实时告诉你，冷却水里的微生物有没有在金属表面形成生物膜的倾向。在肉眼还什么都看不到的时候，它就已经发出了预警信号。运维人员可以根据这个信号提前调整杀菌剂的投加策略，或者在生物膜还没有长结实的时候就做一次分散清洗。与其等到填料堵了再拆下来冲洗，不如在它刚要开始长的时候就把它摁住。
水质控制这块也做了更精细化的管理。针对补水水源不稳定的情况，我们用的是aquaDART智能加药系统。它实时监测补水和循环水的各项参数，根据水质变化动态调整阻垢剂、缓蚀剂和杀菌剂的投加量。补水硬度突然升高了，阻垢剂的投加量就自动加上去。水质变好了，投加量就降下来。这样既保证了处理效果，又不会浪费药剂。
还有一个被很多运维团队忽视的细节——多台冷却塔并联运行的问题。智算中心的冷却塔往往不是单台运行的，通常是好几台并联在一起，根据负载情况决定开几台。但问题是，有的冷却塔常年处于高负荷状态，有的则经常低负荷甚至停机备用。低负荷或者停机的冷却塔，水循环不畅，沉积物更容易积累。等到需要它满负荷运行的时候，换热效率可能已经不达标了。
我们的做法是在多台冷却塔之间建立智能调度机制。不是简单地根据温度来决定开几台，而是综合考虑每台冷却塔的运行时长、水质状态和维护记录，均衡分配负荷。让每台冷却塔都能定期满负荷运行一段时间，靠大水流冲刷掉沉积物，避免某些塔长期"吃不饱"导致的沉积问题。
说实话，智算中心的运维压力已经够大了，能在冷却塔上少操点心自然是好的。但少操心的前提是，冷却塔得有一个靠谱的自我管理能力。NCH现在做的这套东西，说到底就是给冷却塔配上"感知"和"决策"的能力。它能告诉你现在状态怎么样、接下来可能会出什么问题、应该提前做什么准备。
智算中心的热密度还在往上走，冷却塔的工作只会越来越重要。把冷却塔当成一个需要精心照料的散热器官来对待，而不是一个"大风扇加一池子水"的粗放设备，这才是在智算时代应该有的运维思路。归根到底，冷却塔不该是那个最后才被想起来、出了问题才被关注的对象。在智算中心这种地方，每一个散热环节都不能掉链子，冷却塔更是如此。提前管好它，比事后修它要省心得多。
