自律ロボットの拠点がエッジDCやマイクロDCと一体化する可能性
ロボットとデータセンターが生むインフラ不動産の新領域
Read More
GPUサーバーの発熱、電力密度、冷却方式の変化から見るAIインフラの次の論点
AIデータセンターでは、冷却が単なる設備課題ではなく、事業計画そのものに関わるテーマになっています。
従来のデータセンターでは、サーバールーム全体を空調で冷やし、ラックに冷たい空気を送り、熱くなった空気を回収する空冷方式が中心でした。一般的なIT機器や従来型のクラウド用途であれば、この方式でも十分に対応できる場面が多くありました。
しかし、AI向けのGPUサーバーが増えると状況は変わります。
生成AI、大規模言語モデル、画像生成、シミュレーション、推論処理などでは、GPUやアクセラレータを高密度に搭載したサーバーが使われます。1台あたりの消費電力が大きくなり、ラック単位の電力密度も上がります。電力を使うということは、ほぼ同じだけ熱が発生するということです。
つまり、AIデータセンターでは、計算能力を高めるほど、発熱密度も高くなります。
この発熱を処理できなければ、GPUの性能を十分に引き出せません。サーバーの安定稼働にも影響します。冷却が不足すれば、機器の温度上昇、性能制限、故障リスク、運用コスト増加につながります。
そのため、AIデータセンターでは、冷却方式の選定が後回しにできない論点になっています。
特に重要なのが、空冷だけで対応できる領域と、液冷を前提に考えるべき領域の境目です。
空冷は、データセンターで長く使われてきた成熟した方式です。
設備の考え方が分かりやすく、運用ノウハウも蓄積されています。漏水リスクがなく、既存施設との相性も比較的良いため、多くのデータセンターで標準的に使われてきました。
しかし、空冷には根本的な制約があります。
空気は水や液体冷媒に比べて、熱を運ぶ能力が小さいためです。大量の熱を運ぶには、多くの空気を動かす必要があります。ラックあたりの発熱が大きくなると、必要な風量が増え、ファンの電力も増えます。空気の流れを整えるための空間設計も難しくなります。
AI向けGPUサーバーでは、発熱源が集中します。GPU、CPU、メモリ、電源部品、ネットワーク機器が高密度に配置され、サーバー内部でも熱が偏りやすくなります。空気を送るだけでは、特定の部品や領域に熱が残り、ホットスポットが発生しやすくなります。
また、ラック密度が上がると、データホール全体の設計にも影響します。
ラックごとの発熱が大きくなれば、空調設備、床下空間、天井高、通路設計、空気の戻り経路、冷気と熱気の分離をより厳密に考える必要があります。既存の空冷前提のデータセンターに高密度AIラックをそのまま入れようとしても、冷却能力が追いつかない場合があります。
もちろん、空冷がすぐに不要になるわけではありません。
従来型のIT機器、一般的なクラウド用途、低〜中密度のラックでは、今後も空冷が使われ続けます。Uptime Instituteも、AI向けの高密度空間と、従来型の低〜中密度データホールは並存していくと見ています。
重要なのは、AIデータセンターでは、すべてを空冷で処理する前提が崩れつつあるということです。
液冷が注目される理由は、熱を発生源の近くで効率よく取り除けるからです。
空冷では、サーバー内部で発生した熱を空気に移し、その空気をデータホール内で回収し、空調設備で処理します。熱は、部品から空気へ、空気から設備へと移動します。
一方、液冷では、発熱源に近い場所で熱を液体に移します。代表的なのが、Direct Liquid Cooling、つまりDLCです。GPUやCPUなどの発熱部品にコールドプレートを接触させ、そこに水や冷媒を流して熱を回収します。回収した熱は、サーバー、ラック、CDU、施設側の冷却設備へと移されます。
液体は空気よりも熱を運びやすいため、高密度な発熱を処理しやすくなります。
特に、AIサーバーでは、GPUやアクセラレータの発熱が大きいため、発熱源の近くで熱を取る考え方が重要になります。空気で部屋全体を冷やすだけでなく、チップやボードに近い位置で熱を回収することで、高密度化に対応しやすくなります。
液冷の導入は、単に冷却効率を上げるためだけではありません。
高密度ラックを成立させるため。
GPUの性能を安定して引き出すため。
データホールの面積効率を高めるため。
ファン電力や空調負荷を抑えるため。
将来のラック電力増加に備えるため。
こうした目的があります。
NVIDIAのBlackwell世代では、ラックスケールの液冷システムが前面に出ており、AIサーバーの高密度化と液冷の関係はより明確になっています。これは、液冷が特殊用途ではなく、AIインフラの主要な設計要素になりつつあることを示しています。
AIデータセンターの高密度化は、単に「サーバーが熱くなる」という話ではありません。
ラック設計そのものを変えます。従来のデータセンターでは、ラックごとの電力密度が比較的低く、空冷を前提にラック配置や空調設計が行われてきました。しかし、AI向けGPUサーバーでは、ラック単位で非常に大きな電力を扱うようになります。
ラック電力が大きくなると、まず配電設計が変わります。
ラックにどのように電力を供給するか。
PDU、バスウェイ、ケーブル、ブレーカー、UPSをどう構成するか。
電源冗長性をどの水準にするか。
短時間の負荷変動にどう対応するか。
こうした論点が出てきます。
同時に、冷却設計も変わります。
ラック単位で発生する熱をどこで回収するのか。
サーバー内のコールドプレートで取るのか。
リアドア熱交換器を使うのか。
CDUをラック近くに置くのか、列単位で置くのか、施設側に置くのか。
液体配管をどのように通すのか。
漏液検知や保守手順をどうするのか。
このように、AIラックは、電力と冷却を一体で考える必要があります。
高密度化したAIデータセンターでは、IT機器、電源、冷却、建物、運用の境界が曖昧になります。GPUサーバーの仕様だけを見ても、施設側が対応できなければ導入できません。逆に、施設側が液冷対応していても、サーバー側の仕様や認定部材が合わなければ使えません。
そのため、AIデータセンターでは、ラック単位の冷却方式を早い段階で整理することが重要になります。
液冷を検討する際に注意したいのは、「液冷」という一つの製品があるわけではないということです。
液冷システムは、複数の部材と装置の組み合わせで成り立っています。代表的な要素としては、コールドプレート、CDU、マニホールド、QD、ホース、配管、ポンプ、熱交換器、バルブ、センサー、冷媒、漏液検知、制御ソフトウェアなどがあります。
コールドプレートは、GPUやCPUなどの発熱部品から熱を受け取る部材です。発熱源との接触、流路設計、圧力損失、熱抵抗、材料、接合、耐食性が重要になります。
CDUは、IT機器側の液体回路と施設側の冷却水回路をつなぐ装置です。熱交換、流量制御、圧力制御、温度管理、フィルタリング、監視などを担います。
QDは、クイックディスコネクトのことで、サーバーやラックの保守時に液体配管を安全に接続・切断するための部品です。漏れにくさ、着脱性、耐久性、圧力損失、認定が重要になります。
冷媒は、熱を運ぶ媒体です。水系、グリコール系、誘電性液体、フッ素系流体などがあり、用途や方式によって選定が変わります。熱性能だけでなく、腐食、材料適合性、環境規制、安全性、供給安定性も見る必要があります。
つまり、液冷の導入とは、冷却方式を選ぶだけではなく、部材・装置・冷媒・制御・保守体制をまとめて設計することです。
ここに、サプライチェーンの論点が生まれます。
どの部材を誰が供給しているのか。
GPUサーバーOEMと部材メーカーの関係はどうなっているのか。
ODM、CSP、冷却ベンダー、部材メーカーの間で認定はどう進むのか。
代替品は使えるのか。
日本企業が入り込める部材はどこにあるのか。
液冷は技術テーマであると同時に、サプライチェーンテーマでもあります。
液冷は、高密度AIデータセンターにとって有力な選択肢ですが、導入は簡単ではありません。
難しい理由の一つは、データセンターの運用思想が変わることです。
空冷では、IT機器と施設設備の境界が比較的分かりやすく分かれていました。IT機器はサーバー、施設側は空調や電源という分担です。
しかし、液冷では、その境界が近づきます。サーバーの中に液体が入り、ラック周辺に配管が入り、施設側の冷却水系とIT機器側の液体回路が接続されます。ITチーム、設備チーム、保守チーム、冷却ベンダー、サーバーOEMの連携がより重要になります。
Uptime Instituteも、DLC導入では、施設側とIT側のインターフェースが再定義されることや、従来と異なる故障モード、標準化の時間が課題になると指摘しています。
もう一つの難しさは、認定です。
液冷部材は、単に性能が良ければ採用されるわけではありません。GPUサーバー、ラック、ODM、CSP、データセンター運用側の設計に組み込まれる必要があります。コールドプレート、QD、ホース、冷媒などは、材料適合性、漏液リスク、耐久性、保守性、信頼性が問われます。
特にAIサーバーのサプライチェーンでは、GPUベンダー、サーバーOEM、ODM、クラウド事業者、冷却ベンダーの関係が複雑です。どこで仕様が決まり、どこで認定され、どこに調達権があるのかを理解しなければ、部材ビジネスとして入り込むのは難しくなります。
したがって、液冷を理解するには、方式比較だけでなく、認定ゲートと供給網の把握が欠かせません。
AIデータセンターでは、PUEだけで冷却の良し悪しを判断するのは難しくなっています。
PUEは、データセンター全体の消費電力をIT機器の消費電力で割った指標です。空調や電源設備の効率を見るうえで広く使われてきました。
ただし、AIデータセンターでは、IT機器側のファン電力、GPUの動作条件、ラック密度、液冷のポンプ電力、冷却水温度、外気条件などが複雑に関係します。
液冷を導入すると、空調負荷は下がる可能性があります。一方で、ポンプやCDUなど新たな補機電力が発生します。冷却水温度を高く設定できれば、チラー負荷を抑えられる可能性がありますが、施設設計や地域気候にも左右されます。
そのため、AIデータセンターでは、単純なPUEだけでなく、IT機器近傍の冷却、ラック単位の冷却効率、部分負荷時の効率、実際の運用条件を見ながら評価する必要があります。
pPUE、つまり部分的なPUEや、特定エリア・特定ラック・特定冷却方式における効率を見る考え方も重要になります。
ただし、指標だけを追っても不十分です。本当に見るべきなのは、その冷却方式が、想定するAIワークロード、ラック密度、設備構成、電力制約、運用体制に合っているかどうかです。
液冷は高効率に見えても、運用体制が整っていなければリスクになります。空冷は限界がある一方で、用途によっては十分に合理的な選択肢です。
つまり、冷却方式は、流行ではなく、用途と条件で選ぶ必要があります。
液冷を考えるうえで、冷媒の選定も重要なテーマです。
冷媒は熱を運ぶ媒体であり、液冷システムの性能や安全性に関わります。水系冷媒、グリコール系冷媒、誘電性液体、フッ素系流体など、方式や用途によって候補は変わります。
ここで問題になるのが、環境規制と供給安定性です。
特にフッ素系化学物質やPFASをめぐる規制強化、主要メーカーの撤退や製品整理は、データセンター冷媒の調達にも影響を与える可能性があります。冷媒は、性能だけでなく、将来の規制リスク、代替可能性、供給継続性、材料適合性まで含めて見る必要があります。
冷媒が変わると、配管、シール材、ポンプ、熱交換器、センサー、メンテナンス方法にも影響する場合があります。単に同じような性能の液体を探せばよいわけではありません。
この点は、Asset Marsにとっても重要な入口になります。
添付資料では、部品手配レーンにおいて、冷媒／PFAS代替ソーシングが当面の入口として最優先に位置付けられています。理由として、3M撤退による調達難、NVIDIA認定の外側であること、AGCなど日本企業との接点可能性が整理されています。
液冷市場を見る際には、コールドプレートやCDUだけでなく、冷媒という周辺部材にも注目する必要があります。
本流の冷却部材は認定ゲートが高く、既存サプライヤーが強い場合があります。一方で、環境規制や供給変化によって、冷媒や周辺材料には新しい調達課題が生まれやすくなります。
AIデータセンターの高密度化が進むほど、液冷は設備担当だけの話ではなくなります。
事業計画の段階から、冷却方式を考える必要があります。
どのGPUサーバーを使うのか。
ラック密度はどの程度を想定するのか。
空冷で始めるのか、液冷前提にするのか。
DLCを使うのか、リアドア熱交換器も組み合わせるのか。
CDUをどこに置くのか。
冷媒は何を使うのか。
将来のラック高密度化に対応できるのか。
保守体制は整えられるのか。
これらは、後から簡単に変更できるものではありません。
特に既存データセンターや既存施設をAI向けに転用する場合、冷却方式は初期段階で確認すべき論点です。建物の床荷重、搬入動線、配管経路、電気室、チラー、冷却塔、排熱経路、漏液対策、消防設備などに影響するためです。
液冷を前提にしないままAIサーバーの導入だけを進めると、後から冷却能力が足りない、配管が通せない、CDUの設置場所がない、保守動線が確保できないといった問題が起きる可能性があります。
AIインフラを事業として成立させるには、GPU、電力、通信、冷却、建物を一体で見る必要があります。
液冷は、その中でも高密度化の制約を左右する重要な要素です。
AIデータセンターで液冷を検討する際、最初に整理すべきことは、細かい製品選定ではありません。
まず、想定するAIワークロードとラック密度を整理することです。トレーニング向けなのか、推論向けなのか、HPC用途なのか、企業向けGPUクラウドなのかによって、必要な電力密度と冷却方式は変わります。
次に、既存施設または新設施設の冷却余力を確認します。空冷でどこまで対応できるのか、液冷を導入する場合に必要な設備改修は何か、施設側の冷却水や排熱処理に余力があるのかを見ます。
そのうえで、液冷方式を比較します。DLC、リアドア熱交換器、浸漬冷却など、それぞれの方式には向き不向きがあります。AIサーバーの主流としてはDLCが重要ですが、用途や運用体制によって最適解は異なります。
さらに、部材とサプライチェーンを整理します。コールドプレート、CDU、QD、ホース、冷媒、センサー、制御システムの供給元を確認し、認定状況や代替可能性を見ます。
最後に、運用・保守・リスク対応を確認します。漏液検知、保守手順、予備品、部材交換、冷媒管理、障害時対応を整理しなければ、液冷は安定運用できません。液冷の検討は、技術比較、設備設計、調達、運用を横断するテーマです。だからこそ、初期段階で全体像を整理する価値があります。
株式会社Asset Marsでは、AIデータセンター、GPUサーバー、液冷部材、冷媒、半導体周辺部材に関する調査・アドバイザリーを支援しています。
AIデータセンターの高密度化に伴い、冷却方式、液冷部材、冷媒、サプライチェーン、認定ゲートの把握は、事業検討や設備導入の初期段階で重要になっています。
当社では、DLC、コールドプレート、CDU、QD、冷媒、PFAS代替、GPUサーバー冷却、液冷サプライチェーンなどについて、技術動向、主要プレイヤー、供給構造、調達上の論点、次に確認すべき事項を整理します。
また、必要に応じて、冷媒・液冷部材・特殊材料の供給元候補の探索や、海外サプライヤーの初期調査、サンプル手配に向けた情報整理も支援します。
当社の支援は、特定の冷却方式の採用、部材調達、認定取得、電力・通信インフラの確保を保証するものではありません。あくまで、初期段階において「どの方式を検討すべきか」「どの部材・冷媒が論点になるか」「どのサプライチェーンを確認すべきか」「次に誰へ相談すべきか」を整理するための支援です。
AIデータセンターの液冷化や、GPUサーバー向け冷却部材、冷媒調達、PFAS代替、サプライチェーン調査について検討されている場合は、まずは情報交換からご相談ください。
