热流密度 (Heat Flux)
3 秒看懂
热流密度 = 单位面积上传递的热功率 (W/m² 或 W/cm²)
它是衡量”热量有多密集”的核心指标。当一颗 AI 芯片 700W 功耗挤在 ~800mm² 面积上，热流密度就接近 ~90 W/cm²——这就是为什么风冷越来越不够用、液冷成为必选项的根本原因。
一句话记忆：功耗告诉你”总热量多少”，热流密度告诉你”热量多密集”。密集到一定程度，现有散热方案就崩了。
3 分钟产业解释
为什么 AI 时代必须谈热流密度？
芯片功耗密度是热流密度问题的源头。 回顾历史：
| 时代 | 代表芯片 | 典型 TDP | 芯片面积量级 | 热流密度量级 |
|---|---|---|---|---|
| ~2010 年代初 | Intel Haswell | ~84W | ~177mm² | ~47.5 W/cm² |
| ~2020 年代初 | NVIDIA A100 | ~400W | ~826mm² | ~48 W/cm² |
| ~2024 | NVIDIA B200 (Blackwell) | ~1000W (双芯模组) | 模组封装面积 [供应链估算] | ~50-80 W/cm² |
| 未来方向 | 下一代 AI 加速器 | >1000W | — | >100 W/cm² |
关键洞察：
热流密度突破 ~30-40 W/cm² → 风冷方案开始力不从心
热流密度突破 ~50+ W/cm² → 直接液冷成为主流选项
热流密度突破 ~100 W/cm² → 浸没式液冷/微流道等前沿方案需求
产业影响链：
AI 训练需求爆发 → 芯片功耗飙升 → 热流密度突破风冷极限
→ 液冷渗透率提升 → 散热产业链扩容
→ 冷板、冷却液、CDU、冷却塔、接头、管路……全线受益
这就是为什么”热管理”从一个边缘工程问题，变成了 AI 基础设施的核心瓶颈之一。
15 分钟专家深入
一、热流密度的严格定义
热流密度 (Heat Flux, 符号通常为 q 或 q”) 是一个矢量，定义为：
热流密度 q = dQ / (dA · dt) [W/m²]
其中：
dQ = 微元传递的热量 [J]
dA = 垂直于热流方向的微元面积 [m²]
dt = 时间间隔 [s]
物理含义：想象一个截面，单位时间内穿过单位面积的热能量。它描述的是热量流动的”密集程度”。
二、芯片散热中的热流密度分层
在实际芯片封装中，热流密度不是均匀的。典型的分层结构：
┌─────────────────────────────────────────────┐
│ 热沉 (Heatsink) / 冷板 │
│ ↓ 热流扩散、对流换热 │
├─────────────────────────────────────────────┤
│ IHS / 盖板 (Lid) │
│ ↓ 热传导 │
├─────────────────────────────────────────────┤
│ TIM2 (盖板与散热器之间界面材料) │
│ ↓ 热传导（界面热阻） │
├─────────────────────────────────────────────┤
│ TIM1 (芯片与盖板之间界面材料) │
│ ↓ 热传导（关键瓶颈） │
├─────────────────────────────────────────────┤
│ 芯片 Die 表面 ← 最高热流密度区域 │
│ ↓ 热传导（硅内扩散） │
│ 晶体管/热点 (Hotspot) │
└─────────────────────────────────────────────┘
关键点：越靠近晶体管层，热流越集中，局部热流密度可能远高于芯片平均值。一些高性能芯片的局部热点热流密度可达 >200 W/cm² [行业估算，取决于工作负载与架构]。
三、与其他热参数的关系
1) 热导率 (Thermal Conductivity, k)
材料属性，单位 W/(m·K)。描述材料传导热量的能力。
傅里叶定律（一维稳态）：
q = -k · (dT/dx)
其中：
q = 热流密度 [W/m²]
k = 热导率 [W/(m·K)]
dT/dx = 温度梯度 [K/m 或 °C/m]
高热导率材料 ≠ 解决热流密度问题的万能药。因为热量最终需要被”带走”，这依赖对流/相变环节。
2) 热阻 (Thermal Resistance, Rth)
Rth = ΔT / Q [°C/W]
其中：
ΔT = 温差 [°C]
Q = 总热功率 [W]
热阻是”总热量传递有多难”的度量，与面积无关。 热流密度是”单位面积热量有多密集”的度量，直接关联面积。
3) 换热系数 (Heat Transfer Coefficient, h)
牛顿冷却定律：
q = h · (T_surface - T_fluid)
其中：
h = 换热系数 [W/(m²·K)]
换热系数越高，相同温差下能带走的热流密度越大。
- 自然对流：h ≈ 5-25 W/(m²·K) [典型范围]
- 强制风冷：h ≈ 25-250 W/(m²·K) [典型范围]
- 液冷冷板：h ≈ 数千 W/(m²·K) [取决于流速、结构]
- 微射流/微流道：h 可达更高量级 [前沿研究]
技术原理（深入机制）
1. 傅里叶定律——热流密度的数学基石
傅里叶定律 (Fourier’s Law, 1822) 是描述热传导的基本定律，其矢量形式：
q⃗ = -k · ∇T
展开为三维笛卡尔坐标：
qx = -k · ∂T/∂x
qy = -k · ∂T/∂y
qz = -k · ∂T/∂z
其中：
q⃗ = 热流密度矢量 [W/m²]
k = 热导率 [W/(m·K)]（各向同性材料为标量）
∇T = 温度梯度 [K/m]
负号 = 热量从高温流向低温
物理直觉：
- 温度梯度越大 → 热流密度越大
- 热导率越高 → 同样梯度下热流密度越大
- 热流方向 ⊥ 等温面（热量沿最陡温度下降方向流动）
2. 稳态与瞬态——芯片何时过热
稳态热传导方程（无内热源）：
∇²T = 0 （拉普拉斯方程）
有内热源时（芯片工作时）：
∇·(k∇T) + q_gen = ρ·cp·∂T/∂t
其中：
q_gen = 体积产热率 [W/m³]
ρ = 密度 [kg/m³]
cp = 比热容 [J/(kg·K)]
稳态时（∂T/∂t = 0）：
∇·(k∇T) + q_gen = 0
芯片内热源分布的特殊性：
- 功耗不是均匀分布的，计算单元（如 Tensor Core）是主要热源
- 局部功率密度可达平均值的 2-5 倍 [行业估算]
- 这导致 热点 (Hotspot) 现象——局部温度远高于平均温度
3. 界面热阻——封装中的隐性瓶颈
Die TIM1 Lid TIM2 Heatsink
┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐
热量方向 →│ │→│ 界面 │→│ │→│ 界面 │→│ │→ 散热
│ │ │ 热阻 │ │ │ │ 热阻 │ │ │
└──────┘ └──────┘ └──────┘ └──────┘ └──────┘
界面热阻 R_contact = 1 / (h_contact · A)
典型量级：
- 芯片-盖板界面 (TIM1)：主导整个封装热阻的显著部分
- 界面材料热导率从几 W/(m·K) 到 >10 W/(m·K) 不等 [取决于材料类型]
- 某些先进方案（如铟基焊料）可达 >50 W/(m·K) [供应链估算]
高热流密度放大了界面热阻的影响：当 q 很大时，即使很小的 R_contact 也会产生显著温升 ΔT = q · R_contact。
4. 从芯片到环境的热流路径与热阻串并联
T_junction → R_die → R_TIM1 → R_lid → R_TIM2 → R_heatsink → R_convection → T_ambient
总热阻 R_total = Σ R_i
温升：
T_junction - T_ambient = P_total × R_total
热流密度与总热阻的关系：
对于面积 A 的芯片：
q_avg = P_total / A （平均热流密度）
ΔT = P_total × R_total = q_avg × A × R_total
因此：
ΔT ∝ q_avg （面积固定时，热流密度直接决定温升）
核心洞察：当面积 A 固定或缩小时，功耗 P 增大 → q_avg 增大 → ΔT 增大。这就是”热墙 (Thermal Wall)“的本质。
5. 相变传热——液冷的物理优势
为什么液冷比风冷能应对更高热流密度？
对流换热带走的热量：
Q = h · A · ΔT
风冷：
h_air ≈ 25-250 W/(m²·K) （较低）
可带走的 q ≈ h × ΔT ≈ 25×30 = 750 W/m² = 0.075 W/cm² （粗估）
→ 远低于芯片需求，必须用大量鳍片扩展面积
液冷（单相）：
h_water ≈ 数千 W/(m²·K) （比空气高一个数量级以上）
可带走的 q 远高于风冷
→ 冷板面积远小于风冷散热器
液冷（两相/沸腾）：
利用汽化潜热，h 可进一步提升
→ 可应对极高热流密度 [前沿研究领域]
水的热物理性质优势：
| 性质 | 空气 (25°C) | 水 (25°C) | 比值 |
|---|---|---|---|
| 密度 ρ | ~1.2 kg/m³ | ~997 kg/m³ | ~830× |
| 比热容 cp | ~1005 J/(kg·K) | ~4180 J/(kg·K) | ~4× |
| 热导率 k | ~0.026 W/(m·K) | ~0.61 W/(m·K) | ~23× |
ρ × cp × k 的综合热容输运能力，水远超空气。
技术演进史
芯片热流密度与散热技术的共同演进
年代 热流密度量级 主流散热方案 关键事件
─────────────────────────────────────────────────────────────────────
1990s ~1-5 W/cm² 无散热/被动散热 低功耗时代
(传统CPU) 铝/铜散热片+风扇
2000s ~5-20 W/cm² 主动风冷（铜底+热管+鳍片） Intel Pentium 4 "Presshot"
(高频CPU) 热管技术成熟 TDP 突破 100W
2010s ~10-30 W/cm² 高端风冷/一体式水冷(AIO) GPU 功耗开始攀升
(GPU/AI芯片) 均热板(Vapor Chamber)出现 数据中心开始关注热管理
2020s初 ~30-60 W/cm² 直接液冷(Direct-to-Chip) A100 400W、H100 700W
(高端AI加速器) 冷板式液冷进入数据中心 液冷渗透率快速提升
2024+ ~50-100+ W/cm² 冷板液冷成标配 B200 ~1000W模组
(旗舰AI芯片) 浸没式液冷探索 TDP 持续攀升趋势
未来方向 >100 W/cm² 浸没式/微流道/射流冲击 3D堆叠带来新挑战
(3D封装/新架构) 两相直接冷却 热流密度仍在攀升
里程碑事件
| 时间 | 事件 | 热流密度意义 |
|---|---|---|
| 2004-2005 | Intel 取消 Tejas 处理器 (功耗墙) | 业界首次直面”热墙”问题 |
| ~2010s | GPU 热设计开始独立考虑热流密度 | 并行计算单元功耗密度高 |
| ~2020s | 数据中心液冷渗透率从低个位数开始上升 | AI 算力需求驱动 |
| ~2023+ | NVIDIA GB200 NVL72 等系统标配液冷 | 标志液冷成为高端 AI 基础设施标配 |
技术路线对比
散热方案：应对不同热流密度的技术选择
| 散热方案 | 可应对热流密度范围 | 换热系数 h 量级 | 优势 | 劣势 | 适用场景 |
|---|---|---|---|---|---|
| 被动散热 (散热片) | <5 W/cm² | 极低 | 无噪音、无功耗 | 能力极低 | 嵌入式/IoT |
| 强制风冷 (风扇+鳍片) | 5-30 W/cm² [估算] | ~25-250 W/(m²·K) | 成熟、成本低 | 噪音、功耗、能力上限 | 传统服务器/桌面 |
| 均热板 (Vapor Chamber) | 10-40 W/cm² [估算] | — | 扩展热点、均温 | 成本较高 | 笔记本/高端风冷 |
| 冷板式液冷 (DLC) | 30-100 W/cm² [估算] | ~数千 W/(m²·K) | 效率高、成熟 | 需管路、二次侧散热 | 数据中心 AI 服务器 |
| 浸没式液冷 | 50-150+ W/cm² [估算] | 更高 | 极致散热、均温 | 成本高、维护复杂 | 超高密度数据中心 |
| 微流道/射流冷却 | >100 W/cm² [研究] | 极高 | 极限散热 | 工程复杂度高 | 研究/未来方向 |
| 两相直接冷却 | >200 W/cm² [研究] | 极高(潜热) | 热流密度极限 | 工程挑战大 | 前沿探索 |
注：上表热流密度范围为行业典型认知的量级估算，具体数值取决于系统设计、流速、温差约束等。
TIM (热界面材料) 技术对比
| TIM 类型 | 热导率范围 | 特点 | 应用 |
|---|---|---|---|
| 硅脂 (Thermal Grease) | ~1-5 W/(m·K) | 成本低、易干化 | 消费级 |
| 相变材料 (PCM) | ~3-8 W/(m·K) | 自适应界面 | 中端 |
| 导热垫 (Thermal Pad) | ~1-15 W/(m·K) | 厚度可控 | 模组 |
| 铟基焊料 | >50 W/(m·K) [供应链估算] | 高导热、工艺复杂 | 高端服务器/GPU |
| 烧结银/纳米银 | >100 W/(m·K) [供应链估算] | 极高导热 | 顶级方案 |
以上 TIM 热导率数据为行业典型范围，具体产品规格需查厂商 datasheet。
上下游
热管理产业链全景
上游 (材料与基础元件) 中游 (模组与系统集成) 下游 (终端应用)
─────────────────────────────────────────────────────────────────────────
【导热材料】 【冷板/液冷模组】 【数据中心】
· 硅脂/相变材料 · 冷板制造商 · 云计算厂商
· 导热垫/石墨片 · CDU(冷却液分配单元) · AI 训练集群
· 铟基/焊料 TIM
· 热管/均热板 【散热器/风扇】 【消费电子】
· 冷却液(去离子水/氟化液) · 鳍片散热器 · 笔记本/手机
· 管路/接头 · 风扇模组 · 游戏显卡
· 密封件
【系统集成】 【通信/5G】
【基础材料】 · 服务器厂商散热设计 · 基站散热
· 铜/铝 · 热仿真/CFD 服务 · AAU 散热
· 陶瓷基板
· 硅/碳化硅 【检测设备】 【汽车电子】
· 冷却液基础原料 · 红外热像仪 · 电驱散热
· 热阻测试 · 电池热管理
关键材料与组件
| 环节 | 关键材料/组件 | 技术要点 |
|---|---|---|
| TIM | 硅脂、铟片、相变材料、导热垫 | 热导率、接触热阻、可靠性 |
| 冷板 | 铜/铝微流道结构 | 流阻、换热系数、均温性 |
| 冷却液 | 去离子水、氟化液（浸没式） | 比热容、导电性、兼容性 |
| CDU | 泵、换热器、控制系统 | 流量、温度控制精度 |
| 管路/接头 | 快插接头、柔性管 | 密封性、可靠性 |
关键指标
热流密度指标体系
| 指标 | 定义 | 典型单位 | 工程意义 |
|---|---|---|---|
| 平均热流密度 q_avg | 总功耗/芯片面积 | W/cm² | 整体散热难度评估 |
| 局部热流密度 q_local | 热点区域的热流密度 | W/cm² | 决定峰值温度 |
| 热阻 R_th | 温差/热功率 | °C/W 或 K/W | 整个热路径的阻力 |
| 结温 T_j | 芯片结/热点温度 | °C | 可靠性、性能约束 |
| 结壳热阻 θ_jc | Junction-to-Case | °C/W | 封装散热能力 |
| 热扩散角 | 热量在材料中扩散的角度 | ° | 影响扩散热阻 |
| 换热系数 h | 对流换热强度 | W/(m²·K) | 冷板/散热器设计 |
关键约束
设计约束：
T_junction < T_junction_max （芯片结温上限，通常 ~95-105°C）
ΔT_total = T_j - T_ambient = P × R_total
其中 R_total = R_die + R_TIM1 + R_lid + R_TIM2 + R_heatsink + R_convection
目标：在给定 P 和 A 下，使 T_j < T_max
→ 降低 R_total 各环节
→ 或降低 P（降频/降压/算法优化）
供需与市场数据
热管理市场——AI 驱动的结构性增长
声明：以下数据来源于公开行业报告摘要，具体数字以报告原文为准。
市场规模：
- 全球数据中心热管理市场规模，多家研究机构估算 2023 年约在数十亿美元级别
- 预计 2027-2030 年期间，年均复合增长率 (CAGR) 约在 15-25% 区间 [多家机构估算，范围较大]
- 液冷细分市场增速高于整体热管理市场
渗透率：
- 2022 年前，数据中心液冷渗透率处于低个位数百分比
- 2023-2024 年，受 AI 训练集群需求拉动，渗透率快速提升
- 中长期看，高端 AI 基础设施中液冷有望成为标配
核心驱动力：
① AI 芯片功耗持续攀升 (H100 ~700W, B200 模组 ~1000W)
② 数据中心能效要求 (PUE < 1.2 甚至 < 1.1 的政策/ESG 压力)
③ 单机架功率密度从 ~10kW 向 ~50-100kW+ 演进
④ 热流密度突破风冷能力上限
供给侧格局
| 环节 | 竞争格局 |
|---|---|
| 冷板制造 | 多家厂商参与，定制化程度高 |
| 冷却液 | 氟化液（浸没式）集中度较高；去离子水（冷板式）相对分散 |
| CDU | 系统级集成，进入门槛中等 |
| 铜材/铝材 | 大宗材料，供应充足 |
| 快插接头 | 品质要求高，部分国外厂商领先 |
代表公司与资本映射
声明：以下仅为产业链梳理，不构成投资建议。
散热产业链代表公司（A股及全球视角）
| 产业链位置 | 代表公司/方向 | 核心能力 |
|---|---|---|
| 冷板/液冷系统 | 英维克、申菱环境、高澜股份、曙光数创 等 | 冷板设计、CDU 集成 |
| 导热材料 | 飞荣达、中石科技、碳元科技 等 | 导热界面材料、石墨散热 |
| 热管/均热板 | 超频三、中石科技 等 | 热管、Vapor Chamber |
| 散热器/风扇 | 银轮股份、三花智控（汽车）、奇鋐(AVC)、双鸿、建准 等 | 风扇/鳍片/模组 |
| 液冷接头/管路 | 川环科技、Parker、Swagelok 等 | 密封接头、管路系统 |
| 冷却液（氟化液） | 3M (Novec)、巨化股份、新宙邦 等 | 电子氟化液 |
| 铜材 | 海亮股份、楚江新材 等 | 高纯铜材（冷板原料） |
资本映射逻辑
AI 芯片功耗上升 → 热流密度上升 → 液冷需求爆发
↓
液冷系统 (冷板+CDU+冷却液+管路) 价值量高
↓
关注：冷板设计能力、CDU 集成能力、冷却液供应、接头品质
投资逻辑
核心命题
"热流密度"不是一个独立的投资主题，而是理解 AI 散热投资逻辑的物理本质。
投资逻辑链条：
AI 算力需求指数增长
↓
芯片 TDP 持续攀升 (A100→H100→B200→下一代)
↓
热流密度突破风冷上限 → 液冷成为必选项
↓
液冷系统渗透率从低个位数 → 快速提升
↓
散热产业链价值量上升 (液冷系统单价远高于风冷)
↓
关注环节：冷板 > CDU > 冷却液 > 接头/管路 > 导热材料
关键变量与风险
| 变量 | 乐观情景 | 悲观情景 |
|---|---|---|
| AI 芯片功耗趋势 | 持续上升，液冷刚需 | 算法/架构突破，功耗下降 |
| 液冷渗透率 | 快速提升至主流 | 技术成熟度/成本阻碍 |
| 竞争格局 | 龙头份额集中 | 低门槛导致价格战 |
| 技术路线 | 冷板式中期确定性高 | 浸没式分流但尚早 |
投资标的选择框架
核心能力排序：
1. 系统集成能力 (冷板+CDU 整体方案) → 价值量最高
2. 核心材料/组件供应 (冷却液、铜冷板、接头) → 卡位优势
3. 导热材料 → 受益但弹性相对较小
关键筛选条件：
- 是否有头部云厂商/服务器厂的供货认证或合作
- 技术路线是否对准主流 (冷板式为主，浸没式可储备)
- 产能扩张节奏是否匹配需求
常见误读纠偏
误读 1：热流密度高 = 用高热导率材料就能解决
纠偏：
- 热流密度问题的根本是热量如何从芯片表面高效带走
- 高热导率材料 (如铜、金刚石) 能帮助扩散热点，但最终需要对流换热把热量传给流体
- 关键瓶颈往往在界面热阻和对流换热侧，而非材料内部传导
- 液冷的核心优势是高换热系数，而不仅是”接触了导热液体”
误读 2：热流密度 = 芯片功耗
纠偏：
- 功耗 (W) 是总量，热流密度 (W/cm²) 是单位面积的强度
- 同样 400W 功耗：
- 面积 200mm² → q_avg ≈ 200 W/cm²（极高，接近极限）
- 面积 800mm² → q_avg ≈ 50 W/cm²（高，但可行）
- 芯片面积是关键分母——这也是为什么先进封装 (增大面积) 能缓解热流密度
误读 3：液冷能解决所有热流密度问题
纠偏：
- 液冷将散热能力提升了一个量级，但不是无限的
- 冷板式液冷主要提升冷板到二次侧的换热能力，但TIM1、芯片内热扩散仍是瓶颈
- 局部热点的热流密度可能超过冷板直接覆盖区域的散热极限
- 3D 堆叠封装中，内层 Die 的散热路径被外层阻挡，是全新挑战
误读 4：热流密度只看平均值就够了
纠偏：
- 平均热流密度是必要但不充分指标
- 局部热点可能导致局部温度远高于平均温度 (温差可达 10-30°C)
- 芯片设计需要考虑功率密度分布图 (Power Map)，针对性优化热点散热
- 散热仿真 (CFD) 必须基于实际功耗分布，而非均匀假设
学习路径
入门级 (理解概念)
-
传热学基础
- 《传热学》杨世铭、陶文铨（经典教材）
- 理解傅里叶定律、热阻、对流换热基本概念
-
芯片散热科普
- 半导体行业媒体的散热专题文章
- 了解 TIM、热管、均热板等基本概念
进阶级 (工程理解)
-
数据中心液冷技术
- 冷板式 vs 浸没式的技术路线差异
- CDU、冷却液分配系统的设计要点
- ASHRAE 数据中心热管理指南
-
芯片封装热设计
- 结温、热阻网络模型
- TIM 选型与界面热阻
- 先进封装 (2.5D/3D) 的热挑战
专家级 (深度研究)
-
计算热管理
- CFD 仿真在散热设计中的应用
- 热-电-力多物理场耦合
- 两相流传热、微流道设计
-
产业研究
- 散热产业链供需分析
- 主要厂商技术路线对比
- AI 芯片功耗演进趋势跟踪
推荐资源
| 类型 | 资源 | 适合阶段 |
|---|---|---|
| 教材 | 《传热学》杨世铭、陶文铨 | 入门 |
| 教材 | Incropera《Fundamentals of Heat and Mass Transfer》 | 进阶 |
| 标准 | ASHRAE TC 9.9 数据中心热指南 | 进阶 |
| 行业报告 | 各券商/研究机构散热/液冷深度报告 | 产业 |
| 厂商技术文档 | NVIDIA GPU 热设计指南、冷板厂商白皮书 | 工程 |
一句话总结
热流密度 (W/cm²) 是连接芯片功耗与散热方案的物理桥梁——它决定了从风冷到液冷、从导热材料到冷却系统的技术选择，是理解 AI 基础设施散热投资逻辑的物理学原点。
延伸阅读与来源
核心文献
- 傅里叶定律：Fourier, J.B.J. (1822). Théorie analytique de la chaleur. —— 热传导的数学基石
- ASHRAE TC 9.9：数据中心热管理指南系列 —— 工程设计标准
- 芯片热设计：Intel、NVIDIA 等厂商的芯片热设计应用笔记 (Thermal Design Guidelines)
产业研究
- 各券商研究所液冷/散热深度报告（建议查阅最新版本）
- 数据中心液冷技术白皮书（液冷厂商、服务器厂商发布）
技术前沿
- 微流道冷却 (Microchannel Cooling) 研究文献
- 两相直接冷却 (Direct-to-Chip Two-Phase) 研究进展
- 3D IC 热管理挑战与方案
关键数据来源声明
- 本文中芯片功耗、面积等数据来源于公开产品规格或供应链估算
- 市场规模数据来源于行业报告摘要，具体以原文为准
- 材料热导率等物理参数范围为行业典型值，具体产品需查 datasheet
- 无确切来源的工程数据已标注 [估算] 或 [行业典型范围]