2. AI电源基础

AI服务器与传统通用服务器最大的差异，不在机箱和主板，而在“电”的流动方式。一台搭载8颗GPU的AI训练服务器，整机功耗可达6～10kW，其中GPU加速卡本身占据70%以上；而传统双路服务器通常只有500～800W。功耗量级跃升带来的不只是“多供电”，而是对电压精度、瞬态响应、电流密度和电源树层级的全面重构。理解AI电源，必须从负载特性出发，逐层向下看电压调节模块（VRM）与电源树（Power Tree）如何协同工作。

一、AI负载的供电需求特征

GPU、TPU等AI加速器与CPU的供电需求有本质区别。CPU负载相对平稳，核心电压通常在0.8～1.2V之间，电流数百安培；而GPU在训练任务中会出现毫秒级的功耗阶跃，电流从几十安培瞬间冲到上千安培，核心电压却要求稳定在0.7～0.9V，偏差不超过±3%。这种“低压大电流+高动态”的组合，是AI电源设计的核心矛盾。

• 低电压、大电流：GPU核心电压约0.75V，单卡电流可达1000A以上，等效负载线阻抗低至0.1mΩ量级。
• 高瞬态斜率：负载阶跃可达1000A/μs，要求VRM在数百纳秒内响应，否则电压跌落触发降频。
• 多电压域：一颗GPU内部包含核心、HBM显存、I/O、辅助电路等多个电压域，需独立调节。
• 能效敏感：数据中心PUE考核下，供电链路每损失1%效率，整机功耗增加数十瓦，直接影响运营成本。

二、电压调节模块（VRM）的角色

VRM是电源树中直接面向负载的“最后一公里”。它把中间母线电压（常见12V或48V）转换为GPU/CPU所需的低压大电流。AI加速器普遍采用多相Buck拓扑：多相并联交错工作，既分摊电流应力，又通过相位交错降低输出纹波、提升等效开关频率。

以一颗1000A GPU为例，若采用12相VRM，每相承担约83A，配合DrMOS和耦合电感，可将输出纹波控制在数毫伏。关键参数包括：

VRM关键参数示例（GPU核心供电）
输入电压 Vin      : 12 V
输出电压 Vout     : 0.75 V
最大电流 Iout     : 1000 A
相数 Phase        : 12
开关频率 fsw      : 500 kHz/相
目标效率 η        : 92% @ 50%负载
瞬态偏差 ΔV       : ±25 mV
负载线阻抗        : 0.1 mΩ

VRM的瞬态响应取决于输出电容、电感值和环路带宽。AI负载要求VRM具备“快速相位脱落（phase shedding）”能力：轻载时关闭部分相位提升效率，重载时迅速投入全部相位保证瞬态。若相位投入延迟超过1μs，电压跌落就可能触发GPU降频，训练任务出现卡顿。

三、电源树架构：从市电到芯片

电源树描述电能从输入到各负载的分配路径。AI服务器的典型电源树分为四级：

1. AC/DC或HVDC输入级：市电或240V/336V高压直流进入电源框，转换为12V或48V中间母线。
2. 中间母线分配：12V/48V母线通过母排或PCB铜箔分配到各板卡和VRM输入端。
3. 板级VRM：将12V/48V降至GPU、CPU、内存、网卡所需的各级电压。
4. 负载点（PoL）：靠近芯片的微型VRM或LDO，完成最后稳压和滤波。

48V母线架构在AI服务器中越来越主流，原因是同样功率下电流仅为12V的1/4，母排损耗和压降显著降低。但48V到0.75V的转换比高达64:1，单级Buck难以兼顾效率和瞬态，因此常采用“两级转换”：48V→12V中间总线转换器（IBC），再由12V→0.75V多相VRM完成。这种架构在效率、瞬态和布线之间取得平衡。

四、典型场景：8卡GPU训练服务器的电源分配

以一台8×GPU训练服务器为例，整机功耗约8kW。电源树大致如下：4个3kW PSU组成N+1冗余，输出48V；48V母排分两路，一路给GPU基板，一路给CPU和主板。GPU基板上每颗GPU配一套12相VRM，8颗共96相；HBM显存单独由1.2V VRM供电；CPU由8相VRM供电。整机供电链路效率若为90%，则PSU到芯片的损耗约800W，全部转化为热量，对散热系统提出极高要求。

五、常见误区与复盘

总结来看，AI电源基础的核心逻辑是：负载决定需求，需求决定VRM选型，VRM选型决定电源树层级。GPU/TPU的低压大电流和高瞬态特性，推动电源树从12V单级向48V两级演进，也推动VRM从单相向多相、从模拟向数字控制发展。理解这条从市电到芯片的完整链路，是后续效率优化和量产验证的前提。