AM易道分享

一座1GW的AI數據中心，每年要燒掉的電夠一座中型城市用。

其中至少一半，不是用來跑算力，是用來吹風、循環水、維持散熱冷卻的基礎設施。

今天分享的這篇文章值得收藏。

2026年5月7日，《Cell Reports Physical Science》刊出論文，第一作者來自伊利諾伊大學香檳分校，合作方是圣地亞哥的一家叫Fabric8Labs的公司。

如果只看論文摘要，它講的事很樸素。

一塊20mm×20mm的水冷銅冷板，比傳統方塊針翅的同類產品熱阻最多低32%，壓降最多低68%。

但這篇論文真正值得花時間讀的原因，藏在兩個細節里。

第一這塊銅片不是銑出來的、不是刻出來的，也不是3D打印激光燒結出來的。

它是用電鍍的原理長出來的。

一種叫電化學增材制造（ECAM，Electrochemical Additive Manufacturing）的工藝，過去十年一直在小眾圈子里發展，這次第一次被嚴肅地推到了AI數據中心散熱這個賽道的臺面上。

第二，論文里有一段數據中心能效推算：

如果把這套方案用在一個1GW的AI數據中心，TUE（總能效系數）能從行業平均的1.55降到1.011。

通俗講，傳統空冷數據中心每用1度電跑算力，就要再花0.55度電用于冷卻和輔助系統；

這套方案把那0.55度壓到了0.01度。

算到整座1GW的數據中心，原本被冷卻基礎設施吃掉的電，多出344MW可以真正用來跑算力。

論文作者自己謹慎地把這個數字標為illustrative（示例性的），但量級擺在那里，已經足以讓數據中心運營者認真看一眼。

我們順便想借助這篇論文把ECAM和其他金屬3D打印路線差別講清楚。

算法畫不常見的針翅

故事從計算機里開始。

研究團隊用COMSOL Multiphysics搭了一套拓撲優化（Topology Optimization）框架。

簡單說，就是讓算法在一塊給定空間里自己決定每個角落該是銅還是水。

給定一個長方體的材料和流體共存的區域，告訴算法：

底面是熱源，頂面有冷卻水流過；

目標是讓底面溫度最低，約束是壓降不能超過設定上限（ΔPlim）。

剩下的事，交給算法。

研究做了9種工況組合，收斂結果一眼看去，讓人意外。

算法吐出來的針翅，長得像一個倒扣的松果。

下圖是拓撲優化在三種壓降約束下收斂出的針翅形態，從左到右分別對應40Pa、80Pa、120Pa。

壓降越大，分叉越復雜。

根部寬厚，向上逐級收窄，頂端長出細密的分叉枝杈。

這種形態沒有一個人類工程師會主動去畫。

但在仿真里，它的速度場顯示水流被這些分叉結構反復擾動，溫度場則比方塊針翅顯著更均勻。

研究最終選定的是Hf=2mm、ΔPlim=80Pa這個工況。

不是最激進的，也不是最保守的。

論文里給的理由很樸素是，這個點能拿到大部分溫度收益，又不至于讓壓降失控。

用研究者的視角看，工程總要在性能和代價之間挑一個手感最舒服的中間檔位，這就是那個檔位。

接下來，這個單個針翅被鏡像、陣列，鋪滿20mm×20mm的冷板表面。

最終成型的，是一個50×50的針翅陣列，單元間距0.4mm。

這是一個工程上的有意妥協。

直接對整塊20mm的冷板做3D拓撲優化，計算量會爆炸。

論文里給了一個直觀對比：5×5mm擴到75×75mm，體素數會漲兩個數量級。

先優化一個單元胞（unit cell，可以理解為最小重復單元），再陣列復制，是把算得動和做得好之間的平衡拿捏住的現實策略。

如何把這個全新針翅真的做出來：電化學ECAM登場
算法畫出來的針翅，最細的特征只有幾十微米。
這正是過去拓撲優化研究的死結。算得出，做不出

這就輪到ECAM登場。

ECAM是Fabric8Labs這家2015年成立的公司過去十年的核心技術。

它的本質，用一句話說，就是把電鍍做成了一臺3D打印機。

傳統電鍍大家都不陌生，把工件泡在含金屬離子的溶液里，通電，金屬離子就在工件表面均勻地還原成金屬薄膜。

但傳統電鍍只能均勻沉積，沒法局部控制。

ECAM做了一件關鍵的事。

它把陽極換成了一個由數百萬個獨立可控微電極組成的陣列。這些微電極借鑒了主動矩陣顯示屏（active-matrix display）的技術路線，每一個像素都能獨立通斷、獨立控制電場強度。

打印過程是這樣的。

底板（陰極）和打印頭（陽極陣列）之間，留一道很窄的間隙，里面循環流過含銅離子的水基電解液。

當某個像素被激活，它和底板之間形成局部電場，溶液里的Cu2?就在這個像素正對著的底板位置被還原成銅原子，沉積下來。

下一層，根據切片數據點亮另一組像素，再長一層銅。如此逐層、逐像素地長出三維結構。

整個過程發生在室溫下，全程沒有高溫熔池、沒有粉末。

論文里給出了幾個關鍵參數。

當前ECAM系統的體素分辨率約33微米，沉積銅的純度可以達到99.95%（這個數字直接關系到銅的導熱率有沒有打折），整個過程由閉環控制系統實時監控每個像素的沉積狀態。

這次實測的冷板，是在一片高純銅基板上長出了一個20×20mm的針翅陣列。

論文Table 1給出了冷板規格。

整個20×20mm范圍內排了50×50共2500根針翅。

論文里的SEM圖和光學顯微圖都呈現得很清楚，那種帶分叉的復雜針翅形態，被ECAM相當忠實地復刻了出來。

換句話說，傳統電鍍車間里那些泡滿工件的大鍍槽，被Fabric8Labs縮成了一臺桌面級設備，每秒鐘獨立控制數百萬個微型電極，決定這一層的銅該長在哪里、不長在哪里。

嘆為觀止。

中間插一段，ECAM和金屬3D打印主流路線，到底差在哪

讀到這里，對3D打印有了解的讀者大概會問。

金屬增材又不是只有ECAM一家，激光選區熔融（SLM）、電子束熔融（EBM）、粘結劑噴射（Binder Jetting）這些都已經做了很多年了，憑什么這次非要用ECAM？

第一個差別是材料。

純銅在金屬增材里是出名的釘子戶。

它對激光波長（特別是常見的1064nm紅外激光）反射率極高，激光打上去大半被反射走，剩下一點能量又因為銅導熱太快被迅速帶走，根本形不成穩定熔池。

強行打出來的銅件，要么密度不夠，要么微觀孔隙嚴重，熱導率會比理論值打個折。

而冷板要的恰恰是高熱導率。

這是為什么純銅冷板在金屬增材里一直還在攻堅的核心原因之一。

ECAM不存在這個問題。

它根本不靠熔化，靠的是離子在電場下的電化學還原。

銅的反射率、導熱率，對ECAM都不構成障礙，它處理純銅反而是天然的優勢。

第二個差別是溫度。

SLM、EBM都是高溫過程，局部溫度可以到銅的熔點以上。

這意味著兩件事，一是工件本身會因為熱應力產生顯著變形，二是工件不能直接打印在溫度敏感的基底上，比如硅、PCB、陶瓷。

所以傳統3D打印做的冷板，一般是先做一塊獨立的金屬冷板、再用焊接或導熱界面材料貼到芯片上，中間多一層界面，熱阻多一份折損。

ECAM是室溫過程。

原則上，它可以直接在芯片、PCB、陶瓷基底上長出冷卻結構，沒錯，他們公開融資材料是這么寫的。

這可能就是為什么Intel Capital、SK海力士、Lam Research這些半導體產業鏈的玩家都在投Fabric8Labs。

論文里專門提了一句，ECAM的電化學過程和現有半導體封裝的電鍍工藝有相似性，存在向高量產平移的現實路徑。

第三個差別是分辨率。

SLM、EBM的分辨率受限于金屬粉末粒徑（一般15-53μm）和激光/電子束焦斑大小，復雜細節很難做到100μm以下。

BJ分辨率好一些，但還有燒結后變形和密度問題。

ECAM當前33μm的體素分辨率，加上隨技術迭代繼續往下走的潛力，是支撐拓撲優化這種喜歡算細節設計方法的關鍵。

第四個差別是后處理。

金屬增材件幾乎都需要支撐去除、熱處理、表面精加工等多道后處理，每一道都增加成本和周期。

ECAM水基工藝，沉積出來的件幾乎可以直接用，論文里也強調了這一點。

這對量產意義重大。

但顯然，AM易道必須強調的是，ECAM不是萬能的。

當前的體素分辨率和半導體光刻還有數量級的差距；

可打印的金屬種類目前以銅為主，合金體系還在拓展中；

而單臺設備的產能、大尺寸結構件的能力，都還未見工業化方案。

ECAM不是要替代SLM、EBM，不過它在【亞毫米級+純銅+復雜內部結構+可直接打印在敏感基底上+可批量】這個組合空間里，目前幾乎沒有成熟競爭對手。

這是它目前的技術位置。

把銅片塞進真實的GaN功率電路里測
冷板做出來放進真實的電子系統里跑。

研究團隊搭了一套測試平臺，核心是一塊定制的PCB，上面用標準回流焊焊了4顆GaN氮化鎵功率晶體管，按2×2矩陣排布在20×20mm的有效區域內，每顆晶體管尺寸5.55×4.48×0.54mm3。

第1、2號管子靠近水的入口（上游），第3、4號靠近出口（下游）。

這種布局是有意為之。

既要看冷板對單顆器件的局部冷卻能力，也要看水流過整個陣列后下游器件的溫度衰減問題。

整套裝置放在恒溫22°C的環境里水平放置，冷板用導熱界面材料貼在GaN陣列上。

閉環水路里同時測了流量、壓差、進出口水溫（儀器型號和不確定度分析在論文補充材料里），所有數據都可追溯。

性能差距明顯

整篇論文最關鍵的是Figure 4。

研究團隊拿ECAM打的拓撲優化（TO）冷板，和兩塊對照組：

2mm高的方塊針翅冷板、1.5mm高的方塊針翅冷板。

他們做了正面對比。

這兩個對照組不是隨便選的，是行業里被廣泛拿來當基準的常規設計。

結論很多，但我們篩選了我們認為最關鍵的。

同流量下拓撲冷板更省。

在一定范圍內，TO冷板的平均熱阻在每一個流量點都最低。

差距在下游放得更大，水流到下游，溫度升、動量弱，方針翅力不從心，而TO針翅帶分叉、能持續擾動流場，熱量抓得住。

第二，公平比較下，TO拓撲冷板仍然贏，而且贏得明顯。

把散熱付出的電費對齊（也就是按泵功率比，而不是按流量比），TO冷板在常用區間里始終領先。

最戲劇性的一組數字是，要把下游器件的熱阻壓到3.1 K/W這個工況點，TO冷板需要的泵功率比2mm方針翅低約60%，比1.5mm低約98%。

換個更猛的視角，限制結溫-環境溫差不超過10°C，自然空冷只能讓一顆GaN器件耗散0.32W，TO水冷能扛25.25W。

79倍的功率密度差，這是論文給整個為什么必須用拓撲優化液冷冷板的定量答案。

第三，代價依然存在。

TO冷板在同流量下，壓降確實是三者中最高的。

本質是，愿意付更高的壓降，換更低的熱阻；按泵功率折算反而省。

這意味著系統設計時泵的揚程必須留出空間，對一些泵選型受限的場景，本文這類TO冷板未必是最優解。

把組件級數據外推到數據中心層面

論文最后做了一個數據中心能效推算。

這也是很多業內人士關注的核心數據。

設定的場景，一個42U機架，總功耗167kW，目標芯片溫度85°C，環境溫度25°C。

這個機架功率級別是有現實參照的，論文明確說對標NVIDIA Blackwell Ultra GB300 NVL72這種下一代級別功率的機柜。

推算結果是，用這套TO+ECAM液冷方案的系統TUE是1.011，意味著只有1.1%的數據中心總能耗用在了冷卻上。

對比傳統空冷的TUE 1.55，超過一半的能耗都被冷卻基礎設施吃掉了。

如果把這個差距放到一座1GW數據中心里，就是344MW的IT負載差。

原本要喂給冷卻的電，現在可以喂給算力。

不嚴謹的說，如果再放大到美國2028年預測的數據中心總裝機74–132GW（按50%平均利用率），對應增量是25–45GW的可用算力容量。

但這里要原文照搬一句論文作者自己的態度，他們專門加了一段說明：

這部分數據中心層面的分析是"illustrative application example"（示例性的應用場景），實際的設施級效益是架構和場地相關的，不應該被當作已驗證的預測。

論文的硬貢獻是組件級的實驗數據；數據中心的圖景是合理的、有依據的推演，但還需要大規模驗證。

這件事的產業坐標

讀到這里有必要把鏡頭拉遠一點。

Fabric8Labs這家公司，2015年成立于圣地亞哥。

2023年2月完成5000萬美元B輪，由NEA領投，Intel Capital、Lam Capital（Lam Research的投資臂）、TDK Ventures、SE Ventures、imec.XPAND跟投。

2025年11月又拿到一輪5000萬美元，依然由NEA和Intel Capital領投，新進投資人包括SK海力士、愛立信Ventures、丸之內創新合伙人、凸版印刷等。

最新一輪的核心用途，是把美國本土產能從500萬件/年擴到2200萬件/年，目標客戶群明確指向AI/HPC散熱、射頻通信、汽車電力電子。

這份投資人名單本身有點意思。

半導體大廠Intel進來可能看到了芯片級散熱集成的可能性，而SK海力士進來，HBM散熱是繞不開的話題。

Lam Research（半導體設備龍頭）加注，可能看到了ECAM和現有半導體工藝的工程兼容性。

而愛立信進來，是5G/6G射頻天線方向。

這些信號疊加上這篇與伊利諾伊大學合作的Cell Reports論文，AM易道認為可以做出這樣的判斷：

ECAM正在從一個長期被歸類為小眾的技術路線，轉向AI數據中心散熱和先進電子封裝這個賽道里的一個嚴肅供應鏈選項。

它不會替代SLM或EBM3D打印，各自有各自的邊界。

但在其能打的空間，目前沒有成熟工藝能正面競爭。

AM易道讀者中如有類似技術團隊，請私信聯系。

冷板從來不是數據中心敘事的主角。

芯片是主角，機柜是骨架，電力是血液，散熱長期被當成配角。

但配角偶爾會決定主角能不能上場。

機架功率從30kW向1MW爬的路上，決定上限除了芯片，還有熱能不能及時被帶走。

這篇論文，在拓撲優化這條算法路線和電化學增材這條工藝路線之間，搭了一座可以承重的橋。

這座橋能不能走過工程化、規?；?、可靠性的關鍵一段，要看接下來這幾年。

但橋已經架起來了，這件事本身已經值得行業里每一個關心散熱、關心AI基礎設施、關心銅的人，認真停下來看一眼。

注：本文是AM易道對論文的解讀和轉述，帶有大量主觀判斷、內容取舍和添加行業視角，原文信息密度大、專業細節多，如果您是相關領域的專業讀者，強烈建議直接閱讀原文，本文的內容可能與原作者的嚴謹表述存在部分差異。

主信源（論文）： Bazmi, B., Lad, A.A., Shatskiy, E., et al. (2026). Ultra-high-performance cold plate development through topology optimization and electrochemical additive manufacturing.Cell Reports Physical Science 7, 103272.

doi.org/10.1016/j.xcrp.2026.103272