大模型参数量一直在不断扩张，传统单机架横向扩展的模式已经碰到物理边界，算力基础设施碰到了很难突破的三重瓶颈。

其一，单机架的功耗一直在往上涨，慢慢接近数据中心配电系统的极限，其二，高密度机架配套的液冷系统复杂程度不断变高，散热能耗的占比一直在上升，散热的效益一直在降低，其三，超高集成度机柜里面的硬件排布得很紧凑，故障排查、硬件更换的流程很麻烦，设备的可维护性明显下降。

在此背景下，单机架走向标准化、模块化，由多机架组成的超节点PoD架构，成为AI基础设施迭代升级的主流路线。

目前海内外头部厂商都已经推出成熟的超节点方案，英伟达的VeraRubinPoD集群总共有40个机架，里面包含16台VeraRubinNVL72GPU机架，还搭配着专用的VeraCPU机架和存储互联机柜，谷歌的TPU8tSuperPoD搭载了9600枚TPU8t芯片，靠着OCS光交换机柜来支撑大规模的光互联，华为Atlas900A3SuperPoD由12组计算柜和4组总线设备柜搭建而成，成为国产化超节点集群的标杆。

超节点不再依靠单一机柜堆叠算力，而是整合计算、网络、存储多类型机柜协同工作，系统性破解单机架的功耗、散热与运维难题，为液冷产业打开全新增长空间。

光互联持续升级催生光模块液冷全新赛道，AI集群内部通信带宽需求猛涨，光模块的速率从800G往1.6T、3.2T快速更新换代，功耗也跟着大幅上升，3.2T光模块功耗会超过40W，风冷的方案完全没法满足散热需求了，液冷成了必须。

当前行业并存两条主流光模块液冷技术路线。热管方案把热量从光模块传导到铜块、热管，最后输送到液冷板，英伟达、HPE选的是这条路线，好处是稳定性比较强，不过导热链路比较长，在超高功耗场景能效有不足；连接器方案能让光模块和液冷板直接导热，散热比较高效，方案落地的核心挑战在于连接器长时间运行的可靠性。

除网络硬件之外，智能体（AgenticAI）规模化落地，带来高密度CPU机架液冷新增需求。AI产业重心，正慢慢从大模型训练转向推理和智能体应用，算力瓶颈也慢慢从GPU转移到调度执行单元CPU，2026年，英伟达GTC大会发布了VeraRubinPoD集群，与此同时，配套推出纯VeraCPU机架。

该机架采用全液冷设计，单机架集成256颗VeraCPU，单芯片功耗区间250-450W，仅CPU带来的理论最大功耗达到115.2kW，大幅超出风冷散热上限。

单机架聚合大量CPU芯片后，集群协同性能远超零散部署的CPU。22528颗Olympus核心装在整套VeraCPU机架里面，最高内存容量是400TB，汇总带宽最高可以达到315TBs，像智能体任务调度、强化学习、长上下文推理这类新型负载能够被它适配。随着VeraCPU机架跟随AI集群批量出货，液冷市场需求将进一步扩容。

整体来说，AI算力基础设施正在进行架构范式的切换，从单机架单独部署，变成多机柜一起协作的超节点集群。散热需求也不再局限于GPU服务器，向上延伸至高速光互联硬件、高密度推理CPU机柜。

光模块液冷、高密度CPU机架液冷两大增量赛道同步爆发，液冷不再只是高端GPU的配套方案，而是新一代AI超节点不可或缺的底层基础设施，产业链长期成长空间持续打开。