Hans Hasselby-Andersen，Lotus Microsystems 首席执行官——专访系列

Hans Hasselby-Andersen是Lotus Microsystems首席执行官，在半导体行业拥有逾20年的经验，曾担任创始人、高管、董事会成员和投资人。他创立了Merus Audio，并带领公司于2018年被Infineon收购；他还曾在Texas Instruments、Infineon、Toccata Technology和Nokia担任领导职务。他的工作重点一直是推动高能效半导体技术走向市场。

Lotus Microsystems是一家总部位于哥本哈根的无晶圆厂半导体公司，致力于为先进电子设备开发集成式电源转换器和供电解决方案。其硅基Power Interposer Technology将电源转换与热管理相结合，其中包括面向人工智能和高性能计算的vStrata垂直供电平台。在本次专访中，Hasselby-Andersen谈到了服务器层面的能量损耗、传统电源架构的局限，以及为什么供电、散热和半导体封装越来越需要协同设计。

您的职业生涯横跨多个领域：从在Nokia从事无线系统工作、在Texas Instruments参与半导体开发，到创立Merus Audio并带领其被Infineon收购，如今又执掌Lotus Microsystems。这些经历如何影响了您对当今人工智能基础设施中日益凸显的电源和散热挑战的看法？

我进入半导体行业几乎是个偶然。我当时所在的一家初创公司被Texas Instruments收购，这让我开始了解芯片如何设计、制造并推向市场。我自己并不是芯片设计师，但对这个行业有了深入的认识。

后来，我创立Merus Audio时，契机是发现了一个明显的市场空缺：无线扬声器需要降低功耗、延长电池续航时间。此后，我专注于物色合适的人才和技术来解决这一问题。

Merus被Infineon收购后，我曾离开半导体行业一段时间，但最终意识到自己还是想回到这个行业。Lotus Microsystems吸引我的地方，在于创始团队专注于其先进供电技术的三项基本要素：能效、物理尺寸和热性能。无论应用场景如何，供电领域始终面临这些挑战，但人工智能让它们变得尤为迫切。

处理器技术正取得非凡进展，但如此强大的计算能力也带来了切实的物理限制。我的经验告诉我，解决那些不那么显眼的问题，其价值可能不亚于开发那些备受关注的技术。

关于人工智能基础设施的讨论，往往着重关注GPU性能、网络和散热。您为什么认为，供电本身正成为制约人工智能系统持续扩展的最重要因素之一？

我们花很多时间讨论GPU能提供多大的算力，却很少探讨如何高效地为它输送充足的电力。现代人工智能加速器需要在极低电压下获得数千安培的电流，而且其功耗会随着工作负载几乎瞬间变化。传统供电系统并非为这种强度而设计。即使拥有全球最先进的处理器，如果无法在需要时提供稳定电力，也无法充分发挥其潜能。因此，供电正成为人工智能规模化发展中至关重要的一环。

数据中心运营商谈到能源效率时，关注重点往往放在制冷系统和设施层面的指标上。电力到达处理器之前，服务器内部究竟损失了多少电力？为什么这个问题受到的关注相对较少？

没有一个数字适用于所有服务器，但损耗可能相当可观。我们估计，在某些大电流架构中，电力输送的最后几个阶段约有7–10%会损失。那些能量没有用于任何有价值的计算，而是转化成了热量，之后还需要将其排走。当数千颗处理器全天候运行时，即使相对较小的效率损失，成本也会变得非常高。

这个问题一直未受重视，原因之一是我们过去衡量数据中心效率的方式。电力使用效率（Power Usage Effectiveness，简称PUE）已成为行业标准，可用于了解设施开销，包括制冷和电力分配方面的开销。但它无法反映服务器内部电力转换和输送的效率。

我并不是说制冷效率不重要；它当然非常重要。但如果我们没有充分关注那些不必要热量的来源，却花费巨资将热量排走，做法就有些本末倒置了。我们应该从一开始就设法避免这些损耗。

随着GPU和其他人工智能加速器的功耗不断攀升，传统板级供电架构正面临哪些局限？

只要看看电力实际上是如何传输到 GPU 的，这个问题就会更加明了。在传统设计中，电源转换器位于处理器旁边，电流需要沿水平方向穿过电路板才能到达处理器。这个距离看似微不足道，但当电流达到数千安培时，即使很小的电阻也会造成影响。电阻损耗会随电流的平方增长，这意味着，在电阻不变的情况下，电流加倍，损耗就会增加到原来的四倍。

此外，系统还面临一项挑战：既要应对功率需求的快速变化，又要维持电压稳定。工程师可以通过增加电容器和其他元件来弥补，但这些方案会占用宝贵的空间。最终，与其不断在现有设计上添加元件，重新思考整体架构会更合理。

如果行业希望继续提高计算密度，同时避免造成不可持续的热管理或能效问题，那么从服务器机架到处理器的供电方式需要作出哪些改变？

机架层面的创新已经不少，其中包括转向更高电压的配电方式。这一点很重要，因为电压越高，传输同等电力所需的电流就越小，从而能减少长距离传输中的损耗。不过，最终仍需将电压降至处理器所需的极低水平，而这正是目前最棘手的挑战之一。

最有前景的发展之一是垂直供电：它将电源转换直接置于处理器下方，而不是放在处理器旁边。缩短这段电气路径有助于降低损耗并提升响应速度。但这也带来了新的挑战：产生热量的元件彼此距离更近了。要让这类架构大规模应用，我们就不能再把供电、热管理和封装视为彼此独立的工程工作，而必须从一开始就统筹设计。

Lotus Microsystems 最近推出了 vStrata 垂直供电平台。垂直供电旨在解决什么问题？这种方法与当今 AI 服务器采用的传统电源架构有何不同？

垂直供电的基本思路相对简单：不再让大量电流沿水平方向流经电路板，而是将电源直接置于处理器下方。这样可以大幅缩短电气路径，减少损耗，并帮助系统在功率需求变化时更快作出响应。

但需要明确的是，让电源更靠近处理器，并不等于解决了全部问题。热量也会集中在更小的空间里，紧邻那些本就承受着巨大热压力的元件。如果不处理这一点，解决原有瓶颈的同时，就可能造成新的瓶颈。

这正是我们着手解决的问题。我们的专有硅基 Power Interposer Technology 能够实现垂直供电，同时将热管理纳入同一架构。我们的首款模块 LSC0580 专为实现最高 96% 的负载点效率而设计，在经过优化的配置中，温度最高可降低 25°C。我们的目标不只是输送更大的电流，还要帮助数据中心在相同的物理空间内获得更多有效算力，同时减少为支撑这些算力所需的供电和冷却开销。

AI 行业通常认为，未来的性能提升将来自更出色的芯片或更先进的半导体工艺。电源架构的改进最终能否与处理器本身的进步同样重要，成为提升 AI 性能的关键？

当然。处理器的理论性能只有在周边系统能够支持其达到这一水平时才有意义。如果供电跟不上需求，或者过热迫使系统降低性能，你就无法充分发挥所付出的成本所换来的性能。值得关注的是，即使不更换处理器，更好的电源架构也能帮助现有硬件释放更多持续性能。我不会把它看成是更好的芯片与更好的基础设施之间的二选一。两者缺一不可，而且我预计它们之间的关系会变得愈发重要。

全球各地的电网已经承受着 AI 数据中心带来的巨大压力。改进服务器级电源转换和供电，能够在多大程度上降低大规模 AI 基础设施的整体能耗？

潜在影响相当可观，但很难用一个数字来概括，因为具体效果取决于设施的架构和规模。在某个电源转换环节提升一个百分点，并不意味着数据中心的总用电量也会相应减少一个百分点。

但不妨想一想，如果将幅度不大的效率提升，应用到数千个持续运行的处理器上，结果会怎样。这样一来，能源浪费、运营成本、资本支出，以及冷却系统需要处理的热量，都有望大幅减少。在电网容量已经限制新数据中心建设地点和速度的情况下，这一点尤其重要。

换句话说，最环保的能源，就是从未使用过的能源。人们一直高度关注如何获得更多电力以支持 AI 的发展，这可以理解；但我们也应同样重视如何更充分地利用现有电力。

随着 AI 硬件朝着更高功耗的 GPU、定制加速器和日益高密度的计算系统发展，您预计未来几年电源工程师会遇到哪些技术瓶颈？

电流需求将持续增长，而由此带来的挑战已经显现。有些 AI 处理器需要数千安培的电流，未来的设计甚至可能达到 6,000 安培，乃至 8,000 安培。高效地输送如此大的电流已颇具难度，而随着工作负载迅速变化，如何保持电压稳定又增添了一层复杂性。

业界也往往将电流密度视为衡量进步的主要指标。用更小的电源转换器输送更大的电流，确实令人印象深刻；但如果在更小的空间里产生了同等的热量，整个系统未必因此变得更好。事实上，热管理问题甚至可能因此恶化。我认为，能够兼顾效率、热性能、动态响应和可靠性的工程师，才会取得最大的进展。

展望下一代 AI 基础设施，为了支持 AI 计算能力再次大幅提升，电力输送、冷却、半导体封装和系统架构需要作出哪些改变？

我预计，电力输送与处理器本身将实现更加紧密的集成。垂直供电是重要的一步，但我认为这一演进不会止步于此。我们已经在探索更薄的电源模块，以便将其嵌入电路板；最终还将发展出这样的架构：把更多电力输送功能直接集成到 xPU 封装中。每向前迈进一步，电力输送就会更接近实际耗电的位置。

冷却技术也必须随之发展。液冷对高密度计算正变得越来越重要，但改进散热方式只是问题的一部分。我们还需要减少不必要的热量，并寻找更好的方法，在热源附近对其进行管理。

或许最大的变化将体现在这些系统的开发方式上。传统上，硬件堆栈的不同部分往往相对独立地进行优化。随着我们迈向更高的功率水平，这种做法会变得越来越困难。芯片制造商、电力电子专家、封装工程师和系统设计人员需要更加紧密地协作。多年来，我们一直在突破单个处理器的极限；但 AI 基础设施的下一阶段，关键在于确保整个系统能够满足这些处理器的能力要求。

感谢您接受这次精彩的采访。希望进一步了解 AI 基础设施垂直供电和热管理的读者，请访问 Lotus Microsystems。