AI 时代的电源管理基础：PDN 设计的四大公理

让硬件的每一层都具备 PDN 感知能力，充分发挥最大计算密度。

在 AI 数据中心中，每吉瓦输入电力所对应的 50 mV 电压余量大约相当于 270 个机架的算力。为了说明这一点，本文对两个以相同时钟频率运行相同 Vera Rubin NVL72 机架的设施进行建模，一个运行在 0.80 V，另一个运行在 0.75 V。根据已公布的 Vera Rubin 功耗数据，后者每 GPU 的功耗降低约 8%，每个机架的功耗降低约 17 kW。

余量是指在硅芯片所需电压之上额外增加的供电电压，用于覆盖最坏情况下的电压跌落。不断演化的 AI 工作负载使这一余量变得更大且更难预测。因此，平台和硅芯片团队常常设置过大的余量来补偿，牺牲了计算密度和 token 吞吐量，而余量设置过小的团队则会在现场遭遇故障。

AI 时代的电源分配网络（PDN）设计采用系统化的电源管理方法。本文基于在 AI 和高性能计算（HPC）领域的客户合作经验，将该方法的基础提炼为四条公理。

公理 1：必须最小化测试误差

公理 2：功耗包络必须同时考虑不断演化的工作负载和 PDN 动态特性

公理 3：AI 系统需要反应式或前瞻式的 Ldi/dt（电压跌落）缓解措施

公理 4：系统需要协同架构的控制回路

Movellus 通过其 Aeonic 平台在单一技术栈中应对这四条公理。该平台帮助团队为 AI 时代的合理电源架构奠定基础。

阅读更多内容。