AI 工廠模擬技術：建置前精準驗證電力與液冷規劃

透過讓團隊在施工前模擬運作情境，模擬技術能消弭設計與運作之間的界線。一個實用的 AI 工廠模型不僅能渲染 3D 空間；它還能整合幾何結構、工程屬性、即時或歷史運作數據，讓團隊在進行昂貴的實體變更之前，就能測試設備佈局、供電行為、氣流、冷卻能力、結構限制以及工作負載的影響。

這一點至關重要，因為 AI 工廠通常是在接近基礎設施容量極限的條件下運行。任何微小的設計假設偏差，都可能降低可產出的 AI Token 數量、導致電力或冷卻容量閒置浪費，甚至迫使系統以較保守的運行條件運作。其關鍵價值在於，能在設計階段即模擬接近實際營運的情境，例如機架位置調整、次世代加速器更換、更高功率密度配置、不同 CDU（冷卻液分配單元）選型、一次側迴路設計變更、蒸發式冷卻塔的運作假設，以及各類 AI 工作負載模型等。

個別工具雖然適用於特定分析場景，但當多種角色（personas）需要共享同一座設施、資產與營運狀態的整體視圖時，這些工具便容易出現限制。AI 工廠設計需要將 CFD、電力模擬、工程文件、資產模型、IT 遙測資料、OT 遙測資料與歷史營運數據整合到同一套實體設備框架之下進行比對與分析。

若沒有統一的整合平台，不同工具將各自採用獨立的視覺介面、命名規範及資料模型，迫使團隊投入大量人力進行資產對應、資料一致性管理與跨系統整合。OpenUSD 提供了標準化層，用於將 3D 幾何形狀與多元資料來源及求解器（Solver）緊密連結。 施耐德電機、AVEVA 與 ETAP 已攜手加入 OpenUSD 聯盟，共同推動軟體互通性、工業模擬、協同設計與 AI 基礎設施系統的發展。

代幣的輸出取決於運算堆疊內部發生的情況，因此模型需要具備低於機架層級的可視性。CPU 使用率、記憶體使用率、GPU 使用率、網路行為、儲存存取活動以及工作負載狀態，都有助於將 IT 層的運作行為與 OT 層的影響結果（例如電力消耗、散熱需求、流體需求與熱風險）建立連結。

若只在機架層級進行抽象化評估，將無法辨識究竟是哪個特定工作負載、伺服節點或零組件在主導整體基礎設施的狀態。這就是 AI 算力工廠模擬必須融合 IT 與 OT 數據的核心關鍵：機房基礎設施並不是靠「把機房吹冷」來創造價值，而是透過賦能昂貴的算力機架以最高且安全的稼動率持續運轉來發揮價值。施耐德電機與 NVIDIA 合作開發的參考設計，便明確將 AI 工廠設計與 MaxP 和 MaxQ 等運轉基準點深度綁定，當受限於電力配額時，能藉由 MaxQ 提高每瓦 Token 產出量，精準壓榨出最高算力效率。

透過 CFD（計算流體動力學）模擬，可以針對氣流、溫度、流速、壓力以及整體散熱行為進行分析，並同時驗證基準情境與各種假設情境（what-if scenarios）的表現。實務應用上，通常會先建立一個基準機房環境，再套用更高強度的 AI 工作負載，或將熱負載從一個機架位置轉移至另一位置，進而視覺化評估冷空氣供應、冷卻能力以及氣流隔離策略是否仍能支撐該負載。在氣冷或混合式散熱環境中，進行此類假設調整時，並不一定需要全面重新佈線或管路重建；透過模型即可調整千瓦級散熱分布，並檢測相應的熱行為變化。

透過電力模擬分析，能精準量化單點故障或常規維護情境對實際可用 IT 負載容量造成的衝擊。一個典型情境為遠端配電盤發生故障，同時另一個系統元件進入維護模式，此時模擬可呈現整體設施是否仍能維持既有的備援架構（如 N+1），以及為確保該備援能力所需限制的 IT 用電量。

這些輸出結果能在系統正式運作前，為工作負載排程規則、功耗上限設定或降頻策略提供決策依據。ETAP 的電氣數位孿生功能支援先進的電氣系統設計與模擬、動態假設情境（What-if）分析、即時電氣基礎設施效能追蹤、能源效率最佳化、預測性保養，以及依據用電量規劃基礎設施。

模擬可在採購或建置前，透過測試新一代 GPU 平台的導入情境，評估電力、散熱與結構層面的影響。實際應用中，可在模型中選定特定機架位置，並套用未來更高密度且重量更高的硬體平台，進一步分析地板承重能力、管路尺寸、冷卻迴路以及電力基礎設施是否能支撐此升級。

這一點極為關鍵，原因在於 AI 算力工廠的硬體汰換節奏遠比一般機房更為迅速，且次世代機櫃架構將可能徹底改變承載重量、廢熱排放量、配管管徑、冷卻水流量需求以及整體的用電密度。

隨著 AI 基礎設施複雜度與投資成本持續提升，模擬正逐漸成為實務上的必要條件，而非單純的進階選項。當高價值運算機架因為對散熱、電力或備援能力缺乏信心，而只能以 90% 的負載運轉時，實際上代表企業在最具價值的資產上犧牲了可產出的 token 能力。

AI 工廠之所以需要導入模擬，是因為設施設計、工作負載行為以及 資源利用效率 三者之間高度耦合。透過 ETAP 電力模擬、CFD 分析、即時遙測資料以及視覺化假設情境，營運團隊能在設計與建置階段即驗證各項條件，確保 AI 工廠能在接近極限的運作狀態下仍維持安全與穩定。此外，以 OpenUSD 為基礎的數位孿生技術，亦可進一步解決資料與工具分散的問題，實現跨設計、建置與營運階段的系統級整合與決策能力。