作为一名运维老鸟，上周帮客户去新建的智算中心做上线前的巡检，刚推开机房门的那一刻我愣了足足三秒。

没有了熟悉的、震得人耳膜发疼的风扇轰鸣声，不用像以前一样进门先摸口袋里的耳塞；没有了一排排对着机柜吹的精密空调，连地面都比以前干净了太多，我做了10年数据中心运维，差点没认出来这是个机房。

回来之后我感慨了好久，原来不知不觉间，我们这行早就不是当年那个“换滤网、拍服务器、半夜被叫起来救火”的样子了。尤其是液冷时代来了之后，从配电到空调，从监控到应急，整套运维逻辑都翻了个篇。

今天就跟大家掰扯掰扯，这10年里，我们天天打交道的那些基础运维，到底变了多少。

高低压配电：从 “小电流粗放巡检”到“高电压精细管控”

10年前我刚入行的时候，师傅带我做配电巡检，教的最多的就是“看三相平不平，电流有没有超”。

那时候传统IDC的机柜，单机柜功率顶天了3~10kW，一个机柜的电流也就十几二十安，配电系统的压力很小。我们日常巡检，就是看看配电柜上的仪表，用红外枪扫一下接头的温度，只要不超温、三相平衡，基本就没什么问题。那时候的安全规范也没那么严，有时候还能直接伸手去摸一下电缆的温度，判断有没有异常。

现在呢？液冷机房的单机柜功率直接干到了15-50kW，部分AI训练集群甚至能到100kW以上，电流直接翻了好几倍。以前我们见的最多的是48V或者220V，现在直接上800V，安全风险完全不是一个量级。

现在的配电巡检，再也不是看看仪表那么简单了：

l  以前一月一次的红外测温，现在变成了每周一次，而且要重点测母排、插接箱的接头——大电流下一点点接触电阻，都能引发过热起火；

l  以前的绝缘测试一年做一次就行，现在半年就要做一次，而且要重点测高压回路的绝缘性能；

说白了，以前的配电是“够用就行”，现在的配电，是要扛得住高密度的算力冲击，一点都马虎不得。

柴油发电机组：从 “备用救火” 到 “主力保障”

说起发电机组，我印象最深的就是以前的月度测试：每月拉起来空转10分钟，看看机油、燃油够不够，一年做一次带载测试，就算交差了。

那时候发电机组就是个“救火队员”，只有市电断了才会用上，平时基本就是个摆设。我们对它的要求也低，只要能在15秒内启动，撑到市电恢复就行，至于瞬态响应、电压稳定性，没人太在意——反正就算有点波动，后端有UPS撑着，传统服务器也扛得住。

液冷时代完全不一样了。

首先是负载，以前整个机房的IT负载可能也就几千kW，现在一个液冷区域的负载就上万kW，发电机组的容量直接翻了好几倍。其次是要求，液冷机房的发电机组，标准直接提升了好几个级别——这是什么概念？就是负载突然从0跳到100%的时候，电压波动不能超过±20%，频率波动不能超过±10%，而且要在1秒内恢复稳定。

为什么要求这么高？因为AI集群的负载波动太夸张了，而且一旦断电，不仅服务器不能停，给服务器散热的 CDU（冷量分配单元）也不能停——要是冷却液突然断了，几十度的芯片几分钟就能烧穿。

现在的发电机组维护，跟以前比完全是两个活：

l  以前的带载测试测50%就行，现在要测到80%，甚至100%，就是为了验证满负载下的稳定性；

l  以前储油只要够满载跑8小时，现在要够24小时，而且还需要有可靠的自动补油装置，就怕极端情况下市电断的久，高密负载油耗快，不能半路没油；

l  以前每月空载跑10分钟，现在要每个季度全流程带载测试，就是为了防止机组长期空载，缸体积碳，真出事了启动不起来。

l  这个曾经的“备用件”，现在成了整个机房的生命线。

UPS系统：从“只管IT供电”到“冷电联动保障”

UPS 的变化，可能是最容易被忽略的。

以前我们做UPS维护，逻辑很简单：给 IT 设备供电，市电断了的时候，撑个15分钟，等发电机启动就行。日常维护就是测测电池内阻，季度做个15分钟的放电测试，看看电池衰减了没有，只要负载率在40-60%之间，就万事大吉。

那时候我们甚至有个不成文的规矩：空调、水泵这些负载，别往UPS上接，占容量，浪费。反正就算断电了，空调停一会没事，服务器撑 15 分钟没问题。

现在呢？液冷时代的UPS，是“冷电一体化”的。

刚才说了，液冷机房里，CDU是服务器的命根子——服务器靠冷却液散热，要是CDU断电了，哪怕服务器还在转，几分钟之内温度就能干到90度，直接宕机。所以现在的UPS，不仅要给服务器供电，还要给CDU、水泵、甚至漏液检测系统供电，一个都不能少。

而且现在的UPS，很多都换成了800V高压直流的，容量比以前大了一倍都不止。以前的UPS带个几十kW就顶天了，现在的 UPS，单机就能带几百kW，而且负载率能跑到70-80%，效率比以前高了不少。

现在的UPS维护，也多了好多新内容：

l  以前放电测试只测服务器的续航，现在要连CDU一起测，模拟断电的时候，冷电系统能不能一起撑到发电机启动；

l  以前电池一年校准一次就行，现在每个季度就要浅校准一次，高负载下电池衰减快太多了，晚了都发现不了；

l  还要定期做联动测试：市电断了之后，UPS能不能在10ms内切换，CDU能不能无缝跟上，会不会因为切换的波动，导致冷却液流量波动，影响服务器温度。

以前的UPS是“给服务器续命”，现在的UPS，是给整个散热系统续命。

制冷系统：从 “风冷洗滤网” 到 “液冷管水质”

这个应该是变化最大的部分，没有之一。

我刚入行的时候，制冷运维的活，说出来大家可能都不信：每月洗一次滤网，季度清一次冷凝器。就这三样，翻来覆去做。那时候的风冷精密空调，结构简单，坏了无非就是风机坏了、压缩机坏了，换个件就行。巡检的时候摸一下空调的进出风温度，看看有没有报警，就完事了。

那时候机房的噪音，全是这些空调和服务器风扇搞出来的，进机房待一小时，出来耳朵嗡嗡响半天。

现在液冷机房的制冷运维，完全是另一个世界。

首先是设备变了：没有了密密麻麻的精密空调，换成了 CDU（冷量分配单元）和闭式冷却塔。冷却液在封闭的管路里循环，  把服务器的热量带出来，通过冷却塔散出去。

这套系统的运维，跟以前的风冷完全不搭边：

l  再也不用洗滤网了，改成了定期测冷却液的水质：电导率、PH 值、浊度，每个月都要测 —— 要是电导率高了，说明冷却液导电了，万一漏了就会烧服务器；要是 PH 值不对，管路就会腐蚀，用不了两年就漏了；

l  以前最怕空调漏水，现在最怕管路漏液。以前处理漏水拿个拖把就行，现在漏了液，要先关阀门，然后测冷却液的损耗，还要排查漏点，一套流程下来比以前复杂 10 倍；

l  以前空调的维护要停机，现在 CDU 的过滤器、水泵，都能在线维护 —— 主泵坏了，备泵马上顶上去，过滤器要换，开旁通就行，完全不用停服务器，这在以前想都不敢想；

l  还有补液，以前风冷根本没这个说法，现在液冷系统一年要补 1-2 次冷却液，因为系统会有微量的损耗，补的时候还要测水质，不能随便加自来水。

最爽的是噪音，现在液冷机房的噪音不到 30dB，进去之后跟办公室一样，说话不用喊，巡检完了耳朵也不疼了，我第一次进去的时候，差点以为自己进了个假机房。

动环监控：从“事后告警”到“事前预判”

最后说说动环监控，这个东西的变化，其实是最能体现运维逻辑变化的。

10年前的动环监控，是什么样的？就是个 “报警器”：温度超过30度告警，湿度超过80%告警，市电断了告警，UPS故障告警。所有的告警都是“事后”的——等问题已经发生了，才告诉你“出事了，快来修”。

我们那时候的工作，就是盯着这些告警，半夜收到告警，爬起来去机房救火，天天跟个消防员一样。

现在的动环监控，早就不是这样了。

首先是监控的内容多了太多：

l  以前只监控温湿度、烟感、市电、UPS 状态，现在还要加：漏液传感器的状态、冷却液的流量、压力、进出液温度、CDU 的运行参数、甚至冷却液的电导率，几十个新的监控点，比以前多了一倍都不止；

l  以前的告警是 “阈值告警”，现在是AI预测告警。比如以前是温度到了35度才告警，现在AI会看过去一周的温度趋势，发现温度每天涨0.1度，提前一周就告诉你“这个机柜的冷量有点不够，要调整了”，等你调整完，根本就不会有告警；

l  还有数字孪生，现在的动环，能把整个机房1:1映射到系统里，你在电脑上就能看到每个机柜的温度、每个管路的流量，甚至能模拟 “要是这个CDU坏了，会影响哪些机柜”，提前做预案。以前出了问题，要跑遍整个机房找故障点，现在在系统上点一下，就知道问题在哪，几分钟就能定位。

现在的运维，早就不是 “出事了再救火” 了，而是 “把问题掐灭在萌芽里”。

为了方便大家快速对比，我把传统数据中心和智算中心的核心区别整理成了表格：

写在最后：我们的经验，从来都不是白来的

写完这些，我突然想起刚入行的时候，师傅跟我说：“咱们运维这行，就是靠经验吃饭，干的越久，越值钱。”

那时候我还担心，现在技术更新这么快，我们以前的经验会不会没用了？就像这次去液冷机房，我一开始还怕自己跟不上，会不会被淘汰了？

后来我才发现，以前的经验不是没用了，是升级了。以前我们管风冷的经验，让我们知道怎么控温、怎么保障稳定；以前我们管配电的经验，让我们知道怎么管高电压、大电流的安全；以前我们救火的经验，让我们知道怎么提前预判问题、怎么把故障的影响降到最低。

变的只是工具，只是技术，不变的是我们守护数据中心稳定的那颗心。这一行，永远有新的东西要学，永远有新的挑战要面对，这不就是我们做运维的乐趣吗？