Phaidra

一句話總評

Phaidra 是 DeepMind 那套「用強化學習控制資料中心冷卻」的技術終於變成可以買的產品——而且在 AI 資料中心暴衝的 2026 年，它挑的時機好得驚人。

它到底是什麼

用強化學習控制代理來管理資料中心冷卻的 AI 平台。2019 年創立，創辦人是執行長 Jim Gao、Vedavyas Panneershelvam 與 Katherine Hoffman，團隊背景橫跨 Google 與 DeepMind 的基礎設施、AlphaGo 工程與工業控制——Jim Gao 正是當年 DeepMind 替 Google 資料中心省下大量冷卻電力那個專案的核心人物。

它 2026 年的主力產品是液冷代理。技術路徑很有意思：它不等溫度感測器回報再調整，而是用機櫃的功耗量測去「預測」熱量即將產生，提前調整冷卻液分配單元。這解決的是一個很具體的物理問題——GPU 工作負載變化極快，而傳統冷卻系統的溫度回饋有明顯延遲，等到偵測到熱了，已經來不及。

官方在 2026 年的生產環境測試中回報：在突發負載爬升時，熱過衝（thermal overshoot）比最佳調校過的 PID 控制低 75 到 80%，反應延遲低於 10 秒。

誰該用它

AI 資料中心與大型主機代管業者。2026 年的客戶名單相當有說服力：Phaidra 與 CoreWeave 正在 CoreWeave 的液冷機隊上擴大部署；Digital Realty 在北維吉尼亞的 IAD51 資料中心部署 Phaidra 平台，Nvidia 是該站點客戶；新加坡的 ST Telemedia 也宣布要在資料中心導入。Applied Digital 則參與了液冷策略的測試與部署。

不適用的是傳統的中小型機房——這套東西的價值來自 GPU 負載的劇烈波動，一般伺服器機房的熱負載平穩得多，投報率出不來。

優點

• 用功耗預測熱量而非等溫度回饋，正面解決 GPU 負載劇變的物理延遲問題
• 熱過衝降低 75 到 80%、反應延遲低於 10 秒，是有具體數字的生產環境數據
• 團隊來自 DeepMind 與 AlphaGo 工程，這個題目他們做了十年以上
• CoreWeave、Digital Realty、ST Telemedia 等客戶都是實際佈建，不是概念驗證

缺點

• 目標市場極窄——只有 GPU 密集的 AI 資料中心才划算
• 效能數字來自官方回報，缺乏獨立第三方驗證
• 讓 AI 直接控制冷卻系統是高風險決策，失效模式與人工接管機制必須談清楚
• 未公開定價，且導入需與既有的樓宇管理系統深度整合

替代方案

EkkoSense 走的是熱點可視化與優化建議，人仍在迴圈中；Hyperview 偏 DCIM 資產與環境監控。這兩者跟 Phaidra 不完全是替代關係——它們告訴你哪裡有問題，Phaidra 直接動手調。想要漸進導入的話，先用可視化工具建立基準數字，再談要不要讓 AI 接管控制，這個順序比較安全。

台灣觀點

台灣正在蓋大量 AI 資料中心，這件事跟半導體產業的重要性同一個等級——而電力與冷卻是台灣最現實的瓶頸。

有幾個台灣特有的條件值得講。第一是氣候：台灣高溫高濕，散熱本來就比溫帶國家吃力，冷卻佔資料中心用電的比例更高，優化的絕對值也更大。第二是電力：台灣的供電餘裕本來就緊，資料中心的用電量會直接變成公共議題，能省下的每一度電都有政治意義，不只是成本問題。第三是液冷普及度：台灣的機房液冷改造還在早期，而 Phaidra 的主力產品是液冷代理——沒有液冷，這套東西用不上。

我的建議是，台灣的資料中心業者現在該做的不是急著找 AI 控制，而是先把量測做好：你現在的 PUE 是多少、熱點在哪、負載波動的實際樣貌長怎樣。沒有基準數字，導入任何優化工具都證明不了效益。

評語：這是我看過最「不像 AI 產品」的 AI 產品——沒有聊天介面、沒有生成任何東西，就是把一個物理控制問題做得比 PID 好。台灣談 AI 太常談應用層，這種吃硬底子的題目反而是我們的強項，值得更多人投入。