给液冷 GPU 云用的冷却液可靠性控制平面——在污染拖垮机架前，先把维护动作排好。

1. 单次冷却液事故的代价已经高到足以拿到直接运营预算，因为一条受污染的回路就可能让承载收入的机架停摆，并烧掉数百万美元。
2. 在线光谱仪让冷却液健康度变成连续可见的数据，这才给软件提前给出处置建议打下底座，而不是等故障肉眼可见后再补救。
3. 同一套遥测现在不只会抓细菌，还能发现泵磨损和密封老化，于是切口能从监测往完整维护决策扩。
4. Omen 已经点名 12 家数据中心客户，其中包括 TensorWave，这说明早期客户群已经成形，不再只是单个实验性部署。

催化因素。 Omen 的融资、12 家客户进展，以及“污染会让机架停摆 5–6 小时”的说法，都说明液冷化学状态已经从设施细节跨进了有预算的 GPU 可用性风险。

先做一套中立的冷却液可靠性控制平面，压在传感器、CDU 遥测和维护工单之上。产品会给每条回路、每个机架分区和每一批冷却液建数字护照，再把异常信号翻成具体动作：该补药、该隔离、该冲洗、该换件，还是该排一个计划内维护窗口。系统还会判断最可能的故障模式、谁该批准这次响应，以及这起事故是不是该转成质保或供应商质量索赔。时间一长，平台会学会不同回路设计下，哪些化学信号和处置步骤真的能把停机挡住，让运营团队不再每次都拉应急战情室。

差异化。 传感器厂商和冷却 OEM 要么只露出测量值，要么卖和单一回路设计绑定的硬件；但采购方真正缺的是一层中立系统，能告诉他们该冲洗、隔离、加药、换件，还是把事情升级成质保索赔。通用 DCIM 事后能看到温度和告警，却不会跨混合机群去推理冷却液化学状态、故障模式和维护经济账。真正的护城河，是一套跨站点数据集：把流体特征、处置动作、供应商组合和停机结果一条条连起来。

待完成任务

flowchart LR
  Buyer[GPU cloud ops leader] --> Pain[Contamination or wear can idle revenue-critical racks]
  Pain --> Product[Coolant reliability control plane]
  Product --> Outcome[Planned maintenance and higher GPU uptime]

高管要点

• 冷却液健康度正在变成单独预算项，不再只是设施侧的小麻烦：Omen 说，细菌污染会逼出 5–6 小时机架停机；ITIC 给出的更广义基准则是，90% 的中大型企业认为每小时停机成本超过 $300k [1][40]。
• 液冷已经从试点走到设计标准：TrendForce 预计 AI 数据中心液冷渗透率会从 2024 年的 14% 跳到 2025 年的 33%；JLL 说，AI 训练机房已把单机架功率推到 40–100+ kW；Equinix 也在 45+ 个都会区的 100 多个 IBX 扩直触式液冷能力 [4][7][55]。
• 竞争缺口不在感知本身，而在中立决策层：Ecolab、Pyxis、Schneider、Danfoss 和 Accelsius 都覆盖了监测或热管理硬件，但没有谁公开拿下跨供应商处置逻辑，以及可用于质保的事故记录 [14][27][31][41][45][49][50]。
• 执行风险确实存在：Schneider、OCP、ASHRAE 和 Uptime 都在提醒，混合供应商回路的规范差异、可维护性取舍，以及主动冷却液质量控制，都会让 DLC 的运营复杂度长期高于成熟空冷 [15][22][23][26]。

市场定义

面向液冷 AI 数据中心的中立冷却液可靠性软件：一层压在 CDU、化学传感器和维护工单之上的控制层，把冷却液健康度和污染信号翻成直触式液冷及相邻液冷系统的处置决策 [4][6][14][21][45][49]。

用户与买方

滩头采购方，是 AI 云和托管数据中心运营商里 VP 或总监级的数据中心运营 / 可靠性团队；他们正在上线 5–20+ MW 的机房块，单机架密度往 50–100 kW+ 走，而且可用性预期已经写进对外承诺里 [9][12][55][56][58]。

购买触发点

• AI 机房新上线或改造后，机架功率冲到 40–100+ kW，液冷已经躲不开。 [4][7][9][14]
• 部署里混入多家供应商后，质保口径、回路隔离规则和维护协议开始变得说不清。 [15][22][26]
• 一旦出现污染、pH 漂移或颗粒物事件，团队会立刻发现：人工取样对在线 AI 算力来说太慢了。 [1][27][36][49]

支付意愿

只要一场冷却液相关事故就会让机架停摆 5–6 小时，而企业停机成本又普遍超过每小时 $300k，那么在 5–20+ MW 的 AI 站点里，单独列出一笔六位数年费可靠性预算就讲得通——哪怕公司还没开始全机群铺开 [1][9][40]。 [1][9][40]

品类动态

增长信号 31.7% CAGR

验证信号

• Omen 说，它的传感器已经部署在管理 10–14 GW 容量的数据中心客户里。
• Equinix 计划在 45+ 个都会区的 100 多个 IBX 里支持直触式液冷。
• NTT 表示，企业在 2024 年为 200+ MW 的 AI 部署选用了其液冷 AI 就绪站点。
• Ecolab 已经发布直触式冷却液健康监测产品，并带性能洞察、现场服务和实验室支持。
• Accelsius 背后站着 Johnson Controls 和 Legrand，也已经有在线实验室和参考部署。

监管与技术约束

• CDU 应该把设施水系统（FWS）和技术冷却系统（TCS）隔开，而且要主动做冷却液质量与过滤监测，不能只靠“回路自己会稳定”。
• 混合供应商回路必须把温度、压力、流量和维护协议逐条对齐；Schneider 甚至建议，一旦要求不一致，就按服务器型号把 TCS 回路分开。
• 铜冷板和多金属微通道系统，对腐蚀、颗粒侵入和生物污染都很敏感；只要化学状态跑出控制带，退化就会加速。
• 围绕 PUE 和 WUE 的压力只会变大，所以温液、闭环或低水耗架构，会在选址和供应商选择里越来越重要。

竞争大致分成三层：监测创业公司（Omen、Pyxis）、化学与水处理现有厂商（Ecolab、ChemTreat、Dow、Veolia），以及冷却 OEM / 平台厂商（Schneider、Danfoss、Johnson Controls、Accelsius）。这中间仍留着一层空白：能跨混合回路做中立编排，并产出可用于质保的证据，而不是再给买方一个传感器看板 [2][27][31][32][41][45][46][49][50][51]。

为什么现有厂商不会默认胜出

• 冷却 OEM. 他们卖 CDU、歧管和参考设计，但混合供应商机房仍需要一套中立规则来处理回路隔离、质保对齐和跨硬件升级；没有哪家 OEM 能从头到尾把这层全部接住。
• 水处理现有厂商. Ecolab、ChemTreat、Veolia 和 Dow 的化学能力与现场服务都很强，但它们的产品核心仍是处理方案和检测服务，而不是把整座 AI 机房的机架级维护编排起来。
• 云与托管数据中心运营商. 大运营商当然能自己做内部工具，但大量 AI 部署仍发生在第三方托管数据中心和新型云服务商环境里；这里的买方更想要中立的运营证据，而不是再被某一家平台绑定。
• 通用 DCIM / BMS 工具. 现有基础设施工具能吃告警和遥测，但 Pyxis 和 Ecolab 的新产品都在说明，冷却液化学状态需要自己的一套参数、分析逻辑和告警模型，不是通用监测顺手就能带上的。

冷却液可靠性控制平面，最该先卖给北美 GPU 云和 AI 托管数据中心运营商：他们已经在直触式液冷机房里对外承诺可用性 SLA，却还得跨泵、CDU、歧管和冷却液供应商协调维护。痛点既具体又昂贵：Omen 说，细菌污染会逼出 5–6 小时的机架停机；更广义的停机基准也说明，财务敞口已经大到足以单独批一笔运营软件预算。最理想的首批客户，是正在上线第二个液冷机房、或刚把多家供应商混进同一园区的数据中心运营 VP 团队，因为这正是职责断层和质保归责最容易失控的时候。MVP 应该先吃现有 CDU、化学、BMS/DCIM 和工单数据，给每条回路建护照、给回路健康打分、推荐由人批准的处置动作，并自动整理成可用于质保的事故记录。第一阶段要刻意不碰传感器硬件，也不去替代 DCIM；真正的切口，是跨混合机群做决策和证据，而不是再做一个遥测看板。按研究测算，TAM 约 $300.0M，滩头 SAM 约 $36.3M；如果公司在第 3 年签下大约 12 个机房，再往横向对标、投运支持和保险 / 贷款方报告扩，SOM 可做到 $3.0M。最大的战略上行空间，在于每次部署都会沉淀一套专有数据：化学特征、供应商组合、处置动作和停机结果会越积越厚。最悬而未决的问题，是事故到底有多频繁、预算归谁，以及在不加新硬件的前提下，现有遥测究竟够不够用；所以前 12 个月必须证明，软件先行的部署真能跑通，也真能换来六位数年费合同。

问题

• 冷却液污染、pH 漂移、泵磨损和密封老化，会在直触式回路里一路累积，直到运营方被迫面对紧急机架冲洗，或持续数小时的停机，以及随之而来的 GPU 收入和 SLA 风险。
• 多数团队今天还在靠人工取样、OEM 服务手册、电子表格和通用 BMS / DCIM 告警来管这件事，所以混合供应商环境里始终缺一套中立系统，能真正拍板该怎么介入，也能把质保证据记完整。

解决方案

• 做一套中立控制平面，吃进 CDU 遥测、冷却液化学数据、维护日志和厂商规范，给每条回路打健康分，并推荐下一步动作。
• 先把人留在环里：从建议、回路护照、升级流程和事故证据包做起；只有等工作流被信任之后，再往全机群横向对标、投运支持和外部报告扩。

为什么我们会赢

• 冷却 OEM、化学供应商和监测创业公司要么卖硬件，要么露数据；但采购方真正缺的，仍是一套跨供应商的主记录系统，能把处置逻辑、质保口径和事故后证据串在一起。
• 每次部署都会把化学特征、供应商组合、处置步骤和停机结果沉淀成专有数据；这套可靠性数据集，比单一传感器数据流更难被替代。

里程碑

flowchart LR
  Wedge[One hall coolant reliability wedge] --> MVP[Loop passport and action engine]
  MVP --> Proof[Prevented incidents and evidence]
  Proof --> Expansion[Fleet governance and benchmarking]

创始团队

实验路线图

风险评估

必须成立的条件

• 在前 10 个合格的 GPU 云或 AI 托管线索里，至少有 3 个会在发生灾难性停机之前，就愿意为单机房试点付费。
• 前 3 个试点里，至少能把“告警到动作获批”的时间砍掉 50%，或证明一次被避免的紧急冲洗 / 停机。
• 至少一半的合格试点站点，能只靠现有 CDU、化学、BMS/DCIM 和工单数据把 MVP 跑起来，不必加专有硬件。
• 只要试点证据交出来，VP 或 COO 级负责人就能在 6–9 个月周期里拍下六位数年费合同。
• OEM 和化学服务伙伴会愿意接入这层中立证据层，而不是封数据口，或坚持把整个工作流收回自己手里。

待尽调问题

• 未来 12 个月里，到底有多少目标运营商会投运第二个液冷机房，而且符合混合供应商画像？
• 今天在新型云服务商和 AI 托管运营商里，冷却液事故预算和审批权究竟归谁？
• 在线站点里，有多少已经具备足够遥测，能支持软件先行部署？
• 哪些事故真的会引出值得做成产品的质保追偿或供应商争议？
• 采购方更偏好直接签软件合同，还是通过冷却 OEM / 化学服务伙伴采购？

模型合理性

• 收入引擎. 基线收入，来自已签约机房从 Y1 末 3 个、爬到 Q4Y2 的 8 个，再到 Y3 的 12 个；每个机房年收入约 $250K。
• 必须跑顺的地方. 这套计划必须让付费试点按时转正，并顺势拿下第二机房扩张，因为资金模型里大部分爬坡都压在 Y2。
• 模型会在哪些地方断. 如果销售周期拉到 12 个月，或部署最终变成重硬件，下行情形就会滑向更深的现金低点，并需要更大的后续融资。
• 下一轮证明点. 这一轮种子轮，目标是在大约 18 个月内做到 5 个已签约机房、2 个年度转正、可复制集成，以及 1 条在线伙伴渠道。

情景

敏感性

flowchart LR
  CommissioningTrigger --> PaidPilot
  PaidPilot --> ContractedHall
  ContractedHall --> Revenue
  Revenue --> GrossProfit
  GrossProfit --> Cash
  ContractedHall --> BenchmarkingExpansion
  BenchmarkingExpansion --> Revenue

警示项: 模型成立的前提，是软件先行部署真的跑得通；一旦变成必须上硬件，或大量依赖实验室 / 现场服务，毛利率和资金需求都会受压。 · 收入集中度依然很高，因为 12 个机房大概率也只对应 8–10 家运营商；一单扩容推迟，就会明显拖动全年结果。 · LTV/CAC 看起来很漂亮，但客户流失率仍只是启发式假设；这个品类太新，公开市场还没有冷却液可靠性软件的留存数据。 · 本轮融资额刻意取在商业计划区间的下沿，而且假设试点都能保持付费，不会滑成免费共创项目。

• OEM 打包. 冷却 OEM 或传感器厂商，可能会把足够多的工作流软件一起打包进去，让独立控制平面更难卖。 缓解措施: 坚持中立、先把混合机群的跨厂商集成跑通，并抢下任何单一 OEM 都很难可信管理的质保与维护决策工作流。
• 遥测碎片化. 早期客户的传感器覆盖、人工日志和维护数据可能参差不齐，自动化建议的上限会被拖住。 缓解措施: 先支持轻量 CSV 和工单导入，把人工复核的处置手册留在环里，先用事故协同证明价值，再谈完全自治。
• 液冷渗透节奏参差. 部分 AI 站点采用液冷的速度可能比预期慢，早期市场就会比模型里更窄。 缓解措施: 先盯住已经背着可用性 SLA 上线液冷机房的 GPU 云和 AI 托管运营商，再拿这些客户做案例，等品类成熟后往外扩。