人工智能（AI）綜合了多種解決問題的方法，例如數學、計算統(tǒng)計、機器學習和預測分析。AI系統(tǒng)通過基于計算機的“神經”網絡來模仿人腦學習并解決問題。這種神經網絡由并行處理器組成，能夠運行復雜的學習任務并執(zhí)行軟件算法。如今的AI還在改革計算架構，以復制模仿人腦的神經網絡。盡管在具有傳統(tǒng)中央處理器（CPU）的服務器上也可以訓練或開發(fā)通用模型，但大多數神經網絡都需要自定義的內置硬件來進行訓練。

圖形處理單元（GPU）和張量處理單元（TPU）是用于加速神經網絡訓練的常見加速器。它們可以處理重復性和密集型計算，但卻異常耗電。例如，早期的AI市場主導者英偉達的DGX-1 GPU超級計算機內置8個Tesla P100 GPU，每個GPU算力達到21.2 TeraFLOP，總共需要3200W的系統(tǒng)總功率。最新一代的DGX-2超級計算機則內置16個Tesla V100 GPU，每個GPU算力達2 petaFLOP，所需系統(tǒng)總功率達到10kW。因此，AI市場將迅速增長以滿足不斷增長的電源需求也就不足為奇了。

電源設計挑戰(zhàn)

AI電源系統(tǒng)設計人員面臨多方面的挑戰(zhàn)。提供千瓦功率是他們的第一個挑戰(zhàn)，而且效率絕對至關重要。要知道，這些計算系統(tǒng)是以全功率運行的復雜負載?；钴S度下降，功率需求也會隨之下降。系統(tǒng)必須在整個電力需求中保持盡可能高的效率。浪費的每一瓦能量都會作為熱量消散，并轉化為數據中心對散熱系統(tǒng)的更高要求，這會增加運營成本以及碳足跡。

空間成本也在不斷上升。現代數據中心都包含成百上千個處理單元，因此設備大小非常重要。減小單個單元的尺寸，就可以在與大型解決方案相同的空間中應用更多設備，從而實現更高的處理能力密度。然而，越小的尺寸越要求極大地提高功率密度，并減小散熱面積。這使得散熱管理成為下一代尖端CPU、GPU和TPU電源設計面臨的重大挑戰(zhàn)之一。

另外，系統(tǒng)復雜性的增加和設計周期的壓縮使設計資源更加緊張。資源大部分被分配給系統(tǒng)關鍵知識產權的開發(fā)，這意味著電源方案相關的電路常常被忽略，直到開發(fā)周期的后期。實際上，我們只需很少的時間，并且可能只需很少的電源設計資源就可以解決上述的挑戰(zhàn)，得到理想的整體電源解決方案，它將是節(jié)省空間的、高效的、可擴展的、靈活的，并且只需要很少的設計工作。

數字控制與模擬控制解決方案

模擬控制解決方案現在已無法應對AI市場中快速增長的電源需求?，F在的電源系統(tǒng)更加智能，它被集成到整體解決方案中，與主CPU/GPU/TPU之間的通信也成為一項設計要求。在為AI市場設計高端電源解決方案時，數字控制解決方案將占據主導。

理想的控制解決方案應當兼容多種產品（例如Intel、AMD、PMBus），并且因可擴展且配置靈活而易于使用。包括MPS在內的很多公司都提供了這類理想的高級控制器（參見表1）。它們提供了廣泛而準確的系統(tǒng)控制，同時提供詳細而精確的監(jiān)測。電壓、電流、頻率和故障監(jiān)測均可在寬范圍內進行配置。工程師可以實時訪問這些監(jiān)測值，以全面了解解決方案的性能。有經驗的工程師還可以通過預測分析來優(yōu)化運行時間，并在需要維修時獲取更多可用數據，從而最大程度地縮短停機時間。

表1：高級控制器vs.模擬和數字控制解決方案

功率級：集成是關鍵

顯而易見，電源解決方案沒有功率級就無法工作，而功率級通常會采用分立式解決方案。 分立式解決方案由驅動器IC和一對外部MOSFET組成，為三芯片解決方案。還有一種方法是將多芯片驅動器-MOSFET（DrMOS）共同封裝到一個IC解決方案中。如前所述，不斷縮小的系統(tǒng)板面積使三芯片解決方案變得不再理想，因為它增加了有限板空間中的組件數量。共同封裝的多芯片解決方案體積更小，所需的組件也更少；不過，其封裝內部的寄生電感仍然很高，這會導致效率的損失，對AI等大功率應用而言也不理想。