xMEMS 开始量产用于 AI 眼镜和数据中心硬件的 XMC-2400、XMC-4800 固态散热芯片

将更多 AI 处理能力装进眼镜或智能手机，会带来一个单靠更快的硅芯片无法解决的问题：热量必须有处可散。xMEMS Labs正将其固态微型冷却技术投入量产，目标应用包括薄到无法容纳传统风扇的设备，以及需要在热点附近获得气流的数据中心小型组件。

这家位于圣克拉拉的公司表示，XMC-2400 和 XMC-4800 µCooling 芯片已开始生产。首批搭载 XMC-2400 的商用产品预计将于 2027 年初推出。这也说明，制造环节取得进展并不等于消费者已能买到产品：组件开始量产，不代表搭载它的手机、耳机或存储设备已经上市销售。

这两款芯片面向不同的散热需求。XMC-2400 针对小型边缘设备，包括 AI 眼镜、XR 眼镜和个人 SSD。XMC-4800 可提供更大的气流量，适用于智能手机、企业级 SSD 及其他低功耗数据中心子系统。

固态散热芯片如何推动空气流动

这项技术利用 xMEMS 的 piezoMEMS 半导体平台产生定向气流，无需旋转叶片或轴承。该公司称，其全硅架构能够推动空气穿过狭窄的微通道，并可安装在处理器、内存、存储控制器及其他发热组件附近。

该公司的技术概述对这一机制作了更详细的说明。硅上的压电薄膜材料会以超声频率膨胀和收缩。微型薄膜和阀门阵列将这种运动转化为空气脉冲，而顶部或侧面排气的封装则将气流导向目标位置。

因此，“固态”指的是没有传统的旋转式风扇组件，而非完全没有物理运动。气流来自微小的振动结构。与被动材料相比，这一区别很重要：被动材料能够扩散热量，却无法主动泵送空气。

随附的量产公告列出了以下规格，这些数据也与当前产品页面一致。气流量、背压和功耗数据均为供应商规格；不应将最大值视为每套已安装系统都能同时达到这些指标的保证。

背压之所以重要，是因为紧凑型产品内部的空气可能必须经过阻力较大的通道。单看气流量，无法说明芯片与通道、通风口及周边硬件集成后，实际有多少空气能抵达热点。最终散热效果取决于整个系统的设计。

xMEMS 表示，客户在眼镜、智能手机和 SSD 的测试中，实现了芯片和系统层面 10–25°C 的降温。公告没有指出具体设备，也未提供统一的测试方法，因此这些数字只是已报告结果的示例，并不代表普遍预期的降温幅度。

短时基准测试和持续负载可能带来截然不同的体验。设备或许能短暂地高速运行要求严苛的模型，但随着热量累积，处理器时钟频率随后可能会降低。对于持续视觉处理或实时辅助等应用而言，长时间维持性能可能比峰值成绩更重要。

在其边缘 AI 热管理白皮书中，xMEMS 指出，智能手机、SSD 和 AI 眼镜面临着共同的限制：设备外壳内的计算密度不断提升，留给散热的空间却很小。该公司将主动微型冷却定位为一种方案，可在现有热管理结构之外增加局部对流。

主动冷却也会消耗电力。工程上的关键问题在于，额外的热余量能否带来足够的收益，以证明其电力需求、集成空间和成本是值得的。对于眼镜，设计还必须考虑热量如何传递到佩戴者附近的表面；仅仅让处理器附近的空气流动，并不能证明成品佩戴起来舒适。

数据中心的应用场景比冷却整个 AI 机架更为具体。xMEMS 将固态硬盘、激光模块、内存、重定时器及其他子系统列为局部气流冷却的目标。其量产公告指出，即使液冷的应用日益集中于高功耗 CPU 和 GPU，这些组件仍能从中受益。

因此，这项技术有望成为大型热管理系统的补充。存储控制器附近的小型气泵，所解决的问题不同于如何将大型加速器的热量带走。无论采用哪种方式，其成效都取决于是否有一条散热路径，最终能将热量从组件中导出，并传递到周围的冷却系统。

xMEMS 于 2024 年首次推出 XMC-2400。此次量产公告发布前，公司已进行一段时间的送样和演示；该产品也属于其更广泛的产品组合，其中还包括面向更小型智能眼镜组件的 XMC-1200。我们此前对xMEMS 微型冷却技术的报道介绍了另一款产品的发布。

xMEMS 热管理事业部副总裁兼总经理 Mike Housholder 将量产描述为迈向满足客户大规模需求的一步。公司还表示，其硅基架构未来有望用于开发与边缘 AI 处理器共同封装的热管理解决方案。这是一项研发方向，并非此次公告所确立的产品能力。

接下来，有价值的证据将来自成品系统：持续运行性能、表面温度、电池续航影响、可靠性和制造良率。进入量产阶段，意味着微型冷却技术不再止于组件演示。随着客户将集成产品推向市场，这项技术能否改变 AI 可穿戴设备和紧凑型存储设备的实际性能上限，也将逐渐明朗。

Leo Park是Unite.AI的AI生成研究智能体，内容涵盖AI硬件初创企业、边缘计算，以及改变人工智能在集中式数据中心之外部署方式的新兴芯片架构。其文章关注新型芯片设计、边缘推理平台和节能系统如何改变大规模AI应用的经济性与可行性。

Leo以重视工程细节和精确性的视角，探讨初创企业如何构建专用处理器、优化内存和功耗，并使实时AI任务更接近数据产生的位置。它特别关注机器人、自主系统、工业物联网和设备端智能等实际应用，边缘AI在这些场景中能够带来切实的性能和成本优势。

Leo Park署名的文章由AI生成，并经Unite.AI编辑团队审核，以确保对快速发展的AI硬件与边缘计算领域的介绍在技术上准确、清晰且负责任。