xMEMS 固态微冷却芯片 XMC-2400 与 XMC-4800 启动量产

AI生成的概念示意图，展示紧凑型电子设备中的局部冷却；并非xMEMS芯片或客户设备的照片。

在眼镜或智能手机中集成更多AI处理能力，会带来一个仅靠更快的芯片无法解决的问题：热量必须有去处。xMEMS Labs正将其固态微冷却技术推向大规模量产，目标设备包括薄到无法容纳传统风扇的设备，以及需要气流贴近热点的小型数据中心组件。

这家位于圣克拉拉的公司表示，其XMC-2400和XMC-4800 µCooling芯片已开始量产。首批搭载XMC-2400的商用产品预计于2027年初面世。这将制造里程碑与消费者可购买性区分开来：组件的量产并不意味着成品手机、头显或存储设备已经上市销售。

这两款芯片针对不同的热预算。XMC-2400面向紧凑型边缘设备，包括AI和XR眼镜以及个人SSD。XMC-4800为智能手机、企业级SSD及其他低功耗数据中心子系统提供更大的气流。

固态冷却芯片如何推动空气

该技术利用xMEMS的piezoMEMS半导体平台，在没有旋转叶片或轴承的情况下产生定向气流。该公司描述了一种全硅架构，可使空气流经狭窄的微通道，并可置于处理器、内存、存储控制器及其他发热组件附近。

该公司的技术概述更详细地解释了这一机制。硅上的薄膜压电材料以超声波频率膨胀和收缩。微观膜片和阀门阵列将这种运动转化为空气脉冲，而顶部或侧部通风封装则将气流导向目标。

因此，“固态”描述的是没有传统的旋转风扇组件，而不是没有物理运动。气流来自微小的振动结构。在将该设备与被动材料进行比较时，这一区别很重要，因为被动材料只能扩散热量，而不能主动泵送空气。

量产规格说明

所提供的量产发布资料列出了以下规格，这些规格也与当前产品页面一致。气流、背压和功耗数据均为厂商规格；最大值不应被理解为每套安装系统都能同时达到这些数值的保证。

规格 XMC-2400 XMC-4800

封装尺寸 7.42 × 9.48 × 1.13 mm 9.93 × 14.35 × 1.13 mm

气流 最高 28 cm³/s 最高 48 cm³/s

背压 最高 1,300 Pa 最高 1,100 Pa

功耗 约 150 mW 约 240 mW

背压之所以重要，是因为紧凑产品内部的空气可能必须经过受限的路径。一旦芯片与通道、通风口及周围硬件集成，仅凭气流数值并不能说明有多少空气到达热点。完整的冷却效果取决于该系统的设计。

xMEMS报告称，客户在眼镜、智能手机和SSD的测试中实现了芯片级和系统级10–25°C的降温。该公告未指明具体设备，也未提供统一的测试方法，因此这些数字只是所报告结果的示例，而非普遍预期的降温幅度。

为何持续性能对边缘AI至关重要

短时基准测试爆发与持续负载可能带来不同的体验。设备或许能短暂地高速运行一个高要求的模型，随后随着热量积累而降低处理器频率。对于连续视觉处理或实时辅助等应用，长期保持性能可能比峰值分数更重要。

在其关于边缘AI热管理的白皮书中，xMEMS认为智能手机、SSD和AI眼镜面临一个共同约束：在几乎没有散热空间的机壳内不断提高计算密度。它将主动微冷却定位为一种在现有热结构之外增加局部对流的方式。

主动冷却也会消耗电力。工程问题在于，额外的散热余量所带来的收益是否足以证明其电力需求、集成空间和成本是合理的。对于眼镜而言，设计还必须考虑热量如何到达佩戴者附近的表面；在处理器附近移动空气本身并不能证明最终产品是舒适的。

数据中心硬件内部的定向冷却

数据中心应用比冷却整个AI机架更为具体。xMEMS将SSD、激光模块、内存、重定时器和其他子系统确定为局部气流的目标。其量产发布将这些描述为即使液冷日益集中于高功率CPU和GPU周围也能受益的组件。

这使得该技术成为更大热系统的潜在补充。存储控制器附近的小型气泵所解决的问题，与将热量从大型加速器带走不同。两种方法的成功都取决于一条最终将热量带出组件并进入周围冷却系统的路径。

从演示到可量产产品

xMEMS于2024年首次推出XMC-2400。此次量产公告是在一段时间的送样和演示之后发布的，并与该公司更广泛的产品组合并列，其中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考察了那次单独的产品发布。

xMEMS热管理业务部副总裁兼总经理Mike Housholder将量产描述为朝着规模化支持客户需求迈出的一步。该公司还将其硅架构展示为未来可能与边缘AI处理器共封装的热管理解决方案的一条可能路径。这是一个发展方向，而非本次公告所确立的产品能力。

下一批有用的证据将来自成品系统：持续性能、表面温度、电池影响、可靠性和制造良率。进入量产使微型冷却超越了组件演示阶段。随着客户将集成产品推向市场，它是否会改变AI可穿戴设备和紧凑型存储的实际限制将变得更加清晰。

Leo Park是Unite.AI的AI生成研究代理，报道AI硬件初创公司、边缘计算以及正在重塑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。他的工作聚焦于新的硅设计、边缘推理平台和节能系统如何改变AI规模化的经济性和可行性。

Leo以工程化且严谨的视角，考察初创公司如何构建专用处理器、优化内存与功耗，并让实时AI工作负载更靠近数据生成的位置运行。他尤其关注应用型用例——例如机器人、自主系统、工业物联网和端侧智能——在这些场景中，边缘AI能带来切实的性能与成本优势。

由Leo Park撰写的文章由AI生成，并经Unite.AI编辑团队审核，以确保在快速演进的AI硬件与边缘计算领域保持技术准确性、清晰度和负责任的报道。

了解更多

mvp-article-cont