性能優化旨在最大化計算吞吐量（如每秒訓練的樣本數或每秒推理的次數），而能效管理則關注在達成特定性能目標的同時，最小化能源消耗。動態電壓與頻率調整（DVFS）： 根據當前計算負載，動態調整CPU/GPU的工作電壓和頻率。在負載較輕時降頻降壓以節省能耗，在負載繁重時提升頻率以保障性能。將大規模模型的訓練任務分發到多個計算節點（伺服器）上協同工作，通過並行化來顯著縮短訓練時間，解決單機記憶體和算力不足的問題。通過降低模型數值表示的精度（量化）或移除模型中不重要的參數（剪枝），來減小模型大小、降低計算和存儲開銷、提升推理速度，同時盡可能保持模型精度。

從數據中心基礎設施層面出發，通過創新的散熱技術和智能的功耗控制策略，系統性降低AI算力集群的總體擁有成本（TCO）和碳排放（PUE），實現環境友好型的“綠色AI”。

相比傳統風冷，液冷散熱效率提升數十倍，允許晶片在更高功率下穩定運行（超頻），同時大幅降低數據中心空調製冷能耗，是實現高密度計算集群的必然選擇。

利用AI進行預測性調控，結合外部環境溫度、電價波動等因素，動態調整製冷系統功率和任務調度策略，實現全局能效最優。綠色計算不是單一技術的應用，而是硬體（晶片、伺服器、散熱）、軟體（調度、監控、框架）、基礎設施（供電、製冷）和運維策略的全面協同。
其最終目標是構建高效、低碳、可持續的算力底座，回應“雙碳”目標，承擔企業的社會責任（ESG）。