一句话定义：温度墙（Thermal Wall）是芯片能承受的温度上限；降频（Throttling）是芯片接近这个上限时主动降低运行频率，用性能换安全。
打个比方。你在跑步机上冲刺，跑到某个体感极限，身体会自动让你慢下来——不是你不想跑，是再快就要伤了。芯片也是这样：GPU、CPU 里都埋着温度传感器（常见说法是结温，即芯片内部最热那一点的温度），一旦读数逼近设定上限，固件（firmware）就会下调核心频率和电压，甚至暂停部分计算单元。这个上限就是"墙"，撞墙后的减速就是降频。等温度回落，频率再慢慢爬回去。整个过程是硬件和固件的自动行为，操作系统和你的训练脚本未必参与。
为什么训练里特别明显？因为大模型训练是持续满载的负载，不像打游戏有场景切换、有间隙喘口气。几十上百张卡挤在一个机柜里，热量互相叠加，风冷机房一旦进风温度偏高、风道有遮挡、防尘网积灰，散热能力就打了折。表现就是从某个时间点开始，每秒处理的样本数（throughput）阶梯式下滑，loss 曲线本身没坏，但"每步耗时"悄悄变长。很多人第一反应是"代码是不是退化了""是不是数据加载器（DataLoader）卡了"，其实看一眼 GPU 温度和功耗墙指标就能分辨。
温度墙和几个相邻概念容易混：
| 概念 | 触发原因 | 典型表现 |
|---|---|---|
| 温度墙降频 | 芯片过热 | 频率随温度波动，功耗可能不降反升 |
| 功耗墙（Power Limit） | 超出整卡/整机功耗预算 | 频率被钉在某个值，温度反而不高 |
| 内存墙（Memory Wall） | 显存带宽或容量不够 | 算力利用率低，但频率温度都正常 |
| 热失控（Thermal Runaway） | 散热彻底失效 | 极端情况下直接关机保护 |
区别的关键在"看什么指标"：降频看温度曲线和频率曲线是否反相关；功耗墙看是否长期贴着功耗上限跑；内存墙看显存占用和带宽利用率。三者可以同时存在，排查时要分开确认。
对从业者的实际意义有三点。第一，评估训练时长和成本时，别按峰值算力线性外推，风冷机器长时间满载的有效算力往往明显低于标称，做容量规划要留余量。第二，遇到"跑到一半变慢"，先按散热链路排查：机房温度、机柜进出风、风扇转速、防尘网、导热硅脂老化、卡间间距，再怀疑代码。第三，工程上可控的手段包括限制功率上限（牺牲一点峰值换稳定）、调整风扇曲线（更吵但更凉）、错峰调度、把长任务拆段并留冷却间隙。具体阈值和调参接口各家硬件不同，以厂商官方文档和监控页面为准。
普通人可以记住一句话：手机玩游戏发烫变卡、笔记本导出视频越导越慢，都是同一个机制。硬件不会硬扛，它选择活着。