60座规划中的AI数据中心的排放或相当于2400万辆汽车

Google News 本周推送了一项颇具冲击力的说法：规划中的AI数据中心排放的二氧化碳，可能相当于2400万辆燃油汽车。CarBuzz 将这一对比转化为对汽车爱好者极具吸引力的建议。标题似乎暗示：尽管开跑车，因为AI基础设施才是对大气构成更大威胁的因素。

这项基础估算值得关注，但它并不能给任何人发放气候豁免证。它比较的是60座规划中的美国数据中心，与2400万辆平均水平的汽车运行一年所产生的排放。它并不是在比较一辆跑车与一次AI查询、一台服务器，甚至也不是一座设施。

这一差别揭示了真正的冲突。Amazon、Google、Meta 和 Microsoft 希望获得更多计算能力，同时维持雄心勃勃的气候承诺。公用事业公司必须持续满足这类需求，而低碳发电和输电能力往往尚未及时建成。

因此，这并不是汽车与计算机之间的简单竞赛，而是快速建设AI设施与缓慢改造电网之间的较量。这一时间差决定了新建数据中心究竟会加速清洁能源投资，还是延长对天然气和煤炭的依赖。

“2400万辆汽车”这一说法实际衡量的是什么

这一标题描述的是60座未来设施可能带来的年度排放足迹，而不是当下已经进入大气的排放。

《金融时报》的一项分析审视了 Amazon、Google、Meta 和 Microsoft 计划在美国各地建设的60座大型数据中心。根据一份研究摘要，这些设施一旦全面运营，每年可能产生1.015亿公吨二氧化碳。

这一数字假设这些项目获得的电力，反映的是美国近期电力结构的快照。它将预测的用电量换算为相关电力行业排放。因此，该计算同时取决于预测需求和供电电力的碳强度。

该分析通过三种对比表达了1.015亿公吨这一数字。它约等于美国2025年电力行业排放的7%。它也相当于27座燃煤电厂或2400万辆燃油汽车一年的排放。

与汽车的比较大致符合联邦换算数据。美国环境保护署表示，一辆普通乘用车每年排放约4.6公吨二氧化碳。该估算假设年行驶里程为11,500英里，燃油经济性约为每加仑22.2英里。

将这一平均数乘以2400万辆汽车，得出的结果约为1.1亿公吨。该结果与数据中心估算接近，尽管两种计算各自包含不同的假设和取整方式。这一比较传达了规模，却并不意味着两者具有完全相同的环境影响。

车辆排放发生在道路和社区之中。电力行业排放源于发电厂，而数据中心会在其他地点形成高度集中的电力负荷。汽车还会带来制造排放、道路需求、轮胎污染和本次简单年度比较未涵盖的本地尾气排放。

同样，数据中心也不只有运营用电的影响。建设建筑物、制造处理器、生产备用设备以及开发电力基础设施，都会带来隐含排放。用水量和本地空气污染则增加了其他环境维度。

1.015亿吨这一数字同样具有条件性。所有60座设施都必须达到模型设定的运营规模，且假定的发电结构仍须保持相关性。延期、取消、效率提升、更清洁的电力或较低的利用率，都会改变结果。

Google News 将这些限定条件压缩成了一个极易传播的比较。这在新闻聚合中很常见，但这种简化框架可能让一种情景听起来像是已经测得的结果。“可能排放”很容易被记成“将会排放”。

这一区别很重要，因为投资决策仍然可以改变结果。这些设施并不是配有固定油箱的汽车。其排放取决于公用事业公司建设什么、开发商签署哪些能源合同，以及计算工作负荷在何时运行。

因此，这项估算更适合作为警示，而非已成定论的排放清单。它说明了在当前发电结构下满足巨大新增负荷可能带来的后果。它并不能证明每一座拟建设施都会产生其被分配的那部分排放。

跑车的叙事同样制造了一种错误的个人对比。一个人开得更猛，并不会实质抵消或影响一个超大规模项目。两种活动都在各自系统中增加需求，而且不会因为另一种来源更大就变得无害。

严肃的问题不是驾驶者是否可以不再关心，而是科技公司和公用事业公司能否在这些设施全面运营前改变相关假设。

Google News 将这一比较个人化，但决定结果的是电网

AI的碳足迹较少取决于戏剧化的汽车类比，而更多取决于数据中心需求到来时由哪些发电机组作出响应。

现代数据中心包含服务器、网络设备、存储设备、冷却系统、备用电源和电力转换硬件。国际能源署估计，服务器约消耗其电力的60%。冷却可能占7%至30%以上，具体取决于设施设计。

AI工作负荷提高了这种需求的集中程度。加速服务器使用专用处理器进行模型训练和推理，也就是在训练后生成答案。数千枚此类芯片可以协同运行，形成密集且有时快速变化的电力负荷。

国际能源署的全球展望估计，数据中心在2024年消耗了约415太瓦时电力，约占全球用电量的1.5%。此前五年中，其用电量年均增长约12%。

国际能源署在基准情景下预计，到2030年这一数字将达到约945太瓦时。这仍将低于全球电力需求的3%，但地理集中性会带来更尖锐的本地问题。即使全球占比不高，也可能压垮特定变电站、输电走廊或区域电力市场。

美国是最清晰的例子。该机构预计，2024年至2030年间，美国数据中心用电量将增加约240太瓦时，较2024年水平增长约130%。

建设一座数据中心可能需要两到三年。大型输电项目和新建发电厂通常需要更长时间。因此，开发商可能在公用事业公司完成为其供电的更清洁基础设施之前，就已建成计算设施。

于是，公用事业公司会转向那些能够在所需时间窗口内获得许可、融资、设备和并网条件的发电项目。天然气电厂通常比延期的输电项目或新兴核能技术更符合这一运营需求。现有燃煤电厂也可能比原计划更晚退役。

《金融时报》的分析发现，为所审视项目供电的公用事业公司中，四分之三正计划或建设新的燃气发电设施。据报道，17%的公司曾向监管机构表示，某一特定超大规模设施直接推动了新增燃气容量的需求。

该分析称，在已经运营燃煤电厂的公用事业公司中，三分之一正在推迟退役计划。这些决策说明，合同性可再生能源采购并不能说明全部情况。一家公司可以购买清洁能源凭证，但其新增负荷仍可能影响化石燃料发电。

边际发电是指在电力需求增加时作出响应的资源。它的构成会随地点、小时、季节和电网状况而变化。接入清洁电力充足地区的数据中心，其排放足迹可能与接入天然气占比较高电网的同类建筑不同。

持续运行令情况更加复杂。太阳能发电在日落后下降，而许多AI服务仍需全天候可用。风电出力会波动，而当前许多市场中的电池只能覆盖有限时长。

数据中心可以通过将灵活的计算任务转移到更清洁的时段，减少这种错配。模型训练和部分批处理可以容忍调度调整。交互式服务需要更快响应，这限制了运营商能够转移的需求量。

地理灵活性是另一项工具。开发商可以将设施设在低碳电力、输电容量、凉爽气候和充足水资源已具备的地区。然而，延迟要求、税收优惠、土地供应、客户距离和审批流程同样会影响选址。

因此，大气层面的结果来自成千上万项基础设施选择。病毒式传播的汽车比较将这些选择压缩为一个数字。它的价值在于展示这些选择的合计规模，而不是取代背后的分析。

Google News 的读者应将“2400万辆汽车”这一数字视为一个输入参数可调整的情景。电网碳强度、设施完工情况、硬件效率、利用率和工作负荷灵活性都仍是变量。改变其中任何一项，都会改变总量。

Big Tech 的气候承诺如今面临最严峻考验

主要冲突在于 Big Tech 快速扩张AI与其减排承诺之间，而不是AI用户与跑车车主之间。

Amazon、Google、Meta 和 Microsoft 多年来一直表示，清洁能源可以与持续的数字化增长兼容。AI基础设施正在检验这一立场，因为计算需求的增长速度快于许多低碳电力项目接入电网的速度。

Google 展现了这一论点的两面。其2025 Environmental Report称，尽管能源需求上升，数据中心能源排放在2024年仍下降了12%。该公司还签署了涉及超过8吉瓦清洁发电能力的协议。

Google 表示，其 Ironwood 张量处理单元在芯片层面上，每瓦可提供的峰值低精度计算能力，接近其2018年首款 Cloud TPU 的30倍。这一比较并不意味着整个数据中心的能耗减少了30倍。

效率可以降低完成固定计算量所需的电力。然而，更便宜、更强大的计算能力也可能刺激额外需求。企业可能训练更大的模型、服务更多用户、处理更长的上下文，并增加生成式视频或基于智能体的任务。

这种反弹效应并不意味着效率没有意义。如果没有更好的硬件和软件，同样规模的扩张将需要更多电力。但这确实意味着，效率指标不能取代对绝对能源消耗和排放的披露。

这项与《金融时报》相关的分析称，随着基础设施扩张，企业排放正在上升。据报道，Amazon 的总排放量在2024年至2025年间增长了16%。Microsoft 报告增长25%，主要由数据中心基础设施扩张推动。

Alphabet承认，其气候影响正随着 AI 一同增长。该公司还表示，如果没有采取其他脱碳措施，其碳足迹本会扩大至现在的五倍。这两种说法可以同时成立，因为避免排放量和总排放量所描述的基准不同。

这种核算上的张力正是整个故事的核心。企业强调清洁能源合同、高效处理器，以及技术带来的避免排放。批评者则关注绝对排放量、新增化石能源产能、建筑材料，以及发电厂退役的延迟。

任何一种观点都不能仅凭一个指标来判断。基于市场的电力核算会将合同能源采购计入减排，即使设施实际用电发生在不同的时段或不同的电网区域。基于地点的核算则反映用电所在地的平均发电结构。

按小时匹配设定了更严格的标准。它要求设施用电的同一小时、同一地区内有无碳电力可用。要实现这种匹配，需要发电、储能、输电、灵活需求以及稳定低碳资源的组合。

Google一直在推进先进地热发电，并达成了与小型模块化核反应堆相关的协议。其他科技公司也签署了核能、太阳能、风能和碳移除合同。这些项目有助于扩大供应，但许多项目需要多年开发。

天然气基础设施的时间尺度不同。一旦建成，一座电厂可以运行数十年，并通过客户付费收回成本。因此，为应对 AI 需求而采取的短期措施，可能形成长期的排放承诺。

这些公司还拥有普通电力客户所不具备的影响力。超大规模云服务商可以为发电项目融资、协商电价、选择选址，并承诺长期合同。它们可以支持输电项目，或在电网压力时期接受运营限制。

监管机构必须决定由谁承担成本和风险。公用事业公司可能会围绕预测需求建设基础设施，但需求之后可能因芯片性能提升、AI 采用率不及预期或园区取消而发生变化。如果成本分摊失效，居民用户可能面临更高电价。

反过来，科技公司也可以成为新增清洁发电项目的锚定客户。规模大且可靠的买家能够让项目获得融资。若运营商愿意接受中断，或围绕电网条件安排非紧急工作，数据中心也能提供灵活需求。

承诺与现实之间的冲突仍未解决，因为两条路径正在同时展开。大型科技公司正在采购更清洁的能源，而公用事业公司则在增加化石能源产能。最终平衡取决于哪些项目投入运行、接入何处，以及需求如何被管理。

因此，关注 AI 公司的读者应当超越模型基准测试。能源采购、公用事业申报文件、并网协议和绝对排放量，如今都揭示了战略约束。没有可信电力方案的算力计划，是不完整的商业计划。

为什么 AI 排放量比较仍存在不确定性

1.015 亿吨这一估算是可信的警示，但其精确程度超出了任何人对最终项目及其电力供应所能掌握的信息。

该计算涵盖的是 60 个选定设施，而非美国所有数据中心。其中一些仍处于规划阶段，另一些正在开发。它们的最终容量、完工日期、利用率和电力来源，都可能在全面运营前发生变化。

项目公告通常描述园区的最大容量。运营商可以分阶段建设园区、部署更少的服务器，或让设备保持低于最大利用率的状态。随着客户采用新服务，电力需求也可能逐步增长。

在这一建设周期内，硬件变化很快。更高效的加速器可以降低每次计算的能耗。更好的冷却、电力转换、网络和软件可以削减设施开销。较小的模型能够完成部分任务，无需将每个请求都路由至最大的系统。

然而，新的 AI 形态也可能将需求推向相反方向。生成视频通常比生成短文本需要更多计算。推理系统可能在返回一个答案之前执行大量内部计算步骤。自主智能体可以在无需持续人工提示的情况下反复调用工具。

这种不确定性使单一的每次查询估算不够充分。短文本补全、生成一部影片和一项耗时的研究任务，并不是等价单位。数据中心还承担云存储、搜索、广告、企业计算及其他非 AI 工作。

归因又带来了另一个问题。为 AI 优化的建筑仍可能支持传统服务。普通云设施也可能将越来越多的服务器用于 AI。公开报告很少以一致的边界提供工作负载级别的电力和排放数据。

独立研究人员通过直接建模 AI 服务器，得出了更宽泛的区间。一项同行评审评估预测，到 2030 年，美国 AI 服务器每年可能排放 2400 万至 4400 万公吨二氧化碳当量。

这些作者将其估算换算为约 500 万至 1000 万辆汽车，而不是 2400 万辆。一篇方法论批评指出，部分报道将 2400 万公吨误解成了 2400 万辆汽车。

这一批评针对的是后来的 1.015 亿吨分析中的另一项估算。两组数字并不必然矛盾，因为它们考察的项目集合、假设和系统边界不同。但它们同时存在，也说明相邻数字在网络上传播时多么容易被混为一谈。

Google News 可以同时分发两种说法，却不会在标题中解释这些边界。读者可能在同一次搜索中看到 2400 万吨、2400 万辆汽车和 1.015 亿吨。重复出现会让它们看似可以互换，但事实并非如此。

EPA 的平均车辆估算也带来另一个边界问题。其 4.6 吨的数字主要代表尾气二氧化碳排放，并不包括燃料供应链的大部分排放、车辆生产、道路建设及其他环境损害。

数据中心的数字则代表在假定发电结构下，与用电相关的二氧化碳排放。它可能不包括全部建设活动、芯片制造、备用发电、制冷剂或与水相关的影响。要称某一来源“更糟”，需要采用可比较的生命周期边界。

跑车之间的差异也很大。一辆偶尔驾驶的轻量化车型，与一辆每天使用的重型高性能车辆并不相同。2400 万辆汽车的比较采用的是平均乘用车，而不是一支以赛道性能车为主的车队。

这些限制并不会消除潜在风险。估算即使不是预测，仍然可以为决策提供参考。公用事业公司和监管机构必须在完美信息到来前做规划，因为等到每台服务器都开始运行时，可选方案会更少。

负责任的解读应当是有条件的：如果这 60 个项目达到假定规模，并使用类似于建模电网结构的电力，那么它们每年的排放量将极其庞大。更清洁的供应、更高的效率或更低的部署规模，都会降低这一结果。

反过来也成立。如果需求超出预测，或清洁能源项目停滞，新设施的排放可能更高。备用发电机和表后天然气电厂还可能进一步加剧当地影响。

读者应当避免两种相反的错误。第一种是把最高估算视为必然发生。第二种则是利用不确定性否定任何规划的必要性。这两种立场都忽略了政策和投资决策将决定哪一种情景成为现实。

现有证据并不支持人们毫无顾虑地更猛地驾驶跑车。它支持要求以空前速度建设基础设施的公司提供透明数据，包括设施级用电量、每小时碳强度、用水量、建设排放量以及需求管理承诺。

Google News 读者接下来应关注什么

三个信号将决定这一广泛传播的排放估算，究竟会成为改变政策的警示，还是大体成真的预测。

第一个信号是，为主要 AI 园区供电的公用事业公司获批采用何种发电结构。新增天然气电厂、延迟煤电退役和专用现场发电，将强化高排放情景。加速接入可再生能源、储能、地热或核能部署，则会削弱这一情景。

公用事业申报文件尤其值得关注，因为它们将企业公告与实体基础设施联系起来。这些文件显示预测负荷、所需变电站、新增发电能力、电价结构和申请的成本回收。与孤立的清洁能源采购公告相比，这些细节更重要。

监管机构还应披露，某一设施是否承担满足其需求的全部成本。特殊合同可以保护普通用户免受搁置基础设施的影响，也可以要求运营商在供应短缺或建设里程碑未达成时降低用电量。

第二个信号是 Amazon、Alphabet、Meta 和 Microsoft 的绝对排放报告。效率提升最终应放缓或扭转总排放增长。如果尽管芯片性能更好，绝对排放仍持续上升，就意味着扩张中的需求正在超过技术进步。

读者应比较多种核算视角。公司整体排放揭示总体趋势。基于地点的电力排放反映区域电网，而基于市场的数字纳入合同采购。按小时匹配无碳电力则显示清洁供应是否与实际用电相一致。

建设排放值得单独对待。混凝土、钢材、处理器、电气系统和备用设备，都会在设施开始服务用户之前产生碳排放。即使运营电力变得更清洁，快速扩张也可能推高这些排放。

第三个信号是，AI 运营商是否让工作负载具备灵活性。训练运行、数据准备、评估和部分批量推理可以在不同时间或地点之间迁移。灵活性将使数据中心能够吸收富余清洁电力，并在电网压力时期降低需求。

证据应来自运营数据，而不是笼统承诺。公司可以报告其转移了多少需求、哪些工作负载参与其中，以及设施多频繁地响应电网状况。公用事业公司可以核实这些行动是否减少了化石能源发电或基础设施需求。

如果灵活计算仍然罕见，公用事业公司将围绕持续的峰值需求进行规划。这会偏向于任何时段均可用的发电能力，并可能强化新建天然气电厂的商业逻辑。如果灵活性实现规模化，数据中心将更容易被整合进电网。

这三个信号也说明了个人用户能够合理影响什么。避免不必要的高计算强度任务可以减少部分需求，但消费者克制不能替代基础设施政策。最重要的决策涉及园区选址、电力采购、电网投资和透明度。

知识工作者仍然可以对所购买的服务提出更好的问题。企业采购团队可以在安全性、可靠性和性能信息之外，同时索取能源和排放数据。开发者可以选择尺寸合适的模型，而不是默认使用最大容量。

记录这些决策的团队需要能够经受新闻标题变化的证据。可搜索的 AI 知识库可以连接可持续发展报告、公用事业申报文件、模型要求和内部采购记录，从而使后续说法更容易审计。

Google News带来的更深层启示，并不是 AI 已经比开车更糟糕，而是一项大规模基础设施建设计划正与一个无法以软件速度改变的电网发生碰撞。

汽车仍是二氧化碳和本地污染的重要来源。AI 数据中心则代表着另一种不断增长的需求来源。把其中任何一方当作忽视另一方的理由，会让原本有价值的规模比较沦为借口。

2,400 万辆汽车这一数字，反而应促使人们提出一个更严苛的问题：在其规划中的园区开始运营之前，科技公司是否会为足够的清洁、可靠电力提供资金，还是公用事业公司会先锁定更多化石能源发电？

关注公用事业审批、绝对排放量以及经过验证的工作负载灵活性。这些信号将揭示，该行业究竟是在改变模型的假设，还是只是在争论它的标题。