AI 数据中心面临散热难题，附近社区正为此付出代价
AI 数据中心正面临散热难题，新的现场测量表明，附近居民在设施围墙之外也能感受到影响。计算设备消耗的每一瓦电力最终都会转化为热量。冷却系统将这些热能转移到室外，从而可能抬升下风向区域的温度。
9 月 23 日发布的 Bloomberg 视频将这一长期被忽视的影响带入了全国 AI 基础设施讨论。电力需求和用水量已是讨论焦点。如今浮现的新担忧是，数据中心消耗这些资源并释放由此产生的热量后，会发生什么。
凤凰城周边的研究如今已将运行中的数据中心与邻近区域可测得的升温联系起来。现有证据仍然有限，但它改变了核心问题。AI 基础设施不仅在与社区争夺电力和水资源，部分设施还在向这些社区输出集中的热负荷。
直接芯片液冷、闭环系统和余热回收等替代方案已经存在。然而，每种方案都面临设计、能源、选址或融资方面的限制。当直接排放热量仍然更便宜时，运营商往往缺乏强烈的经济动机去捕获和利用热量。
这种矛盾界定了下一阶段的建设方向。AI 公司希望提高计算密度，但密度更高的硬件会产生更集中的热量。社区、公用事业机构和监管部门必须决定：排热究竟仍应是一个不可见的运营细节，还是应成为可量化的开发成本。
数据中心热量争议发生了什么变化
研究人员已将讨论从理论热输出转向对社区暴露情况的实测。
数据中心一直都会产生热量。服务器消耗电力来处理、存储和传输信息，随后几乎将全部电能以热能形式释放出来。风扇、泵、冷水机、冷却塔和热交换器会将热量从敏感设备中转移出去。
直到最近，公众审视的重点大多仍是用电和用水。热量通常被视为内部工程问题。运营商测量的是进风温度、机架密度、冷却效率和设备可靠性，而非厂界之外的温度。
Arizona State University 的研究人员考察了另一个问题。他们测量了凤凰城都会区四座运行中数据中心上风侧和下风侧的空气温度。他们的现场测量发现，设施下风向住宅区的空气温度更高。
在部分观测条件下，报告的温差达到约 4 华氏度。这种热影响在距部分设施数百米处仍可检测到。这个距离足以延伸至工业地块之外，进入附近街道、住宅和公共空间。
研究人员将数据中心废热描述为一种新兴的城市热风险。这一表述很重要，因为该研究并非只是对热排放进行建模，而是利用移动测量比较运行中设施不同侧面的环境状况。
这项研究仍是一项初步调查，并非针对全国情况的定论。它仅覆盖一个炎热都会区的四座设施，且测量时段有限。建筑材料、风况、设施设计、周边植被和天气都可能影响测得的温差。
结果也并不证明每座数据中心都会以相同幅度抬升附近气温。被开阔土地环绕的建筑，与毗邻密集住宅区的建筑和环境之间的相互作用会有所不同。冷却技术和运行负荷同样重要。
不过，这些测量结果确立了一种社区不能再仅视为假设的机制。大型计算设施在紧凑的占地范围内集中消耗电力。除非运营商将其捕获并在其他地方利用，否则这些能量便会以热量形式离开场址。
凤凰城让这一机制尤为明显。较高的基础气温本就增加了健康风险和空调需求。即便只是局部温度小幅上升，也可能影响舒适度、电费、户外活动和用水量。
这正是为什么“AI 数据中心面临散热难题”不仅仅是一个标题。它描述的是一个物理能量核算问题。进入设施的能量不会在模型完成训练或回答提示后消失。
热量必须去往某处。
AI 热潮正在增加热负荷
AI 同时推高了数据中心的用电需求，以及冷却系统必须移除的热量集中度。
传统云工作负载本就需要持续冷却。AI 加速器带来了新的挑战，因为许多图形处理单元会以高功率密度协同运行。运营商将这些芯片紧密排列，以减少通信延迟并提升计算性能。
这种布局会形成更热的机架和更集中的热负荷。随着功率密度提高，风冷会变得更加困难，因为空气的携热能力远低于液体。输送足够空气还需要风扇、风道、地面空间和额外电力。
全国规模正在迅速扩大。Lawrence Berkeley National Laboratory 的2025 年更新报告估计，到 2030 年，数据中心的耗电量可能占美国总用电量的 11.8%。其建模区间为 9.5% 至 15.3%。
这些数字涵盖的是广义数据中心，而不只是 AI。不过，该报告的预测纳入了计划中的设备出货量、服务器功率、设施类型和冷却性能。AI 服务器是预期增长的核心来源。
美国能源信息署提供了另一种视角。该机构估计，2025 年服务器占商业部门用电量的 7%。其 2026 年展望预计，由独立数据中心带动的增长仍将持续。
在设施层面，电力需求与热量产生密不可分。持续消耗电力的数据中心会以大致相当的能量规模释放热量。部分能量会通过电气损耗散失，但绝大多数最终会进入周围环境。
冷却并不会消除这些热量。它只是将热量从处理器和内存转移到空气或液体中，然后经由外部设备排出。最终排放可能以暖空气、蒸发水、冷却塔或干冷器的形式发生。
这一差异很容易被忽视。更高效的冷却系统可以减少输送热量所需的额外电力，但无法消除计算产生的热能。
AI 热潮从两个方面加剧了这一问题。首先，它增加了总体计算需求。其次，它推动设施部署异常密集的加速器集群，在有限区域内产生集中的热量。
炎热天气会让运营挑战进一步加剧。冷水机和干冷器必须在更高的室外温度下运行。蒸发冷却可以降低用电量，但会消耗水资源，而社区此时可能已面临用水高峰。
Associated Press 在 2026 年对社区热影响的调查描述了马萨诸塞州 Lowell 的这些叠加压力。居民对附近设施带来的热量、水资源、空气质量、噪音和备用发电机表达了担忧。
运营商表示，Lowell 场址在夏季高峰条件下每日用水约 118,000 加仑。其称该用量仅占全市总用水量的一小部分。居民感受到的负担却发生在社区尺度上。
这种对比十分重要。全国比例看起来或许可以承受，但地方基础设施可能已变得紧张。对居民而言，相关的分母不是美国总发电量或总用水量，而是当地电网、流域、街道和社区的承载能力。
因此，AI 数据中心冷却造成了地理错配。云计算和 AI 服务的经济收益分布于各个市场，而热量、噪音、用水需求和输电建设则集中在特定设施周边。
AI 数据中心之所以面临散热难题，是因为冷却只是在转移热量
核心权衡并非冷却与过热之间的选择，而是热量去往何处、通过何种资源移除，以及由谁承担成本。
风冷服务器利用风扇将热量从组件转移到数据机房空气中。设施设备随后将热量排至室外。这种常见设计具有灵活性，但功率密度极高的 AI 机架可能超出其实际极限。
直接芯片液冷让冷却液靠近处理器及其他高温组件。液体吸热的效率高于空气，因此系统可以支持密度更高的机架。升温后的液体会先经过热交换器，再重新循环。
浸没式冷却将计算设备置于不导电液体中。这种液体可在更大的表面积上吸收热量，并减少对服务器风扇的依赖。运营商仍需要设备将捕获的热量排出建筑物。
这些技术改善了热量收集，却不会自动避免社区升温。闭环系统可以节约用水，同时仍通过干冷器将热量传递给室外空气。它改变的是路径，而不是底层的能量平衡。
Microsoft 提供了一个兼具进展与妥协的有用案例。该公司表示，其闭环设计在系统首次注水后，无需通过蒸发水来冷却。
Microsoft 估计，该设计可让每座符合条件的数据中心每年避免消耗逾 1.25 亿升水。该公司从 2024 年 8 月起开始在此后开发的项目中采用新设计，试点场址计划于稍后投入运营。
该公司也承认存在能源方面的权衡。以机械冷却取代蒸发冷却可能提高电源使用效率，即 PUE。PUE 用于比较设施总用电量与计算设备直接使用的电量。
蒸发能够高效移除热量，因为水在变为水蒸气时会吸收能量。避免这一过程有助于保护当地水资源，但机械设备必须承担更多工作。Microsoft 表示，较高的液体温度和高效冷水机可以限制额外电力消耗。
这正是 AI 数据中心冷却的核心问题。改善一项环境指标可能会恶化另一项。运营商可以节约用水、减少冷却用电、降低本地热排放或提高设备密度，但很少能同时实现所有目标的最优解。
余热再利用提供了一种更完整的答案。设施无需排放升温后的空气或水，而可将捕获的热量输送至区域能源网络。附近建筑随后可将其用于供暖、热水或工业流程。
这一思路在技术上已经可信。数据中心持续产生热量，与许多工业流程相比，这构成了一种稳定的热源。液冷还能以比分散暖空气更易收集的形式传递热量。
然而，大多数服务器热量属于低品位热。其温度通常过低，无法直接用于现有供暖系统。热泵必须提升温度，这会消耗电力并增加设备成本。
需求也随季节变化。数据中心全年产热，而附近住宅可能主要只在冬季需要供暖。制冷负荷最大的温暖地区，反而可能对空间供暖需求最小。
距离带来另一项约束。热量在管道中输送时会贬值，因此经济可行的系统需要设施附近有合适的用户。许多大型数据中心远离人口密集社区或既有区域供热网络。
这造成了一种令人不安的讽刺。将设施设在建筑物附近会提升余热再利用的潜力，但如果再利用始终未能实现，也会让更多人暴露于影响之下。规划必须在建设开始前就将数据中心与热能用户连接起来。
因此，技术替代方案已经具备，但基础设施决定其是否可行。在建筑内部捕获热量只是第一步。还必须有人为管道、热泵、储能、计量、维护和备用容量提供资金。
廉价排热依然胜过有效余热回收
运营商有强烈动力快速建设算力容量，却缺乏动力开发本地余热市场。
最简单的运营模式将热量视为废物。企业购买电力，运行计算设备，为建筑降温，并排放热能。设施所有者为制冷设备付费，却不一定要为下游社区供暖买单。
余热回收改变了这种安排。它引入了另一层公用事业关系，涉及客户、管道、服务保障和长期需求。数据中心运营商不再只是独立的电力消费者，而成为热能系统的一部分。
该系统可以为社区创造价值，但也会带来商业风险。区域供热网络可能需要数年才能获得许可并建成。计算租户、建筑业主、公用事业公司和热能客户的投资时间表可能各不相同。
可靠性义务构成另一道障碍。医院、公寓和企业无法依赖一种会在计算设备维护时消失的热源。因此，网络需要备用热源、储能设施或冗余设施。
数据中心运营商也有自身的可靠性顾虑。他们不能允许社区供热网络中的问题干扰服务器制冷。在停机或低需求期间，余热再利用基础设施必须保留安全的排热路径。
国际电信联盟在其 2025 年余热再利用规范中指出了这些挑战。其中提到热量温度较低、回收系统尚不成熟、需求存在季节性、跨行业协调有限，以及前期成本高昂。
这些障碍有助于解释为何替代方案在美国仍不常见。许多美国城市缺乏能够接收低温热能的区域供热网络。在已开发区域加装地下管道，可能成本高昂且面临政治阻力。
政策也更多聚焦于吸引数据中心，而非改变其热能行为。各州经常为建设和计算设备提供税收减免。对于热量计量或再利用的要求仍然有限。
结果是激励错配。公共政策可以降低建设数据中心的成本，却不要求开发商披露其完整的本地热影响。社区随后只能在信息不完整的情况下协商项目条件。
公用事业规则正开始应对相关的电力成本问题。能源部的大型负荷指导意见敦促监管机构考虑公平的成本分摊、搁浅基础设施、运营风险和新型发电技术。
类似原则同样适用于热效应。开发商应明确排放热量的数量、温度、时段和去向。地方规划部门在决定某个选址是否适合毗邻住宅、学校、公园或对热敏感的人群之前，需要掌握这些信息。
计量并不要求每一座设施都安装区域能源网络。它将为比较不同设计建立基准。采用干式冷却器的项目，可以与向附近建筑回收供热的项目采用不同方式评估。
对选址敏感的规则同样重要。毗邻无人使用的工业场地时，温度升高所带来的后果，与毗邻住宅时并不相同。现有热暴露水平、收入、树木覆盖和空调使用条件都会影响社区的脆弱性。
怀疑论者提出的一点很重要：凤凰城的早期测量结果不足以支撑针对所有数据中心的普遍性结论。但它们确实证明了更好监测的必要性。开发商不能仅仅因为热量越过了产权边界，就假定它会无害消散。
最有力的政策回应应将激励与结果挂钩。税收优惠可以要求热排放报告、社区监测、高效制冷或余热再利用可行性研究。相关要求可根据设施规模和当地暴露程度分级。
如果没有这些信号，成本最低且合规的设计通常会胜出。企业不会因降低附近街道的温度而获得直接收入。如果没有公用事业公司或客户同意购买回收热能，企业从中获得的价值也可能很有限。
这使得社区承担了一项不会出现在运营商电费账单上的外部成本。
围栏外的负担分布并不均衡
社区热量使数据中心扩张从工程决策变成了公共健康与环境公平问题。
热风险并非均匀分布。老年人、幼儿、户外劳动者以及患有某些健康问题的人，在极端高温中面临更大危险。缺乏高效制冷条件的家庭，适应高温的方式也更少。
更温暖的社区会产生次生成本。居民可能更长时间运行空调，从而提高电费和电网需求。更高的制冷需求还可能加剧那些令数据中心制冷更加困难的峰值状况。
城市地表会叠加这一影响。沥青、深色屋顶、停车区域和有限的植被会在白天吸收太阳能。持续的工业热源会向本已承压的本地环境再增加一项输入。
这并不意味着数据中心单独造成城市热岛。道路、建筑、车辆、空调、工业活动和树木覆盖减少都会产生影响。严谨的分析必须区分这些效应，而非将每一种温度差异都归因于计算活动。
凤凰城的实地研究采用迎风侧和下风侧对比，以分离与设施有关的热羽流。该方法强化了二者之间的联系，但跨季节的长期监测将提升可信度。研究人员还需要来自不同气候条件和设施设计的数据。
运营商可以通过公布排热信息来支持这项工作。电力和用水报告只能呈现部分情况。社区还需要了解排放温度、气流速率、运行时段、制冷方法和热羽流模拟行为。
独立监测至关重要，因为设施层面的平均值可能掩盖峰值影响。最重要的情况可能出现在炎热的下午，此时计算需求、空调需求和制冷难度相互重叠。
公开披露也可以改善选址决策。规划部门或许会要求更大的退距、植被缓冲带、调整设备布局，或改变排气方向。这些措施无法消除热量，但能够改变集中热羽流的传播方向。
当附近存在合适的用户时，应优先考虑余热再利用。医院、大学、公寓综合体、温室或工业流程可以提供相对稳定的热能需求。及早协调可使这些连接更容易且成本更低。
在再利用不可行的地方，开发商仍有选择。他们可以降低辅助制冷能耗，选择影响更小的排热设备，保留绿地，并避免将排气导向住宅。他们还可以为本地热缓解措施提供资金。
但缓解措施不应成为计量的替代品。植树不能为无限制热排放提供正当性。社区利益协议应针对设施已记录的影响，而不是提供无关的便利设施。
居民也需要在审批前拥有有意义的参与机会。一旦超大规模园区及其电力基础设施开始运行，重新设计就会变得困难。当制冷技术和热量路径仍是开放的设计选择时，公众审查最为有效。
该问题不止涉及某一家运营商。Amazon、Google、Meta、Microsoft、Oracle、专业云服务商和托管服务公司都在为 AI 需求扩张基础设施。它们的设施各不相同，但都在竞争许多同样受限的资源。
这种竞争能够促进效率，因为电力和制冷会影响运营成本。但它也可能奖励速度，尤其是在有电力供应的土地限制扩张时。即使商业压力偏向快速建设，地方保障措施也必须发挥作用。
AI 数据中心存在热量问题，因为市场对计算产出的重视程度远高于对避免社区升温的重视。监管机构可以计量电力销售和取水量。更凉爽街道的价值仍然更难货币化。
但居民会直接感受到这种价值。
三个信号将显示行业是否正在改变
下一项考验在于，运营商是否监测外部热量、大规模部署替代性制冷，并接受将本地基础设施影响纳入定价的规则。
第一个信号是围绕运营中设施开展独立温度监测。研究人员需要来自更多气候、季节、建筑类型和制冷设计的测量数据。更大的证据基础将表明，凤凰城究竟是极端个案，还是更广泛的模式。
监测应在设施启用前开始，并在启用后持续进行。这种结构能够建立基线，并减少围绕既有热源的争议。公开传感器应追踪风速、气温、湿度和运行状况，同时不暴露敏感计算数据。
如果更多研究发现持续的下风侧升温，开展热影响审查的理由将更加充分。如果结果因制冷方法或场地设计而大幅变化，监管机构就可以聚焦于造成最大暴露的配置。
第二个信号是闭环液冷和余热再利用的实际部署。仅靠公告无法证明环境表现。运营商必须报告全网覆盖范围、能源影响、节水情况、排放条件，以及向客户交付的回收热量。
Microsoft 即将推出的零用水项目提供了一项有价值的检验。它们能够显示闭环 AI 数据中心制冷在炎热天气下的表现，以及更高的机械能耗是否仍处于较低水平。其他超大规模云服务商将面临公布可比结果的压力。
余热再利用项目值得获得更密切的关注。成功不止意味着在设施内部捕获温热液体。运营商还必须证明可靠交付、全年需求、可接受的经济性，以及对备用服务的明确责任。
一个成功的美国项目可能改变投资假设。开发商或许会开始将靠近热能用户视为选址优势。公用事业公司也可能把数据中心余热纳入区域能源规划，而不再只将这类设施视为电力负荷。
失败同样会带来重要教训。如果项目因客户、管道和融资无法协调而停滞，政策制定者就必须解决协同问题，而不能等待冷却技术单独化解难题。
第三个信号是，州和地方激励措施是否会附加可执行的环境条件。数据中心税收优惠仍是重要的谈判工具。政府可以将其与电力成本、用水量、热量报告和社区保护措施挂钩。
规则不应规定一种放之四海而皆准的冷却方案。不同地区的气候、电网条件、水资源供应和周边土地用途各不相同。绩效标准可以在要求可衡量结果的同时，为设计保留灵活性。
例如，某个辖区可以要求大型设施提交热管理计划。该计划可比较空气冷却、液体冷却、耗水量、余热回收以及场外温度影响。开发商则需说明所选设计为何适合该地点。
社区也应关注公用事业监管程序。大负荷电价决定了谁为电网升级买单，以及开发商如何分担财务风险。这些决定会在热监管普及之前很久，就影响家庭账单。
更广泛的问题并不是社会是否应该停止使用数据中心。云服务、科学计算、商业软件和 AI 产品都依赖于它们。问题在于，实体基础设施是否反映了提供这些服务的真实成本。
评估 AI 相关说法的读者，应在关注模型基准测试的同时，追踪基础设施证据。更快的系统固然重要，但电力合同、冷却设计、建设地点和公开披露同样重要。这些细节揭示了增长是否在技术和社会层面都具有可持续性。
AI 数据中心存在散热难题，而且没有任何单一冷却技术能够将其完全消除。液体系统可以更有效地收集热量。闭环系统可以节约用水。区域网络可以再利用能源。更合理的选址可以降低暴露风险。
决定性的变化，将发生在运营商有理由在建设之前整合这些方法，而不是等到居民报告危害之后。关注传感器、运营数据和许可条件。它们将显示这个行业是在管理热量，还是仅仅把热量移出围墙之外。
