AI 的环境成本令科技巨头的气候承诺承压

Google News 关注了一项令人不安的估算：到 2030 年，数据中心每年的耗电量可能达到 945 太瓦时，而人工智能是主要推手。

这一预测来自联合国大学的一份报告，该报告审视了 AI 在碳排放、水资源、土地和电子废弃物方面的足迹。报告的发现挑战了业界惯常的说法：更高效的芯片和更清洁的能源能够控制 AI 的环境成本。

冲突已不再是创新与厌恶技术的人之间的对立，而是科技巨头的气候承诺与在全球规模交付 AI 所需实体基础设施之间的矛盾。

Google、Microsoft、Amazon、Meta 及其他运营商一直投资于更清洁的电力、高效计算和水资源补给。这些努力很重要。然而，AI 服务需求的增长速度，正快于许多环境改善措施能够抵消的程度。

报告还揭示了一个计量问题。企业通常披露全组织范围的用电、排放和用水总量，却不把 AI 与其他工作负载分开。研究人员只能利用并不完备的公开信息估算 AI 所占份额。

这一限制并不意味着环境压力是虚构的，反而令问责缺口更加值得重视。

联合国报告扩大了 AI 的环境账单

核心结论是：AI 是一个实体系统，其环境成本远不止训练模型所消耗的电力。

这份发布于 2026 年 6 月的报告来自联合国大学水、环境与健康研究所。报告考察了主要数据中心市场的电力需求，以及由此产生的碳、水和土地足迹。

其环境成本报告预测，到 2030 年，全球数据中心用电量将达到约 945 太瓦时，超过估计的 2024 年水平两倍以上。

国际能源署通过自身建模得出了相同的用电量预测。这种一致性强化了总体结论，尽管 AI 所占的精确比例仍存在不确定性。

电力只是影响的第一层。发电会消耗水资源、占用土地、使用材料，并产生温室气体排放。数据中心也会直接用水进行冷却。

联合国研究人员估计，相关的水足迹可能相当于 13 亿人每年的基本生活用水需求。他们预测的土地足迹将超过 14,500 平方公里。

这些比较描述的是经建模得出的全球足迹，并不意味着实际从 13 亿人手中转移了水资源。这一区别很重要，因为水资源影响高度取决于地点、季节、技术和电力来源。

在水资源丰富地区消耗的一升水，与在严重干旱期间消耗的一升水，带来的风险并不相同。全球总量可能掩盖这种本地差异。

报告还估计，到 2030 年，AI 基础设施每年可能产生多达 250 万公吨电子废弃物。随着硬件不断升级，服务器、加速器、网络设备和电力系统都需要更换。

训练未必是最大的持续性负担。报告认为，在模型整个运行周期内，被称为推理的日常使用可能占据大部分能源需求。

推理是指部署后的模型每次响应提示词、生成图像或处理文档时所进行的计算。单次响应的足迹有限，但数十亿次重复请求会不断累积。

这一变化改变了政策问题。衡量一次高度可见的训练运行，无法描述被广泛使用的 AI 服务在整个生命周期中的成本。

它也改变了谁拥有影响力。开发者选择模型规模，企业设计产品，云服务商运营基础设施，而用户决定高计算成本功能的运行频率。

因此，报告将环境表现视为系统范围内的责任。某一层的效率提升，可能在其他环节因需求扩张而消失。

这是第一个重要转变。AI 的环境账单并非模型发布后便结束的一次性训练开支，而是会随着采用规模扩大而持续增长。

为什么 Google News 的标题不止关乎碳排放

Google News 的报道之所以重要，是因为只核算碳排放可能会奖励那些增加用水、土地需求或社区暴露风险的选择。

气候报道往往把环境表现压缩为单一的排放数字。这种方法便于比较，却可能掩盖不同能源来源带来的权衡。

联合国分析提供了一个醒目的例子。根据其建模情景，以生物能源替代煤炭可以大幅减少相关碳排放。

然而，报告称，同样的替代可能使水足迹增加约 30 倍，并使土地足迹增加约 100 倍。

生物能源需要土地和水来生产用作燃料的植物材料。其碳排放表现可能更优，但更广泛的资源需求却会朝相反方向发展。

这并不意味着煤炭更好。煤炭带来严重的气候、健康和污染成本。这里的教训是，单一环境指标无法代表所有后果。

太阳能的运行碳足迹低于化石燃料发电，但大型设施需要土地和材料。水电在许多情况下具有较低的直接碳强度，但水库可能改变生态系统。

核电站可提供低碳电力，且土地需求有限。但它们也需要冷却水、漫长的建设周期，以及审慎的废物管理。

即便是可再生能源电力证书也需要审视。用可再生能源采购来匹配年度用电量，并不意味着每个数据中心每时每刻都运行在无碳电力之上。

基于地点的排放反映当地电网可获得的电力。基于市场的核算则可反映从其他地点项目购买的合同或证书。

两种计量都回答了有用的问题。但任一指标都无法单独揭示：额外的 AI 工作负载是否会造成当地电网拥堵、水资源压力，或在需求高峰期引发化石燃料发电。

这正是报告的全系统方法值得关注的原因。每一千瓦时电力都有来源，而每种来源都承载着不同组合的负担。

用水计算同样复杂。数据中心可能取用水资源、通过蒸发消耗水资源，或间接依赖发电厂所使用的水。

取水量衡量从水源取走的水，即使其中一部分随后会回流。消耗量通常指使用后无法立即回归所在流域的水。

这些数字不应被视为可以互换。公开报告往往只呈现其中一项，而另一项仍不清楚。

供应链又增加了一层复杂性。先进芯片依赖高度纯净的水、能源密集型制造、专用化学品和关键矿产。

成品加速器在服务器机架中看似洁净，但其内含影响早在安装之前就已开始，并可能跨越多个国家。

AI 的收益同样跨越国界，而基础设施负担仍集中在特定地点。用户可以从距离产生响应的数据中心数千英里之外，瞬间获得结果。

承载设施的社区则要面对用水需求、电力线路、备用发电机、建设工程和土地转换。它可能获得就业与税收，但这些收益并不会自动实现公平分配。

这种地理分离削弱了常规的消费者反馈。用户很少知道提示词在哪里运行，或当地具备何种资源条件。

最初的 Google News 列表将这些发现呈现为一则令人担忧的环境新闻。更具影响的结论是，现有仪表盘无法完整分配责任。

全球碳排放总量无法告诉居民，拟建设施是否会给当地含水层带来压力。一个水资源补给项目也无法自动弥补另一个流域流失的水。

因此，环境核算必须变得更本地化、更及时，也更具工作负载针对性。否则，即使看似精确的总量仍可能导致糟糕决策。

科技巨头的气候承诺遭遇基础设施现实

首要冲突在于企业气候承诺与 AI 基础设施建设之间的矛盾，后者仍在持续推高绝对资源需求。

Google 最新披露的数据说明了这种张力。该公司报告称，随着基础设施扩张，2025 年的用电需求同比增长 37%。

Google 还表示，其运营排放同比下降 2%。该公司当年签署了超过 12 吉瓦新增清洁能源的协议。

其2026 环境报告称，效率和能源举措避免了超过 5,800 万公吨二氧化碳当量排放。Google 还报告补给了 77 亿加仑水资源。

这些数字表明，严肃的减缓工作正在推进。但它们并不能证明扩张已实现环境中性。

该公司承认，AI 基础设施的增长速度快于电网脱碳速度。这一承认比一份单个项目清单更清楚地概括了行业的核心问题。

效率措施降低了完成既定计算单位所需的资源，却不能保证总需求下降。

如果单次查询所需的能源减半，而查询量增长至三倍，整体用电量仍会上升。经济学家常将这称为反弹效应。

AI 产品本就是为了提高使用量而设计。服务商正将模型嵌入搜索、办公软件、手机、广告系统、编码环境、客户服务和媒体工具中。

多模态功能尤其可能消耗大量计算资源。生成图像、音频或视频通常比返回简短文本答案需要更多处理。

基于智能体的产品带来另一重放大效应。一次用户请求在生成结果前，可能触发反复的模型调用、搜索、工具操作和验证步骤。

服务商可以改进每一次调用，但产品同时可能执行更多调用。这种张力使单次查询的进步与公司整体需求上升可以并存。

Google 已发布研究，估算一次中位数 Gemini 文本提示词相关的能源、碳和用水情况。这项工作通过考虑芯片、主机系统、闲置容量和设施开销，推动了计量方式的进步。

然而，一家服务商的中位数提示词无法代表整个市场。结果会随模型规模、输出长度、硬件利用率、电网构成和冷却条件而变化。

Microsoft、Amazon 和 Meta 也在不同地区运营不同的设备集群。它们的核算边界和报告分类并不完全相同。

因此，比较标题数字可能制造虚假的精确感。披露更多类别的企业，可能看起来比发布较窄总量的企业更差。

这也是透明度已成为竞争一部分的原因。环境报告不再仅仅是声誉文件。

公用事业公司、监管机构、居民、投资者和企业客户都需要这些数据来评估基础设施承诺。他们也需要一致的定义。

行业的积极一面不应被忽视。AI 可以改善电网运营、预测可再生能源输出、优化建筑、减少交通燃料消耗，并增强气候建模能力。

Google 表示，九款产品在 2025 年帮助用户和合作伙伴避免了估计 4,100 万公吨的排放。这类应用能够创造可观价值。

然而，避免排放属于反事实估算。它们将已观察到或建模得出的结果，与研究人员认为在没有该产品时会发生的情况进行比较。

直接用电量与估算的避免排放并非等价的核算类别。要将两者合并为一个净值，需要透明的假设条件。

行业必须证明，所宣称的效益具有额外性、可衡量性和持久性。它还必须说明谁获得这些效益，以及谁承担这些成本。

一份有价值的环境记分卡应当区分绝对需求、效率、当地资源压力、隐含影响，以及经验证的下游效益。当前的企业报告只能部分呈现这一全貌。

随着更多基础设施进入审批流程，压力将持续加大。企业不能再依赖全球清洁能源采购来回应所有地方性关切。

清洁能源并不能消除资源权衡

最棘手的环境决策，不是是否使用更清洁的能源，而是如何在减碳的同时，避免将损害转移到水资源、土地和材料上。

能源需求展望预计，到 2030 年，数据中心用电量将达到约 945 太瓦时。AI 是推动这一增长的最重要因素。

IEA 预计，到 2030 年，可再生能源将满足约一半的新增需求。天然气、煤炭和核电也将为不断增长的数据中心负荷供电。

这种混合供电结构至关重要。新设施并非依靠开发商的可持续发展声明运行，而是依靠连接其设备的实体电网运行。

购电协议可以为清洁发电提供融资，这很有价值。然而，输电约束和并网延迟可能使这些发电资源与新增需求出现的时段和地点相互脱节。

数据中心需要高可靠性。它们在无风的夜晚、热浪、阴天、设备故障和电网紧急情况下都需要电力。

当更清洁的容量无法足够快地投运时，化石燃料发电可能填补短期缺口。IEA 警告称，在高增长情景下，漫长的并网排队可能会将更多需求推向化石燃料。

本地集中度使问题更加尖锐。数据中心在全球用电量中占比不高，但单个集群可能主导区域负荷增长。

因此，全球百分比看似可以承受，但某一家公用事业公司可能面临大规模扩容需求。新变电站、输电线路和发电设施需要数年规划。

在区域效益变得明确之前，居民可能已承担更高风险。这些风险包括噪声、土地转换、柴油发电机污染，以及对有限水资源的竞争。

冷却设计存在真正的选择。蒸发式系统可以降低用电量，但会消耗水资源。空气冷却可减少直接用水，但在炎热条件下会使用更多电力。

闭环系统可循环使用冷却水，但仍需能源，并可能需要定期补水。浸没式和液冷系统能够更高效地应对高密度 AI 硬件，但部署需要新设备。

不存在放之四海而皆准的最佳设计。负责任的选择取决于气候、电网构成、水资源压力、设施密度和预期工作负载。

这正是设施级披露至关重要的原因。公司层面的总用水量无法显示，某个本已承压的流域中的用水是否上升。

年度报告也可能忽略季节性暴露。潮湿月份的用水，与干旱或热浪期间消耗同等水量，影响并不相同。

土地核算同样值得审慎对待。其足迹涵盖设施本身、配套发电、输电、采矿、制造和废物管理。

企业可以减少其中一个组成部分，却扩大另一个部分。更密集的数据中心直接占地更少，但可能在同一地点带来更大的冷却和电网需求。

硬件更新换代带来进一步权衡。与旧系统相比，新加速器每单位电力可完成更多工作。

快速更换硬件可提高运营效率，但也可能增加制造环节的影响和电子废物。

延长旧设备的使用寿命可减少替换需求，但低效芯片可能为完成同一工作负载消耗更多电力。生命周期分析必须比较这两种影响。

软件团队同样会影响这一方程。许多分类、摘要和检索任务可由较小模型完成，无需调用可用的最大系统。

缓存重复结果、限制不必要的输出，以及将简单请求路由至高效模型，都可以减少计算量。这些技术很少获得新数据中心那样的关注。

它们之所以重要，是因为推理需求每天都在重复。一个小幅度的降低，若乘以数十亿次交互，其节省量可能超过一次优化训练所带来的节省。

企业采购方在这里拥有影响力。采购团队可以要求供应商提供针对工作负载的能耗方法、区域托管选项、模型路由控制和保留政策。

开发者也可以质疑，是否每个界面都需要自动生成内容。产出后未被使用的功能，仍会消耗资源。

目标并不是阻止有价值的 AI 使用，而是在基础设施决策成为定局之前，将有价值的计算与浪费性的计算区分开来。

这些数字仍无法证明什么

该报告指出了可信的发展方向，但其中规模最大的预测应被视为情景推演，而不是对 AI 本身的精确测量。

第一项限制在于归因。数据中心承载云存储、流媒体、企业软件、加密货币服务、传统计算和 AI 工作负载。

运营商很少按工作负载发布完整细分数据。研究人员必须借助市场预测、硬件假设或全公司性能数据来估算 AI 所占份额。

这造成了很大的不确定性范围。一项预测即使无法准确预估某个特定模型或产品的确切足迹，仍可能在方向上具有参考价值。

945 太瓦时这一数字涵盖的是全球数据中心需求，而非 AI 单独需求。IEA 将 AI 视为最大的增长驱动因素，同时还有其他数字服务。

将全部总量都归因于 AI 的表述，夸大了基础证据所显示的内容。审慎报道必须保留这一界限。

第二项限制涉及用水比较。称某一足迹相当于 13 亿人的基本生活用水需求，传达了其规模。

这并不意味着数据中心会直接消耗原本会供给这些人的水。估算中的很大一部分反映的是不同地区发电所关联的用水。

这种比较还采用了既定的基本需求基准。实际家庭用水量因国家、气候、基础设施和收入而存在巨大差异。

第三项限制涉及未来技术。模型、芯片、冷却系统和软件优化都会在 2030 年之前发生变化。

效率可能比预期提升得更快。随着视频生成、智能体、机器人和嵌入式助手的扩展，需求也可能增长得更快。

这些力量朝相反方向作用。要预测其净影响，需要对采用率以及每项任务所需计算量作出假设。

第四项限制是企业报告不一致。不同机构对运营排放、供应链排放、取水、耗水和补水的边界定义各不相同。

一些数据经过第三方鉴证，另一些则依赖内部估算。读者不应将每一项可持续发展指标都视为可直接比较。

补水尤其需要谨慎看待。恢复湿地或资助水资源项目可以改善流域健康和社区用水可及性。

但补水并不能消除所有本地影响。一个流域中的项目，不能自动补偿另一个流域中消耗的水。

碳匹配也存在类似问题。年度可再生能源采购可能与年度用电量相等，但逐小时运营仍可能依赖化石燃料占比较高的电力。

第五项不确定性涉及 AI 的环境效益。这项技术可以提高能效并加速科学研究。

IEA 已记录 AI 在优化电力系统和识别运营节省方面的机会。这些效益是可信的，并且在一些应用中已经可见。

但其总体规模仍难以验证。企业不能简单地从其基础设施足迹中扣除所有经建模得出的客户效益。

有些改进可能原本就会通过普通软件、运营调整或既有自动化实现。另一些则可能因使某项活动成本更低而引发反弹效应。

因此，最有力的结论关乎治理，而非某个令人恐惧的单一数字。决策者缺乏用于评估 AI 基础设施的标准化、细粒度数据。

联合国透明度提案呼吁企业披露碳污染、用水和土地影响，并敦促其作出更清洁能源承诺。

强制性的统一标准将改善可比性，但仅靠披露无法解决政策问题。监管机构仍需要针对当地水资源压力、电网准备度、污染和社区收益设定门槛。

公开数据应包括设施位置、年度和季节性耗水量、冷却类型、能源需求、本地电网排放以及备用发电。

工作负载级报告应说明估算方法。它不应披露对安全敏感的运营细节，但保密不能继续成为默认做法。

Google News 的标题反映了可以理解的担忧。证据支持这种关切，尤其是对基础设施增长速度和集中度的担忧。

但它并不支持假装每条提示词都具有一个固定的全球足迹。环境影响取决于运行什么、在哪里运行，以及由什么供电。

这种复杂性并不是拖延的理由。它恰恰说明，在企业锁定新一代设施之前，必须要求更好的测量。

三项信号将表明 AI 能否实现负责任增长

下一项考验是：信息披露、清洁电力交付和计算效率的改善，能否快于 AI 绝对需求的增长。

第一项信号是标准化的设施级报告。关注监管机构或主要运营商是否发布可比较的电力、水资源、土地和排放数据。

最有用的披露将区分取水量与耗水量，说明流域状况，并区分年度可再生能源匹配与逐小时无碳电力。

如果出现统一的报告标准，联合国报告中关于问责的论点将更有力，也更容易执行。如果披露仍是自愿且不一致的，最大规模的主张仍将难以检验。

第二项信号是在 AI 集群增长地区交付新增清洁电力。已宣布的合同只有在项目接入相关电网时才有意义。

可再生能源、核能、地热能、储能和输电项目各有不同的时间表。延误可能使天然气或煤炭满足更多近期需求。

关注并网排队、公用事业资源规划和数据中心接入协议。这些文件比企业口号更能揭示实体电力供应状况。

进展意味着清洁发电和电网容量会与新服务器同步到位。若电网瓶颈持续存在，“基础设施扩张与气候目标相容”的说法将受到削弱。

第三个信号是针对具体工作负载的效率。芯片制造商和模型提供商经常宣布每瓦性能有所提升，但总消耗量仍是决定性指标。

企业应披露：在将智能体、更长输出和多模态生成纳入考量后，效率提升是否确实降低了每项已完成任务的绝对能耗。

开发者可以通过将常规任务路由至更小的模型、限制不必要的计算来提供帮助。采购方则可以在采购审查中要求采用可信的环境评估方法。

知识工作者同样需要足够的信息，以便作出与影响相称的选择。这并不意味着在使用实用工具前，必须逐一计算每个提示词。

而是要认识到，重复生成具有真实的物理成本。团队可以将有价值的发现保存在个人知识库中，而不是反复重做相同的分析。

更广泛的标准应当保持务实。高价值的医疗、科学、无障碍和气候应用，可以合理地使用相当规模的计算资源。

低价值的自动化内容和未被使用的输出，则应受到更多审视。负责任的 AI 经济应优化成果，而不是追求尽可能大的生成量。

Google News 让一项令人担忧的预测获得关注，但关注只是开始。真正的问题在于，企业是否会披露足够的数据，使其环境主张能够接受检验。

读者应关注哪些指标被衡量、哪些电力项目真正接入，以及总体资源需求是否出现下降趋势。这些信号将表明，AI 效率究竟代表真正的进步，还是仅仅成为消耗更多资源的许可。