AI 资源热潮考验其可持续发展承诺

Google News 凸显了一个 AI 公司无法再用更快芯片来掩盖的矛盾：扩大 AI 规模需要更多电力、水资源、土地和电网容量。

这种紧张关系不止体现在训练单个大型模型的环境足迹上。推理，即已部署模型每次响应请求时所进行的计算，可能带来更大且更持续的资源负担。

这一负担挑战着行业中常见的一项承诺。Google、Microsoft、Meta、Amazon 和 OpenAI 希望快速扩张 AI 容量，同时维持可信的气候承诺。如今，它们能否兼顾两者，取决于其无法直接掌控的实体基础设施。

国际能源署估计，数据中心在 2024 年消耗了 415 太瓦时电力，约占全球电力消费的 1.5%。其基准情景预测，到 2030 年这一消耗量将达到约 945 太瓦时。

这些全球数据可能让问题看起来尚可应对。然而，AI 设施会将巨大的负载集中在特定社区，而这些地区的电网和供水系统往往本就面临限制。

因此，核心矛盾并非 AI 与环保主义之间的对立，而是无限增长的计算需求，与提供电力、冷却、输电及公众认可的缓慢、受地点制约的系统之间的冲突。

Google News 正在追踪一场实体基础设施故事

最新一轮 AI 竞赛正演变为基础设施竞争，而不只是模型之间的较量。

TechTarget 对 AI 环境影响的分析，将生成式 AI 的增长与不断上升的电力需求、冷却需求、排放和材料消耗联系起来。该报告将这些需求置于数据中心之内，而非将 AI 视为没有实体重量的软件。

这一区别至关重要，因为一项 AI 服务在整个运行生命周期内都会消耗资源。开发者先试验模型架构，随后训练选定模型，并将其部署到面向消费者或企业的应用中。

部署将负担从偶发的训练任务转向反复进行的推理。每一项用户请求都会激活处理器、内存、网络设备、存储、冷却系统和配套电力基础设施。

早期估算往往聚焦于训练单一模型所需的能源。这种框架忽略了数百万人和自动化系统持续请求预测、摘要、图像、代码和视频所产生的累积效应。

AI 硬件还以异常高的功率密度运行。图形处理器和专用加速器将大量计算能力装入服务器机架，在更小的实体空间内产生更多热量。

排出这些热量需要风冷、液冷，或两者兼用。液冷可以改善传热，但无法消除更广泛的资源问题。设施仍需要电力、用水管理、泵、热交换器和备份系统。

这正是为什么 Google News 的报道日益将 AI 芯片与数据中心、公用事业公司、能源项目和地方规划争议联系在一起。这些主题如今构成了一个工业系统。

国际能源署估计，一座典型的以 AI 为重点的数据中心耗电量可相当于 10 万户家庭。正在建设的最大设施可能需要其 20 倍的电力。

如此规模的设施无法像普通办公楼一样接入电网。它需要发电容量、变电站、变压器、输电线路、配电升级，以及涵盖高峰需求期间可靠性的协议。

这些要求的时间表也不同。科技公司订购服务器或宣布建设园区的速度，可能快于公用事业公司获批并建成大型输电基础设施的速度。

国际能源署表示，在发达经济体中，新建输电线路往往需要四到八年。包括变压器和电缆在内的重要组件，其等待时间也有所延长。

这种时间错配改变了 AI 资源需求的含义。问题不只是模型消耗多少电力，还在于当运营商希望开始提供服务时，可靠电力能否到达选定地点。

数据中心开发商可以通过选择拥堵较少的地区来缓解部分限制。然而，网络连接、可用土地、税收政策、客户距离、熟练劳动力和现有云基础设施都会影响这些决策。

运营商往往偏好成熟的数据中心集群，因为配套生态系统已经存在。同样的集中化也可能加剧电网拥堵，并使周边社区承受累积影响。

国际能源署估计，近一半美国数据中心容量位于五个区域集群之内。该机构还指出，半数正在开发的设施仍集中于现有的大型集群。

这种模式解释了其新闻价值。AI 的增长不再只是对未来计算的抽象预测，而是在立即引发关于谁获得电网容量、谁为升级改造付费，以及新发电设施建在哪里的决策。

AI 资源需求的增长快于支撑它们的系统

AI 公司部署需求的速度，快于公用事业公司建设服务这些需求所需基础设施的速度。

国际能源署称，自 2017 年以来，全球数据中心的电力消耗每年增长约 12%。这一增速超过总用电量增长率的四倍。

并非所有数据中心工作负载都由 AI 造成。视频流媒体、云应用、通信、加密货币、存储和传统企业计算同样消耗容量。

不过，国际能源署将 AI 认定为到 2030 年推动数据中心电力需求增长的最重要因素。其基准情景预计，总需求将较 2024 年水平增加一倍以上。

美国处于尤其容易受到影响的位置。2024 年，美国占全球数据中心电力消耗的 45%，中国为 25%，欧洲为 15%。

国际能源署预计，到 2030 年，数据中心将占美国电力需求增长的近一半。届时，其耗电量可能超过所有美国能源密集型制造业的总和。

EPRI 的 2026 年数据中心预测认为，美国的占比可能高于早期估计。其情景显示，到 2030 年，数据中心可能消耗美国发电量的 9% 至 17%。

这些预测存在差异，是因为研究人员必须估算不确定变量。未来模型效率、AI 采用程度、设施利用率、硬件供应和项目完成率都可能改变结果。

这一范围并不意味着问题是虚构的。它表明，公用事业公司在批准需要持续、大规模供电的项目时，不能依赖单一且自信的预测。

数百兆瓦的用电申请可能影响未来数十年的发电和输电规划。如果设施从未达到其宣布的容量，其他用户可能要承担闲置基础设施的成本。

如果公用事业公司低估了需求，电网接入可能面临延误。当供给、储能和输电无法跟上集中负载时，供电可靠性也可能下降。

国际能源署估计，除非电网限制得到重视，约 20% 的规划中数据中心项目将面临延误风险。这不仅是云服务提供商及其客户的商业风险，也不只是能源行业的担忧。

购买 AI 服务的公司可能期待软件式扩展。但这项服务依赖实体项目，而这些项目受制于审批时间表、建设风险、设备短缺和社区反对。

这一缺口首先给超大规模云服务提供商带来压力。它们必须获得足够的计算容量来吸引开发者，同时避免承诺那些无法以经济或可靠方式获得电力的设施。

公用事业公司则面临不同压力。它们必须服务可信的经济发展，同时避免将不合理的基础设施风险转嫁给家庭和现有企业。

地方政府同样面临相互冲突的激励因素。大型园区可以扩大税基并吸引投资，却可能消耗土地和基础设施，而创造的就业人数少于其他工业项目。

社区担忧通常集中于电价、用水、噪音、备用发电机、空气质量和透明度。这些担忧可能延迟分区审批，或在开发商确定首选地点后仍引发暂停令。

因此，企业买家会通过供应商继承地点风险。延迟上线的云区域、受限的容量分配或突发的运营限制，都可能中断企业的 AI 计划。

负责任的采购日益需要设施层面的证据。汇总性的可持续发展声明无法揭示某项工作负载由哪个电网供电、冷却如何影响当地水资源，或附近居民是否支持扩建。

科技领导者应询问其工作负载运行在哪里、供应商如何衡量相关能源消耗，以及区域资源受到限制时会发生什么。这些问题应纳入运营规划。

IEA 能源分析对紧迫性的解释最为清晰。数据中心在全球电力需求中仍只占很小一部分，但其地理集中性会造成更大的地方影响。

这种地方与全球之间的差异，是可持续发展讨论中的第一次重大转变。一个在全球范围内可控的百分比，仍可能压垮某座变电站、流域或审批流程。

效率提升无法超越无限增长的计算需求

效率可以减少完成一项任务所需的资源，但更低的成本可能鼓励人们执行更多任务。

AI 开发者拥有多种可信的方法来降低计算需求。量化使用更少的位数表示模型数值，从而降低内存需求，并通常提高处理效率。

剪枝会移除对结果贡献不大的模型参数。蒸馏则训练较小的模型，使其复现较大系统的有用行为。

软件团队还可以将简单请求路由到较小的模型。对于需要更深入推理、更长上下文或专业能力的任务，他们可以保留较大的模型。

更好的加速器可以用单位电力完成更多操作。改进冷却和配电可以减少计算设备之外的能源消耗。

电力使用效率，通常称为 PUE，用于比较设施总用电量与输送给计算设备的电量。较低的比值通常意味着冷却和电力转换带来的开销更少。

这些措施很重要，但并不保证总消耗降低。效率可以降低每项输出的成本，从而扩大具有经济吸引力的 AI 应用数量。

搜索、办公软件、广告、客户支持、安全、软件开发和媒体制作，都可能产生持续的推理需求。自主智能体可在无需直接人工提示的情况下发起大量模型调用，从而成倍扩大这一需求。

这种反弹效应使得简单的单次查询比较并不可靠。一个高效模型若每天提供数十亿次请求，其耗电量可能超过一个低效但使用频率很低的模型。

质量提升会带来另一种需求来源。当模型变得更准确或能力更强时，企业会将其引入过去需要人工审核、或此前未使用 AI 的工作流程。

多模态服务会进一步加大压力。生成和处理图像、语音、音乐和视频，通常需要与生成简短文本回复不同的计算负载。

更长的上下文窗口也会让更多数据在内存和处理器之间流动。上下文是模型生成回答时所查阅的信息，包括提示词、文档、指令和此前的消息。

对于知识工作者而言，这种权衡体现在日常工具中。一个能够检索大量档案或总结众多会议的系统，可能节省人工时间，同时增加每项结果背后的计算活动。

用户仍可改善价值与计算资源的比率。清晰的提示词、有选择地使用模型、更小的上下文包以及可复用的知识结构，都能减少不必要的请求。

维护良好的个人知识库可以帮助用户在将资料发送给模型前检索相关内容。这种方法能够支持更好的回答，而无需反复处理整个档案库。

不过，个人层面的效率无法解决基础设施规划问题。最重大的决策发生在模型提供商选择架构、云公司决定将算力部署在哪里的时候。

IEA 的高效率情景同时说明了机遇与不确定性。在效率提升更显著的情况下，2035 年全球数据中心电力需求将比其基准情景低 20%。

即使在该情景下，需求依然可观。在 IEA 的不同情景中，2035 年数据中心预计耗电量介于 700 至 1,700 太瓦时之间。

这一范围之大，应当让人避免对 AI 未来的环境足迹作出过于精确的断言。但它不应成为等到需求完全确定后才行动的借口。

公用事业公司建设的资产往往拥有很长的运营寿命。云服务提供商会在客户使用最终形成的容量之前数年，就签订能源协议并订购设备。

负责任的应对方式是在多种情景下进行规划。运营商应对采用率、效率、选址、天气、电网状况和灵活调度进行建模，而不是依赖单一的标题级估算。

当工作负载不要求立即完成时，灵活性能够发挥作用。训练、批处理以及部分数据准备工作，可以转移到低碳电力更充足的时段或地区。

实时推理的腾挪空间较小。无论当地电网状况如何，用户都期待助手、搜索引擎或欺诈检测系统能迅速响应。

数据中心的资本成本也很高，这促使运营商让昂贵的处理器保持忙碌。在电网承压时限制这些处理器的运行，可以保护系统可靠性，但会牺牲利用率。

这种矛盾使需求灵活性无法成为一种轻松的解决方案。合同、软件设计、工作负载优先级和财务激励必须协调一致，设施才能真正响应电网需求。

因此，效率是答案的一部分，而非击败对立一方的手段。AI 可持续性面临的总体挑战，取决于需求增长吸收效率提升的速度，是否快于硬件和软件实现这些提升的速度。

可持续性承诺在本地电网面临断裂

企业的清洁能源承诺，并不意味着每一项 AI 工作负载在每个小时都自动获得清洁电力。

许多科技公司通过购电协议或证书采购可再生能源。这些工具可以为新增发电项目提供资金，并帮助企业使年度用电量与更清洁的电力供应相匹配。

年度匹配并不意味着数据中心持续获得无碳电力。当风能和太阳能发电量下降时，当地电网仍可能依赖天然气、煤炭或其他发电方式。

按小时匹配提供了更精确的视角。它根据时间和地点，将用电量与无碳发电量进行比较，而不是在一年内平衡总量。

随着 AI 容量增长，实现这一标准变得更加困难。数据中心持续运行，而波动性可再生能源发电会随天气和日照而变化。

储能可以在不同时段之间转移能源，但其持续时间和规模至关重要。输电可以将设施与多样化的发电资源连接起来，但新线路面临许可和建设延误。

稳定的低碳能源可以支撑持续需求。核能、地热能、水力发电和长时储能，均可能发挥作用，具体取决于当地资源和项目时间表。

IEA 预计，到 2035 年，可再生能源将满足全球数据中心电力需求增量的大约一半。该机构还预计，天然气和核能发电将发挥重要作用。

这一混合预测揭示了核心权衡：AI 公司希望快速部署，而更清洁的发电和输电项目所需时间，可能长于现场化石燃料发电。

一些设施可能使用天然气发电来加快投运。这种方式可以减少对延迟电网接入的依赖，但会增加直接排放以及当地空气质量方面的担忧。

水带来了另一项独立的核算问题。数据中心既可通过冷却直接消耗水，也可通过发电间接消耗水。

直接用水量会因气候、冷却架构、工作负载和运营实践而大不相同。一座现场用水较少的设施可能耗电更多，将环境压力转移到其他地方。

因此，关于无水冷却或可再生能源采购的孤立说法需要放在具体背景下考量。单一改进措施可能会在资源、地点或报告类别之间转移影响。

由美国能源部支持的数据中心报告强调，需要更完善的信息来了解电力需求和基础设施。同样重要的是，应提供可比的设施级用水和排放披露。

企业通常发布覆盖全公司的可持续发展报告。这些文件可以展示整体进展，却可能掩盖某个服务于特定客户的特定园区的实际表现。

设施级报告应包括用电量、实际电网构成、逐小时排放、取水量、耗水量、季节性峰值以及备用发电情况。

客户也需要分摊方法。云服务提供商可能在同一设施内运行许多工作负载，因此难以确定某一应用或模型对应的环境足迹。

模型提供商披露的推理能耗标准化信息很少。结果可能因芯片、软件配置、批处理策略、回复长度、利用率和数据中心条件而异。

缺乏一致的测量方式时，企业可以宣称效率有所提升，但客户无法独立比较。分母可能是一枚 token、一个回答、一项基准测试任务，或一个计算容量单位。

关于 AI 可持续性的 Google News 报道经常采用引人注目的单次查询数据。这类比较容易吸引注意力，但随着模型和硬件变化，也可能很快过时。

它们还可能忽略系统边界。一项测量可能计入处理器耗电，却排除冷却、网络、数据存储、隐含碳排放或闲置容量。

隐含碳排放是指建造建筑物、服务器、芯片和配套设备过程中产生的排放。即使每一代新处理器运行效率更高，快速更换周期也可能增加这些排放。

半导体制造同样需要能源、水、化学品和开采材料。AI 的资源足迹从服务器抵达数据中心之前就已开始，并在退役设备成为电子垃圾后持续存在。

审慎的结论并不是每项可持续性承诺都没有价值。问题在于，宽泛的承诺无法回答日益具体的基础设施问题。

可信的声明应明确设施、时间段、测量边界和核算方法。它还应区分已验证的实际表现与未来目标。

这份负责任采购指南认为，技术领导者应一并评估能源、水、社区影响和治理。该标准使可持续性成为供应连续性的一部分。

面临法律诉讼、用水限制、电网延误或当地反对的设施，可能带来运营风险。环境表现与服务可靠性正日益成为同一采购讨论的一部分。

当 AI 容量接入电网，谁来承担成本

决定性的可持续性问题正变成：谁来承担基础设施扩张的成本与风险。

公用事业公司传统上会为众多客户的预测需求建设基础设施。AI 园区使这一模式变得复杂，因为单个项目可能申请异常庞大的负载，并且其开发速度快于传统规划周期。

一家公用事业公司可能需要新建变电站、升级输电设施、增加发电容量和网络设备，以支持一个集群。如果预测需求如期实现，这些投资可以在未来数十年持续发挥作用。

当开发商向多个地区提交重叠申请时，风险随之改变。一家公司可能在最终选定某个地点前考察多个地点，使已宣布的需求大于最终落地的需求。

公用事业公司需要财务承诺，以区分严肃项目与投机性预留。否则，居民家庭和小型企业可能承担与从未形成生产能力的容量相关的成本。

数据中心运营商有理由认为，它们支持经济活动和电力系统投资。大型、稳定的负载能够提高资产利用率，并带来可预测的收入。

然而，稳定负载并不一定会在系统峰值期间带来帮助。一座在极端天气下无法降低用电量的设施，可能需要额外的发电与备用容量。

灵活负载协议提供了一种可能的折中方案。运营商可以接受在特定条件下限电，以换取更快的接入或不同的服务条款。

其实用性取决于工作负载。模型训练比医疗系统、金融服务、安全监控或面向消费者的实时应用更容易暂停或迁移。

云公司必须决定哪些计算任务获得有保障的服务。这一选择让软件架构成为电力政策的一部分。

位置感知调度可以将灵活工作转移到容量充足或电力更清洁的地区。它需要合适的网络连接、数据治理规则，以及能够安全迁移工作负载的软件。

数据驻留要求可能限制这种迁移。对延迟敏感的服务也需要靠近用户部署计算资源，从而降低了跨地区追逐更清洁电力的能力。

社区还承担着电力合同可能无法反映的额外成本。施工交通、土地转用、噪音、柴油备用设备和取水都会影响园区附近的居民。

与其土地和电力需求相比，数据中心虽然可以带来可观的税收收入，却可能创造相对较少的长期就业岗位。因此，地方层面的交换条件因项目而异。

透明度有助于居民和官员在审批前评估这种交换条件。开发商应披露预期电力需求、水源、备用发电、建设阶段，以及基础设施升级的责任归属。

社区同样需要贴近实际的运行情景，而非仅考量最高设计容量。分阶段建设的园区，可能会在数年间以不同方式影响资源。

监管机构在判断特殊合同是否保护其他电费用户方面发挥作用。它们可以要求最低付款、押金、长期承诺，或直接出资建设专用基础设施。

这些政策不应将所有数据中心一概而论。使用现有清洁电力的灵活设施，与在电网拥堵地区持续运行的园区，对系统造成的影响并不相同。

这场讨论也给企业客户带来压力。即使云服务提供商拥有实体基础设施，企业客户的需求最终仍会成为新增容量的依据。

组织可以根据任务复杂度匹配模型规模，以减少不必要的使用。他们可以监测 token 消耗、限制重复的自动化调用，并评估某项 AI 功能是否能带来可衡量的价值。

这种约束并不意味着放弃 AI。它将计算视为一种会带来运营和环境后果的资源。

知识工作者也可以采用相同原则。一次性捕捉可靠的上下文，然后仅检索相关信息，能够避免在分散文档之间反复处理。

用于知识融合的工具可以通过将选定来源汇集到同一工作上下文中，支持这种方法。目标是提高信息质量，而不是最大化模型活动。

不过，责任不能完全转移给用户。提供商掌控默认模型、系统提示词、路由、批处理、硬件利用率和数据中心选址。

因此，可持续发展战略必须将产品设计与基础设施决策联系起来。发布高效模型的同时又鼓励无限制的自动化使用，仍然没有回答总需求问题。

云采购也是如此。在选择缺水地区的同时购买可再生能源证书，或许能改善一项报告指标，却可能加剧另一项约束。

主要矛盾依然是无限增长的计算需求与受限的物理系统之间的冲突。每个利益相关方都能改善其中一面，但任何人都无法仅靠会计手段消除这种权衡。

将检验 AI 可持续性主张的三个信号

电网协议、设施级披露和可衡量的推理效率，将揭示 AI 增长是否正变得可控。

第一个信号是公用事业公司和监管机构如何构建大负荷接入方案。关注那些分配升级成本、要求可信财务承诺，并奖励经验证需求灵活性的合同。

这些协议决定了基础设施风险是由制造需求的公司承担，还是分摊给现有电力客户。

它们还揭示了灵活性是否能在试点项目之外发挥作用。一份有意义的协议应明确数据中心能够减少多少负荷、响应速度有多快，以及可以多频繁地实施限电。

如果透明合同逐渐普及，基础设施冲突将更易于管理。如果接入成本仍不透明，公众反对和监管干预将会加剧。

第二个信号是设施级环境披露。企业总量数据无法显示，某个 AI 园区是否加剧了当地电网瓶颈，或是否在季节性短缺期间取用了水资源。

关注提供商是否按地点和时间报告电力、排放和用水数据。报告边界应包括冷却和配套基础设施，而非仅统计处理器。

有用的披露应区分直接取水与耗水。它还应说明实际电网能源结构，并将已完成的清洁能源项目与未来承诺区分开来。

第三方鉴证将增强这些报告的可信度。一致的衡量方式也能让企业买家在不依赖提供商自行选择的效率主张的情况下比较不同服务商。

如果披露有所改善，客户就能在采购中纳入环境和社区风险。如果披露仍停留在汇总层面，随着设施扩张，可持续性主张将越来越难以辩护。

第三个信号是在已部署工作负载层面衡量的效率。芯片基准测试展现技术进步，但客户需要看到完整应用在现实条件下运行的证据。

关注与可比任务、响应质量、延迟和完整系统边界相关联的能耗测量。如果模型产出无法使用，或需要多次重试，较低的能耗数字意义不大。

最重要的结果是总消耗。单次请求的效率可以提高，但由于应用产生更多请求，整体电力需求仍可能持续攀升。

提供商应同时报告这两项指标。任务级效率体现技术进步，而总使用量则揭示效率是否真正降低了基础设施压力。

这三个信号将在数月内强化或削弱当前判断。更好的接入规则、更细粒度的披露，以及更低的工作负载总消耗，将表明行业回应与问题规模相匹配。

如果没有这些变化，新的模型发布仍将持续超越支撑它们的系统。届时，电网排队、地方反对和不确定的可持续性核算将成为反复出现的制约因素。

IEA 的预测并非命中注定。其情景会随着采用率、效率提升、基础设施瓶颈和政策选择而变化。

Google News 将持续推送新的数据中心公告、能源协议和社区纠纷。读者应将这些报道联系起来，而不是将每一件事视为孤立的发展。

对开发者而言，实际问题是某项 AI 功能是否创造了足以证明持续资源使用合理性的价值。对企业买家而言，问题是提供商能否记录工作负载在何处、以何种方式运行。

对社区而言，问题是承诺的收益是否足以证明基础设施、环境和财务承诺的合理性。对政策制定者而言，问题是在支持有价值的计算投资的同时，如何保障可靠性。

AI 的可持续性挑战不会因一枚更高效的芯片或一份可再生能源合同而得到解决。它们需要模型、设施、公用事业公司、监管机构、客户和承载社区之间的协调。

下次当 Google News 的标题宣布更大型的 AI 园区时，请不要只看处理器数量。要问它的电力来自哪里、冷却如何影响供水，以及谁为接入付费。

然后再问一个更难的问题：该设施是否能创造足够持久的价值，以证明这些资源投入是合理的？随着计算需求从软件预测走进现实社区，这是 AI 公司必须通过的考验。