BAN AI电子废弃物报告称，此前估算遗漏了大部分数据中心硬件

Basel Action Network表示，先前对AI电子废弃物的估算遗漏了支撑数据中心运行的大量硬件。其最新分析预计，2025年至2050年间，AI驱动的设备退役量将达到3.95亿至6.17亿公吨。

这一预测比一项被广泛引用的2030年估算高出40至60倍。不过，这一比较汇集了若干不同类别，包括数据中心基础设施以及设施外的设备。

因此，争议并不只是哪个预测更准确。问题在于，分析师如何界定AI数据中心电子废弃物的范围，以及将哪些设备退役归因于AI。

BAN将服务器、加速器、网络设备、电力设备、备用系统和冷却基础设施纳入统计。它还计入了AI普及可能推动提前更换的消费级、企业级和电信设备。

此前的学术研究采用了更狭窄的边界，聚焦服务器或AI加速器。这些研究测得的废物流规模较小，但对间接淘汰所作的假设也更少。

BAN AI电子废弃物报告迫使超大规模云服务商、设备供应商、企业采购方和回收商直面一个更大的核算问题：AI的物质资产负债表中究竟应包含什么？

BAN扩大AI电子废弃物边界

BAN的核心做法，是统计整个数据中心系统，而不只是执行AI计算的机器。

Basel Action Network于2026年9月发布了其四部系列报告《即将到来的AI废弃物浪潮》的第一部分。该46页论文由创始人Jim Puckett撰写。

BAN的全基础设施分析以预测的数据中心容量为起点，随后估算每吉瓦容量对应的设备质量，并按类别应用不同的更换周期。

该论文将数据中心设备分为五大类，涵盖计算硬件、网络设备、配电系统、备用电源和冷却系统。

服务器和加速器约占该模型中机电基础设施的13%。BAN认为，早期AI电子废弃物估算在很大程度上忽略了其余87%。

这部分未被统计的设备包括交换机、铜缆、变压器、电池、冷却设备及其他配套系统。其中许多符合电气或电子设备的常规定义。

BAN为每吉瓦容量分配约7万公吨已安装设备，并估算每个已安装吉瓦每年约有1.4万公吨设备退役。

这些数值取决于假定的使用寿命。BAN假定加速器寿命为2.5年，网络设备为3.5年，配电设备为8年。

其基准情景假定备用电源和冷却系统的使用寿命为5年。加权结果被纳入一个延伸至2050年的模型。

在这一框架下，仅数据中心基础设施在2030年就会产生约280万公吨年度废弃物。到2050年，这一估算将升至每年1,520万公吨。

该论文还采用了大幅增长的数据中心容量预测，预计总容量将从2024年的约122吉瓦增至2030年的202吉瓦。

BAN的长期模型预计到2050年将达到1,093吉瓦。与其近期起点相比，这一远期数字具有更大的不确定性。

数据中心热潮本身并非纯粹推测。国际能源署预计，到2030年，全球数据中心用电量将超过900太瓦时。

其电力展望称，用电量应较当前水平增长一倍以上。除其他数字服务外，AI是最大的驱动因素。

容量增长并不直接等同于设备被丢弃。不过，每一座新设施都会引入最终需要再利用、翻新、回收、储存或处置的实体资产。

BAN AI电子废弃物报告通过将这些配套资产视为AI足迹的一部分，改变了讨论方式。这在将间接废弃物纳入计算之前，就形成了大得多的分子。

为什么AI数据中心电子废弃物不止GPU

数据中心是一个互联的工业系统，因此只统计处理器会遗漏维持这些处理器运行所需的设备。

有关AI的报道常聚焦图形处理器，即GPU，这类专用处理器适合进行并行计算。这些芯片用于训练模型，并在部署后处理请求。

GPU价格高昂、较为显眼且经常升级，但它们只是运营设施中的一个物理层级。

高密度AI机架需要能够承受集中负载的配电设备，也需要在加速器之间传输数据的网络交换机和光连接。

备用电池和发电机可保护工作负载免受中断影响。冷却设备则负责移除消耗大量电力的机架所产生的热量。

其中一些系统的寿命可能长于加速器，另一些则需要随着机架密度、冷却方式或电力需求的变化而重新设计。

组件不必发生故障才会退役。当新架构使现有配置变得低效或不兼容时，运营商可能会移除仍可正常工作的设备。

这正是BAN将云运营与物料更替联系起来的地方。现代平台将计算能力视为标准化、可替换的基础设施，而非逐台维护的机器。

“牲畜，而非宠物”这一说法最初描述的是软件实例和运营韧性，并不是要求运营商在实例故障时丢弃实体服务器。

不过，BAN认为，这种运营文化会影响实体资产管理。标准化机群可能倾向于批量更换、有限的组件维修，以及可预测的更新周期。

这一解读需要谨慎对待。逻辑上的可互换性并不能证明运营商会销毁仍能工作的硬件。

超大规模云服务商可以将较旧服务器转用于要求较低的工作负载，也可以转售机器、拆取组件，或通过供应商计划返还设备。

然而，除非设备进入持久的二级市场，否则再利用只会延后废弃物的产生。所有权变更并不会消除最终收集、回收和处置的需求。

加速器的快速发展又带来了另一项复杂因素。上一代GPU可能仍能正常运行，却已不再适合训练前沿模型。

它仍可用于推理、研究、渲染或较小模型。二级需求能否吸收现有供应，仍是一个有待实证检验的问题。

材料构成同样重要。冷却装置、电池组或变压器在回收过程中不能被视作服务器。

每一类别都有不同的维护需求、转售市场、有害组件和回收经济性。单一的“AI硬件”标签可能掩盖这些差异。

这种更广泛的视角赋予BAN模型真正的价值。它要求运营商披露整个设施范围内的设备清单和退役情况。

但同样的边界也让归因变得更困难。冷却和电力系统除支持AI外，也服务于数据库、视频流媒体、云存储和普通企业应用。

一座设施的全部废弃物产出不能自动归因于AI。分析师需要工作负载占比、设备分配方法和一致的报告周期。

BAN将AI视为预期数据中心扩张的主要推动力。这支持部分归因，但并不能确定具体比例。

最有力的结论比标题数字更为有限：现有AI电子废弃物估算并未涵盖支撑加速计算的所有实体系统。

BAN AI电子废弃物报告加入“废弃物传染”

最大的差异来自数据中心之外的设备，BAN在这里引入了其最具影响力、也最缺乏验证的假设。

BAN将这一类别称为“AI废弃物传染”。该术语涵盖因AI提高软件或硬件要求而退役的计算机、手机、边缘设备和电信硬件。

一个常见例子是，某台计算机无法支持新的本地AI功能，其所有者可能会比原计划更早更换设备。

企业部署也能以更大规模产生同样的影响。当所需应用要求更新的神经处理单元时，企业可能会更新笔记本电脑。

网络运营商也可能升级设备，以满足不断变化的流量、延迟和边缘计算需求。BAN将其中一部分更替归类为AI诱发。

该模型通过保守和激进情景估算传染效应，预计2030年每年的传染性废弃物将达到580万至1,030万公吨。

到2050年，这一区间将扩大至每年1,620万至3,070万公吨。这些数字超过了模型对数据中心废弃物的估算。

合并两类数据后，2030年AI驱动的年度设备退役量为860万至1,310万公吨。2050年的区间则为3,140万至4,600万公吨。

在整个2025年至2050年期间，BAN计算得出总量为3.95亿至6.17亿公吨。该累计数字构成了报告中最引人注目的比较基础。

回收贸易报告称，这一体量足以装满1,500万至2,300万个标准40英尺集装箱。

传染类别也解释了为何不应轻率地将BAN的数字与仅统计服务器的研究相比较。这些估算回答的是实质上不同的问题。

一种问的是AI服务器会产生多少废弃物，另一种问的是AI可能直接或间接加速多少全球设备退役。

两者都是有价值的问题，但并非等价的衡量方式。

BAN公开承认，关于传染效应的证据基础有限。论文称，量化这一部分的数据很少，并邀请研究人员改进相关估算。

这一承认很重要。传染效应是一种拟议的归因框架，而不是由国家统计数据追踪的已观测废弃物类别。

一台设备被替换为具备AI能力的新设备，并不能证明AI导致了购买行为。安全支持、电池老化、物理损坏、操作系统要求和营销都会影响更换决定。

软件开发者也可以降低这种影响。云端处理可让旧设备获得AI功能，而更小的模型则可在性能较低的硬件上运行。

用户可能会忽略需要新芯片的功能。当预算、采购政策或可持续发展目标有利于保留现有设备时，企业也可以延长更换周期。

相反，在软件支持形成严格兼容性门槛的情况下，BAN的担忧是合理的。强制使用的企业工具可能会将可选功能变成采购要求。

研究挑战在于区分这些情况。分析师需要调查、设备机群记录、采购数据和设备级退役原因。

在缺乏这些证据的情况下，传染效应区间仍然只是一种情景。它应引导进一步调查，但不应被报道为已测得的吨位。

这种不确定性并不意味着该类别无关紧要。它揭示了一条以服务器为中心的研究无法看见的路径。

它还将注意力转向软件公司。硬件浪费可能源于远离回收设施的产品需求。

为什么早期 AI 电子废弃物估算较小

40 到 60 倍的比较，更多反映的是系统边界不同，而非对某项错误计算的简单修正。

2024 年发表在《Nature Computational Science》的一项研究估计，到 2030 年，生成式 AI 可能累计产生 120 万至 500 万公吨电子废弃物。

这项早期 AI 估算聚焦于生成式 AI 计算设备。它模拟了多种发展情景，并考察了循环经济干预措施。

作者估计，此类策略可将废弃物减少 16% 至 86%。这些策略包括延长使用寿命、再利用、再制造和提升效率。

Alex de Vries-Gao 在 2026 年的一篇论文中重新审视了相关假设。该研究采用制造约束和更长的硬件寿命，得出了较小的预测值。

这项经同行评审的重新校准研究预测，到 2030 年，AI 服务器每年将产生 13.1 万至 22.48 万公吨废弃物。

De Vries-Gao 的估算仍然相当可观。在上限情景下，一年的产出接近一些较小欧洲国家的年度电子废弃物总量。

这项重新校准也凸显了预测结果多么容易发生变化。硬件寿命、芯片产量、已安装服务器数量和工作负载分配都会影响结果。

BAN 接受其中一部分批评。其报告称，受供应约束的建模方法，相较于脱离制造能力的需求预测，是一种方法论上的改进。

但它进一步认为，这项重新校准仍不完整。De Vries-Gao 考察的是服务器，而非完整的机电基础设施。

BAN 还加入了此前论文未尝试量化的“传染”类别。这一组合形成了 40 到 60 倍的差异。

因此，读者应避免一种误导性解读。BAN 并未证明某项同行评审估算存在 60 倍的算术错误。

相反，BAN 构建了更大的分析边界，并采用了不同的增长模型。差距很大程度上来自其定义纳入了更多设备。

将比较拆分为不同层级时，信息价值最高。

最窄的一层涵盖 AI 加速器及其服务器。它与模型训练和推理的联系最为直接。

第二层涵盖网络、存储、供电、备用电源和冷却基础设施。这些资产支持 AI，但往往也服务于其他工作负载。

第三层包括数据中心之外的设备，AI 的普及可能推动这些设备提前退役。这一层的直接归因最弱。

每一层都应有各自的估算、置信区间和验证方法。将它们合并可以说明总体暴露规模，但会掩盖证据质量的差异。

BAN 为其内部数据中心模型提供了敏感性测试。这是有益的一步，因为它显示了哪些假设最为关键。

在该模型中，改变加速器寿命的影响相对有限。调整容量增长则会带来更大的波动。

当年容量增长率为 4% 时，2050 年的数据中心估算会大幅下降；当增长率为 12% 时，其数值会超过 BAN 基线的两倍。

改变每吉瓦设备的质量同样会显著影响结果。这些测试表明，遥远的预测具有条件性，而非必然性。

全保守情景下，2050 年年度数据中心废弃物为 380 万公吨。激进情景下则为 3550 万公吨。

这一宽广区间比单一的中心数值更具启发性。它表明，基础设施设计、增长速度和有效使用寿命都能重塑结果。

对于公共讨论而言，BAN 证据最充分的主张是，仅计算服务器的估算遗漏了实体基础设施。其最不确定的主张则涉及受诱导的消费者和企业设备退役规模。

将这些结论区分开来，可以保留报告的警示意义，同时避免将每个建模结果都视为既定事实。

超大规模运营商与回收商如今面临信息披露考验

眼下的压力并非要求接受 BAN 的最高估算，而是公开检验该估算所需的运营数据。

Amazon、Google、Meta、Microsoft、Oracle 及其他大型运营商掌握着有关已部署设备的详细记录。这些记录很少以具有实用价值的分类层级向公众披露。

运营商了解安装日期、故障率、更新周期、转售量和组件去向。它们可以区分再利用、存放、回收和处置。

缺少这些记录时，外部研究人员只能根据容量、财务报告、供应商出货量以及零散的可持续发展披露来推断设备周转情况。

这种不透明既可能导致低估，也可能导致高估。狭义研究可能遗漏重要的支持系统，而宽泛模型则可能将过多常规设备周转归因于 AI。

可信的报告框架应按类别披露进入和退出服役的设备。它还应说明设备的年限、重量、去向，以及设备是否仍在运行。

“再利用”需要明确的定义。服务器在设施之间迁移，与被出售进入来源不明的出口链条并不相同。

组件拆解回收也需要单独核算。回收内存或处理器，并不能说明机箱、主板、电池和冷却硬件最终如何处理。

回收商同样面临机会与风险。更快的更新周期可能带来具有价值的服务器、铜、电池和网络设备流。

仍可运行的设备可以转移到较低层级的数据中心，或用于要求较低的推理任务。在兼容性和能效允许的情况下，翻新商可以延长设备使用寿命。

但转售交易也可能只是转移责任，而非解决问题。最终所有者可能在安全回收能力和监管执法仍较薄弱的地区运营。

全球系统已经在应对普通电子产品废弃物方面举步维艰。全球废弃物基线记录显示，2022 年电子废弃物总量为 6200 万公吨。

其中仅有 22.3% 被记录为通过环境无害化渠道进行正式收集和回收。该监测报告预计，到 2030 年这一数字将达到 8200 万公吨。

即使 BAN 的高位情景从未发生，这些数据也使其警示具有现实意义。额外的 AI 数据中心电子废弃物将进入一个原本就存在显著缺口的收集体系。

这些材料本身并不均质。服务器主板可能含有可回收金属，而电池和冷却设备则带来不同的危害和处理要求。

一些资产在退役后立即具有很高的转售价值。另一些资产一旦将运输、检测、数据销毁、维修和合规成本计入，便不再具有经济性。

能效带来另一项权衡。让旧服务器继续服役可以避免制造替代品，但低效设备每单位工作所消耗的电力可能更多。

合理的决策需要生命周期分析，而不是一条放之四海而皆准的规则。当剩余设备能够提供有用工作，且不会转移不可接受的能源或处置负担时，再利用是有利的。

模块化设计可以改善这一局面。可更换的加速器、标准化部件、便于维修的设计和更长期的软件支持，都能避免整个系统提前退役。

采购合同也可以明确责任。买方可以要求供应商报告回收去向，并在初始服务期之后继续提供零部件支持。

政府有多种可用杠杆。生产者延伸责任制度可以要求制造商为产品寿命终结时的收集和处理提供资金。

维修权规则可以改善对零部件和文档的获取。出口执法可以限制那些被错误标注为可再利用设备的货运。

这些措施都不依赖于接受 BAN 的完整预测。它们回应既有废弃物问题，并在多种增长情景下减少风险暴露。

对企业技术采购方而言，教训同样务实。AI 采购应纳入设备寿命和处置后果，而不只是考虑能力和运营成本。

在大规模更换设备之前，软件需求值得审查。迫使采用新硬件的功能，应能够证明其带来的物料变化具有合理性。

准确的资产历史记录在此至关重要。组织需要可检索的采购、维护、安全和处置记录，才能审计更换设备的决策。

负担不能只落在终端用户身上。平台开发商和超大规模运营商决定了许多塑造设备需求的兼容性门槛。

BAN 的报告将这些隐藏决策纳入环境议题讨论。这是它最持久的贡献，无论最终吨位为何。

三个信号将检验 AI 电子废弃物估算

后续证据应当判定，BAN 的警示有多少反映了可测量的设备周转，又有多少仍属于高增长情景。

第一个信号是超大规模运营商披露设备级数据。有价值的报告应分别列出加速器、服务器、网络设备、电池、电力设备和冷却系统。

它们应明确每个类别的平均退役年限，还应区分重新部署、转售、零部件拆解回收、认证回收和处置。

此类数据将直接检验 BAN 对使用寿命的假设。记录在案的更长寿命将削弱其中心预测，而更短周期则会增强该预测。

第二个信号是关于 AI 废弃物传染效应的证据。研究人员需要采购记录，以证明 AI 需求是否确实加速了设备更换。

一项有力研究将比较 AI 采用率不同的相似组织，并控制操作系统支持、安全政策、设备年限和常规采购周期等因素。

仅靠消费者调查并不足够。买家往往会报告更换设备的多种原因，而营销活动可能模糊决定性因素。

设备激活和以旧换新记录可能提供更好的证据。企业资产管理数据库或许能够揭示，具备 AI 能力的机器是否在计划退役前替换了仍可使用的设备。

如果这些数据表明提前更换现象广泛存在，BAN 最大的新类别将获得可信度。如果更新周期保持稳定，其高位总量将显著减弱。

第三个信号是，当前 AI 硬件退出前沿服务后，再利用计划的实际结果。关键衡量指标是新增的有效使用寿命，而不是出货量。

研究人员应追踪退役加速器是否在其他地方运行了有生产力的工作负载。他们还应记录能耗、故障率、出口去向和最终回收情况。

BAN 计划发布有关再利用、毒性和缓解措施的后续论文。这些内容应使其假设更易评估，并将吨位与实际危害联系起来。

行业无需等待完美的预测。它现在就可以改进清单管理、公布退役数据、支持模块化设备，并核查下游处理商。

与此同时，政策制定者应避免将宽泛情景视为已测量的废弃物。更好的规则始于清晰定义和可比报告。

BAN 的 AI 电子废弃物报告成功揭示了一个盲点。数据中心远不止包含 GPU，每个支持系统最终都会走到生命周期终点。

其 40 到 60 倍的比较仍具有条件性，因为它将更广泛的基础设施与一种新的诱导性过时理论结合在一起。这一区别应指导每一篇新闻标题和每一项政策回应。

如今，借助运营记录，我们可以回答这个决定性问题：AI 投资是在延展计算能力的有效使用周期，还是在加速整个技术栈的替换？

在下一波硬件浪潮成为又一条无形的废弃物流之前，运营商、采购方和回收商应当要求查验这些记录。