Basel Action Network AI 电子废弃物估算纳入服务器研究遗漏的部分

Basel Action Network 将 AI 废弃物核算范围扩展至服务器之外，得出的估算最高可达一项被广泛引用的学术预测的 60 倍。Basel Action Network 的 AI 电子废弃物模型涵盖冷却设备、配电系统、备用系统、网络设备、服务器及加速器。

这一范围变化至关重要，因为服务器仅是为人工智能建设的实体基础设施之一部分。不过，该报告中规模最大的预测也依赖于备受争议的设备寿命及数据中心长期增长假设。

因此，真正的分歧并非环境关切与 AI 投资之间的冲突，而是全面生命周期核算与以算力为中心的狭义衡量之间的较量。CIO 必须决定哪些资产应被纳入计算、它们能保持多久的使用价值，以及“退役”究竟意味着什么。

Basel Action Network AI 电子废弃物核算扩大边界

该报告最具影响力的举措，是改变了 AI 基础设施的定义范围。

Basel Action Network，即 BAN，于 2026 年 9 月发布了其 AI Waste Wave 报告的第一部分。BAN 是一家专注于危险废物贸易及《巴塞尔公约》执行情况的环保组织。

此前的 AI 废弃物估算通常聚焦于服务器、机架和 GPU 等加速器。BAN 则对支撑数据中心计算能力的五类设备进行了建模。

其参考设计将机电设备质量的 35% 分配给冷却设备。配电系统占 34%，备用电力系统另占 15%。服务器和加速器占 13%，其余 3% 来自网络设备。

按照这一划分，87% 的相关实体基础设施位于服务器类别之外。BAN 认为，早期 AI 预测因此遗漏了每新增一吉瓦容量所涉及的大部分设备。

报告估计，一吉瓦的数据中心容量约需 62,000 至 77,000 公吨机电设备。其采用每吉瓦约 70,000 吨作为中心值。

这一总量包括变压器、开关设备、不间断电源、电池、发电机、冷却机械、网络设备、服务器机架和处理器。存储与备份基础设施也被纳入更广泛的核算边界。

并非每一种组件都含有相同材料，或遵循相同的处置路径。不过，这些设备中有很大一部分在所有者丢弃后符合电气或电子设备的定义。

这一区别改变了环境问题的焦点。仅计算 GPU，衡量的是更新最快、最显眼的组件；计算整座设施，则是在审视 AI 需求如何重塑完整的硬件系统。

新一代加速器可能需要更高密度的机架、不同的电压供电方式、液冷系统以及更高速的网络架构。现有配套设备或许仍能运行，却已不再适配新设计。

这种情况属于经济性淘汰，即设备在物理停止工作之前便失去商业价值。当下一代计算架构需要不兼容的支撑系统时，便可能出现这一情况。

BAN 将这一担忧应用于大规模数据中心扩张计划。其模型得出结论，到 2050 年，与 AI 相关的设备退役量每年可能达到 3,100 万至 4,600 万吨。

这些数字将构成预计每年 1.96 亿至 2.11 亿吨电子废弃物的一部分。BAN 将这一预测与当前约 6,700 万吨的产生量进行了比较。

该组织还估计，2025 年至 2050 年间，AI 驱动的设备退役累计量可能达到数亿吨。这些是模型推演结果，而非直接观测到的废物流量。

报告更广泛的范围是其最强的贡献。其长期总量预测则需要更加谨慎对待，因为设备寿命或增长率的微小变化会在数十年间不断累积。

这一差异应在围绕该报告的每一场讨论中保持清晰可见。BAN 以合理的物理依据识别出了遗漏的类别，但它并未消除有关所有这些设备何时成为废弃物的不确定性。

缺失的 87% 改变了数据中心成本核算

AI 容量并不只是芯片的集合；它是一个紧密耦合的系统，每一层都伴随材料成本。

企业 AI 规划往往将计算采购与设施管理分开。服务器归入一个预算，而冷却、电力、电池和网络升级则出现在其他预算中。

这种组织上的分离可能掩盖部署的总体影响。采购团队或许会计算服务器折旧，却未将同一次安装所引发的冷却改造联系起来。

这一模式也会影响投资回报计算。更高效的加速器可以降低单项工作负载的成本，同时却需要更高密度的供电能力和新的冷却基础设施。

冷却资产尤为重要，因为散热需求会随着机架密度变化。围绕低功耗企业服务器设计的机房，可能无法支持高密度部署的加速器系统，除非进行大规模改造。

配电系统也会形成类似依赖。更高密度的部署可能需要新的开关设备、变压器、母线槽和不间断电力系统。备用发电机和电池也可能需要扩容。

网络会带来另一种更新压力。大型 AI 集群使用高带宽连接，在加速器、存储设备和其他服务器之间传输数据。因此，处理器升级可能暴露计算托盘之外的瓶颈。

这正是 BAN 的核算边界值得关注的原因，即便其预测最终被证明过高。配套基础设施并非可有可无，而其环境成本也不会因为归属另一个部门就消失。

这一问题不止影响环境报告。忽视配套设备可能扭曲资本预测、保险风险、退役预算和供应商义务。

一家公司可能为服务器转售做好规划，却没有为专业冷却装置建立回收渠道。它可能按不同周期更换电池，却没有将这种更新与 AI 容量决策联系起来。

全球电子废弃物数据提供了重要基准。根据 ITU 和 UNITAR 的数据，全球在 2022 年产生了 6,200 万吨电子废弃物。

其中仅有 22.3% 被记录为通过环境友好型系统进行正式收集和回收。同一评估预计，到 2030 年全球电子废弃物产生量将达到 8,200 万吨。

AI 基础设施仍将只是这一全球废物流的一部分。然而，其设备材料密集、成本高昂，并集中于各组织比消费电子产品更容易追踪的设施中。

这种集中性创造了机会。数据中心运营商知道基础设施安装在何处、由谁供应，以及何时投入使用。他们可以在设备退役前附加回收义务。

CIO 可以从将每一次容量扩张与完整的实体资产清单关联起来开始。这份记录应涵盖计算、存储、网络、电力系统、冷却设备、电池、制冷剂和消防材料。

该清单还必须区分所有权。云服务提供商、托管数据中心运营商、企业、业主和设备供应商可能控制同一部署中的不同层级。

缺少这种区分时，每个参与方只能报告自身账面上的资产。由此形成的碎片信息可能永远无法揭示完整 AI 服务的材料足迹。

组织还需要一个共同的退役定义。将设备从主集群移除，并不一定意味着将其丢弃。

一台服务器可能从训练用途转向推理，然后用于批处理或进入二级市场。网络设备可能服务于需求较低的环境。组件也可能被拆取为备件。

反之，当新的机架架构使其不兼容时，冷却系统可能成为搁浅资产。即使其机械部件仍能正常运行，也可能退出服役。

生命周期记录应捕捉这些路径。工程团队可以在可搜索的知识库中保留采购决策、配置变更和再利用证据。

更完善的记录无法解决所有环境问题，但能显示一项资产是被再利用、存放、转售、回收、出口还是丢弃。

这些证据至关重要，因为争议如今转向设备寿命。BAN 假定的更新速度快于多家超大规模云服务商在财务核算中报告的速度。

设备寿命是预测中最薄弱的一环

BAN 确立了更广泛的硬件边界，但其最大的总量预测取决于可用资产变成废弃物的速度。

BAN 在其模型的重要部分中，为加速器、服务器和机架设定了 2.5 年的服役寿命。它还假定冷却设备寿命为五年，配电基础设施寿命为八年。

这些假设会随着数据中心容量增长而产生快速更换潮。结合 8.8% 的年容量增长率，它们推动了报告中最高的长期总量预测。

随附的行业分析提出了若干异议。分析人士普遍认可扩大核算范围的必要性，但质疑从已安装质量推算至被丢弃废弃物的转换方式。

Dickson Research 的 Frank Dickson 认为，每吉瓦 70,000 吨的估算在方向上可信。他认为“废弃物多出 40 至 60 倍”的说法则较难站得住脚。

这一差异反映了两种不同的计算。估算设施中安装的质量，并不等同于估算每个组件在哪一年成为废弃物。

加速器发布周期只能为服役寿命提供不完善的替代指标。Nvidia 可以推出更快的架构，却并不意味着所有早期处理器都会失去经济价值。

在 Nvidia 于 2017 年推出 V100 加速器多年后，Google Cloud 仍继续列出 V100 实例。AWS 在 2026 年期间也仍继续提供基于 2020 年发布的 A100 的系统。

这些例子并不能证明行业范围内的设备寿命。它们表明，前沿产品替换和最终退役是不同事件。

较旧硬件可以在工作负载层级中下移。训练集群可能需要最新的加速器，而推理、测试、研究或批处理则可以容忍较旧的系统。

财务报告进一步支持这种可能性。Microsoft 在其 2025 年设备会计报告中，将计算机设备纳入预计两至六年的使用寿命范围。

Meta 报告称，自 2025 年 1 月起，已将大多数服务器和网络资产的预计使用寿命延长至 5.5 年。这些会计寿命并不直接衡量实体使用、再利用或处置。

然而，这与设备在 2.5 年后普遍退役的假设相冲突。超大规模云服务商在财务上有动机让昂贵的基础设施在更长时间内保持生产力。

BAN 认为，AI 设备面临异常的替换压力。加速器效率会改变运营经济性，而新系统可能需要不同的供电、冷却和网络设计。

两种观点都可能成立。设备原则上可能仍然有用，但在某一特定设施中却可能变得缺乏吸引力。

决定性变量是设备移除后发生什么。重新部署可延长使用寿命；转售则将这段寿命转移给另一位所有者；储存只是推迟决策，并未带来生产性使用。

回收也不等同于再利用。它可以回收部分金属，但通常会毁掉大部分已投入的制造价值。

一项 2024 年的服务器废弃物研究估计，2020 年至 2030 年间，生成式 AI 可能累计产生 120 万至 500 万吨电子废弃物。该研究主要聚焦于 AI 服务器及相关组件。

同一研究发现，循环策略可将模型测算的废弃物减少 16% 至 86%。这些策略包括延长服役寿命、再利用硬件以及提升材料回收效率。

后续一项2026 年重新校准研究估计，到 2030 年，AI 服务器每年产生的废弃物将达到 13.1 万至 22.48 万吨。该研究采用了芯片产能数据以及更保守的寿命假设。

BAN 与这项 2026 年研究衡量的并非完全相同的系统。一方计入了大量配套设施，另一方则集中于服务器。

但两者的分歧仍暴露出一个重大数据问题。研究人员缺乏关于已部署 AI 设备、实际利用率、升级时点、二次部署以及最终处置方式的完整公开信息。

因此，若不说明范围，“40 至 60 倍”的比较可能具有误导性。很大一部分差异来自计入了额外类别，而非发现现有服务器存量规模大了数十倍。

其余差异来自对增长和周转的假设。越往未来，这些假设的影响就越大。

BAN 对 2050 年的数字应被视为情景分析：它们展示了快速建设、快速退役的体系会产生什么结果。它们并非带有狭窄置信区间的实测预测。

这一限制并不会否定核心警示。它界定了验证该警示所需的证据。

退役硬件并不自动等于电子废弃物

核心的政策和核算错误，是将移除、淘汰和处置视为同一事件。

设备可以通过多种路径离开高性能集群。每条路径都会带来不同的经济和环境结果。

重新部署意味着资产仍留在同一组织内部。一台训练服务器离开前沿集群后，可能用于推理、仿真、开发或内部研究。

转售意味着设备转移给另一家运营商。新所有者可能将其用于托管、科学计算、渲染或规模较小的 AI 工作负载。

零部件拆取可保留特定组件。内存、存储设备、电源、网络适配器、风扇和处理器可用于维修或翻新系统。

当生产性再利用不再可行时，正规回收可提取材料。回收质量差异很大，尤其是在复杂电子产品和专用组件方面。

处置会在没有实质回收的情况下结束设备的生产性寿命。非正规处理还可能使工人和社区暴露于有害物质。

这些路径不应共用一个标签。将它们混为一谈，可能在一项分析中夸大废弃物规模，又在另一项分析中掩盖有害处置。

巴塞尔行动网络报告以设备退役为基础来建模未来废弃物。这种方法覆盖了离开原始角色的资产，却无法保证其后续去向。

一家超大规模云服务商可能在 GPU 服务器使用三年后将其移除，并在其他地方再运行三年。另一家公司则可能因转售或数据清除过于困难，而将类似硬件留在仓库中。

第二项资产在技术上仍归公司所有，但其实际价值可能已经丧失。第一项资产已离开原始安装环境，却并未成为废弃物。

数据安全使再利用更加复杂。存储设备可能包含敏感信息，而固件和管理系统可能保留凭据或配置数据。

当组织无法验证数据清除时，有时会销毁仍可使用的设备。明确的擦除流程和可审计的监管链可使再利用更可行。

设计也会影响回收。专有组件、集成式冷却系统和受限固件可能减少维修选择。模块化硬件则可支持选择性升级，而不必替换整套机架。

供应商合同出于同样原因也很重要。回购、回收、翻新和组件回收条款，决定了设备到位前是否已经存在退役方案。

因此，CIO 应在资产层面索取处置数据。有用字段包括安装日期、主要工作负载、移除日期、移除原因、剩余价值、去向和回收证明。

设施团队也需要为变压器、冷却设备、电池、发电机和开关设备保留可比记录。这些系统通常拥有不同的所有者和服务提供商。

采购合同应区分功能性故障与架构不兼容。这一区别可揭示周转是由磨损、容量限制、效率经济性还是新的设施设计所导致。

这些证据将改善环境报告和投资决策。它也将显示，AI 基础设施是否正在形成比传统数据中心系统更短的生命周期。

报告边界必须延伸至二次使用环节。除非供应商报告下游结果，否则供应商回收计划并不能证明设备得到再利用或负责任的回收。

出口也需要接受类似审查。将退役设备跨境转移可能支持合法再利用，但也可能将处置风险转移到监管较弱的环境中。

《巴塞尔公约》规范危险废物的国际转移。当货物在剩余价值有限的情况下仍被描述为可再利用产品时，执法将变得困难。

这些问题使 AI 电子废弃物成为治理议题，而不仅仅是回收问题。架构和采购阶段做出的决定，会在多年后决定许多可选方案。

如果公司购买的是高度集成的系统，就无法回收模块化组件。如果资产记录在设施、财务和可持续发展团队之间消失，也无法证明设备被再利用。

BAN 更广泛的模型促使 CIO 将这些职能联系起来。即使废弃物估算较低，仍需有证据说明每台退役服务器周边基础设施的去向。

三个信号将检验 AI 电子废弃物估算

下一批有价值的证据将来自生命周期披露、二次使用，以及配套基础设施中可测量的变化。

第一个信号是，主要运营商是否会发布 AI 设备的资产级生命周期数据。当前的可持续发展报告通常提供能源、用水、排放或笼统的废弃物总量。

更有价值的披露应将加速器、服务器、存储、网络、电池、冷却系统和供电设备分别列出，同时报告中位服役寿命及最终处置方式。

这些信息将直接检验 BAN 的退役假设。若设备寿命接近 2.5 年且再利用有限，将强化该报告对近期风险的警示。

若存在更长的运行周期并有记录可查的重新部署，则会削弱其最高预测。仅凭会计折旧无法回答这个问题，因为它无法揭示实体设备的最终去向。

第二个信号是，AI 加速器及相关系统的可信二级市场是否增长。较老处理器仍可在云端持续使用，已表明早期产品仍保有价值。

然而，零星供应并不能说明有多少硬件进入了第二生命周期工作负载。运营商需要提供数量、利用率和去向数据。

一个运转良好的二级市场能够将前沿技术淘汰与实体废弃物区分开来。它还将为企业提供以实际交易为基础的剩余价值假设。

疲弱的转售需求将支持 BAN 对经济性淘汰的担忧。即使处理器仍可运行，新的供电、冷却和网络要求也可能使设备被闲置。

第三个信号是，在 AI 升级期间配套系统被替换的频率。这是当前讨论中最不显眼的部分，也是 BAN 模型中最重要的新增内容。

如果新的加速器部署反复触发冷却、配电、电池和网络架构的更换，那么仅研究服务器的工作将始终不完整。

如果运营商通过模块化增配来适配现有基础设施，更广泛的已部署质量就不会转化为同样快速的废弃物增长。这种结果将降低 BAN 模型中的周转率。

CIO 不应等到完美的全球预测出现后才采取行动。他们现在就可以要求为每一项重大 AI 容量采购制定生命周期计划。

一份务实的计划应明确预期服役寿命、低层级工作负载、可升级组件、转售渠道、回收义务和经验证的回收路径。它应覆盖配套设施，而不只是计算硬件。

领导者还应在批准架构前比较替换情景。一个运营成本更低的系统，如果导致近期基础设施被搁置，可能带来较差的整体回报。

决策应考虑剩余价值和退役成本。还应明确在云服务、托管机房和托管服务安排中，由哪一方承担这些成本。

巴塞尔行动网络对 AI 电子废弃物的估算不应被视为定论。其范围修正比最遥远时期的总量预测更具说服力。

不过，这份报告改变了举证责任。组织不能再假定，仅衡量服务器就能捕捉 AI 扩张带来的物质后果。

每一项 AI 基础设施提案接下来都应面对一个具体问题：当这一架构发生变化时，它的服务器、网络、电池、冷却系统和供电设备将去往何处？