Basel Action Network 电子废弃物报告揭示 AI 隐藏的硬件问题

Basel Action Network 现估计，到 2050 年，与 AI 相关的设备最多可能产生 6.17 亿吨电子废弃物。这份 Basel Action Network 电子废弃物报告 得出这一数字时，统计范围远不止处理器和服务器。它还包括维持 AI 数据中心运行所需的电气、制冷、网络、存储和备用系统。

这一更宽泛的统计边界，使预测值远高于此前主要聚焦计算硬件的研究。在高位情景下，退役设备可装满约 2300 万个 40 英尺集装箱。若将这些集装箱首尾相连，长度约可环绕地球六圈。

这一醒目的数字是预测，而非实际测量结果。但报告揭示了云服务提供商、设备制造商、回收企业和监管机构面临的一个紧迫问题。AI 的物理足迹并不止于电力和用水。每座新数据中心还会带来未来的废弃机械、有害材料和可回收金属流。

AI 电子废弃物估算规模刚刚大幅扩大

这项新估算改变的是统计边界，而不只是增长假设。

非营利组织 Basel Action Network，即 BAN，于 2026 年 9 月 15 日发布了这项分析。报告预计，2025 年至 2050 年间，将有 3.95 亿至 6.17 亿吨与 AI 相关的电子设备退役。

上限估算相当于约 2300 万个集装箱。即使是下限估算，也代表着远超目前讨论中服务器导向预测的废弃物流规模。

BAN 估计，到 2030 年，年度退役量可能达到 860 万至 1310 万吨。该组织称，这大约是部分以服务器和图形处理器为核心的估算值的 40 至 60 倍。

这一差异首先源于 BAN 如何界定系统边界。数据中心需要服务器，但仅靠服务器无法运行。它还需要交换机、存储设备、配电设备、电池、发电机、制冷设备、电缆和其他专用硬件。

报告称，以服务器为重点的研究忽略了数据中心更广泛机电基础设施中约 87% 的部分。因此，BAN 采用全基础设施模型，为每吉瓦数据中心容量配置约 7 万吨设备。

容量预测随后推动了该项预测。该模型依据的估算显示，到 2030 年，全球数据中心容量可能达到 219 吉瓦。将设备更换情况延伸至后续扩张情景后，便得出了 BAN 截至 2050 年的累计区间。

该方法还纳入了该组织所谓的“AI 废弃物传染效应”。这一类别涵盖 AI 发展可能促使用户提前更换的相关电信设备和个人设备。

这是模型中范围最广、也最不确定的组成部分。服务器退役可以直接与数据中心升级关联起来。但要判断某项 AI 功能是否导致消费者更换手机或电脑，则更为困难。

即便对这一类别采取谨慎解读，BAN 的核心发现仍然重要。这项全基础设施估算识别出了较狭窄研究通常未纳入模型的设备。

一块被丢弃的图形处理器显而易见，也容易与 AI 联系起来。退役的冷却泵、开关设备、备用电池、网络交换机和电力系统则较少受到关注。但它们合在一起，可能比同一设施中的计算设备更重。

这一扩大的范围解释了为何该报告并非只是基于模型增长加速的又一次警告。BAN 认为，在人们讨论增长率之前，大量未来废弃物就已被遗漏。

这一结果将每一座已宣布建设的 AI 园区重新定义为一项延后的废弃物管理承诺。建设不仅决定近期的用电需求，也决定了最终必须由某方再利用、回收、储存或丢弃的设备数量。

AI 数据中心为何会形成硬件更换周期

AI 基础设施产生废弃物，源于反复更换，而不是遥远未来的一次拆除事件。

数据中心包含使用寿命各不相同的设备。服务器可能在建筑物仍在运行期间升级。电池、制冷部件、硬盘和网络设备则遵循不同的维护与更换周期。

AI 加速了这一周期，因为运营商需要在每瓦性能、计算密度和服务成本方面展开竞争。较新的加速器可在受限的功耗范围内处理更多任务。这可能使仍能正常运行的旧设备在物理损坏前就失去商业吸引力。

由此产生的废弃物并不限于损坏硬件。它还包括因新系统具有更优经济效益而退役的设备。一些设备可进入二级市场，但另一些设备因设计过于专用或转售需求有限而难以流通。

大型 AI 集群也会重塑其周边系统。更高的机架密度需要不同的制冷方案、供电方式、网络配置和物理布局。因此，更换计算层可能迫使设施其他部分同步改变。

这造成了快速部署与延长设备寿命之间的冲突。云服务提供商希望每一代硬件尽快上线。减少废弃物的最佳方式，则是让设备保持更长时间的可用性、获得维修，或进入第二生命周期应用。

此前研究已捕捉到部分这种压力。一项 2024 年同行评审研究估计，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。其模型尤其聚焦于大语言模型计算设备。

同一项生成式 AI 研究发现，循环利用策略可将模型中的废弃物减少 16% 至 86%。这些策略包括延长硬件寿命、再利用设备，以及提高材料回收效率。

另一项 2026 年学术分析得出了较低的近期估算。该研究预计，到 2030 年，AI 服务器每年可能产生 13.1 万至 22.48 万吨电子废弃物。

这项以服务器为重点的重新评估认为，AI 对全球电子废弃物的贡献可能低于此前估计。它还强调，供应链数据和现实服务器寿命信息均存在不足。

乍看之下，这一结论与 BAN 的数字相冲突。然而，这些研究并未测量完全相同的对象。一方侧重 AI 服务器，而 BAN 则试图统计周边基础设施以及受影响的设备更换。

这一差异很重要，因为“AI 电子废弃物”并没有获得普遍认可的统计边界。分析人员可以统计加速器、整台服务器、完整设施、相连的电信资产，或受 AI 采用影响的消费设备。

每种选择回答的是不同问题。仅统计服务器的模型可以估计计算产生的直接硬件负担。全系统模型则更适合考察基础设施扩张所产生的废弃物责任。

因此，BAN 的报告并不必然推翻这些学术估算。它质疑的是：这些估算的边界是否足以支持政策制定和长期废弃物规划。

相互竞争的结果揭示了更深层的透明度问题。外部研究人员通常无法获得大型数据中心运营商完整的设备清单、退役时间表、翻新率和最终处置记录。

缺少这些记录时，模型必须将公开的容量预测与设备重量和寿命假设结合。尤其当预测延伸至 2050 年时，微小变化会在数十年间不断累积。

不确定性确实存在，但这并不会让硬件凭空消失。这也说明，运营商应以对待能耗和碳排放同等严肃的态度报告其实体资产。

Basel Action Network 电子废弃物报告令回收行业承压

AI 基础设施扩张正在产生专用废弃物，其速度快于回收体系提升透明度和问责能力的速度。

根据《全球电子废弃物监测报告》，2022 年全球产生了 6200 万吨电子废弃物。其中仅 22.3% 被记录为以环境无害方式进行正式收集和回收。

这份全球废弃物清单预测，到 2030 年，年度电子废弃物产生量将达到 8200 万吨。在 BAN 对 AI 基础设施采用更宽泛定义之前，这一增长就已在预期之中。

BAN 估计，与 AI 相关的设备最终可能占全球电子废弃物的 15% 至 20%。该组织将这一比例与到 2050 年全球每年预计产生 2.11 亿吨电子废弃物的总量进行比较。

这些数字不应被视为必然结果。它们结合了长期数据中心增长、设备密集度、更换周期和全球废弃物预测。每个组成部分都可能发生变化。

尽管如此，这一情景展现了回收企业面临的产能问题。数据中心设备含有有价值的铜、铝、钢、线路板及其他可回收材料。它也可能含有电池和需要受控处理的物质。

收集只是第一项挑战。现代电子产品以复杂方式组合材料，增加了分离难度。回收大宗金属通常比从集成组件中提取少量关键材料更容易。

回收商还需要了解接收设备的可靠信息。设备清单、组件构成、维修历史和数据安全要求，都会影响硬件是可再利用还是必须拆解。

存储数据的设备构成另一项障碍。企业可能销毁仍可使用的存储设备，以防止信息泄露。安全擦除和经过验证的监管链系统可以保留再利用选项，但这需要在设备退役前做好规划。

AI 行业有动力回收部分设备价值。加速器、服务器和网络设备可继续用于要求较低的工作负载。零部件也可用于维修或二次部署。

不过，再利用取决于软件支持、能效、兼容性和买方可及性。如果运营成本高于新设备，仍能运行的服务器可能几乎没有实际价值。

这种张力使设计决策变得重要。模块化系统让运营商能够更换单个组件，而非整套装置。标准化部件和维修文档也可延长使用寿命。

制造商会影响这些选择，但超大规模客户拥有更强的议价能力。云服务提供商以极大规模订购设备，且通常参与塑造定制设计。其采购规则可以要求可维修性、材料披露和回收服务。

回收计划还必须涵盖服务器周边的设施设备。电源、制冷设备、电池、电缆和网络系统遵循不同的再利用与回收渠道。单一承包商未必能妥善管理所有废弃物流。

因此，压力会落在整条链条上。数据中心业主决定设备何时退出使用；制造商掌握设计信息；物流服务商运输退役资产；回收商则决定哪些材料能够重返生产环节。

这条链条中的任何一个环节中断，都可能使原本可回收的设备沦为出口废料或填埋垃圾。BAN 的预测规模，使碎片化问责越来越难以辩护。

出口规则揭示 AI 废弃物的地理流向

最棘手的问题不仅是有多少设备退役，更在于它们之后去了哪里。

电子废弃物常常跨境流动，因为不同地区的劳动力、处理成本和环境监管力度差异很大。一批标注为再利用的货物，可能包含几乎没有剩余价值的设备。

《巴塞尔公约》规范危险废物及其他受管制废物的国际转移。其电子废弃物修正案于 2025 年 1 月 1 日生效，扩大了对国际电子废弃物运输的事先知情同意管控。

按照这一程序，受管制货物出口前，出口国通常需要获得相关进口国和过境国的书面同意。这些规则旨在防止不受欢迎的废弃物流入缺乏安全处理能力的地区。

美国已签署但尚未批准《巴塞尔公约》。这使得最大的 AI 基础设施市场未被完全纳入该条约缔约方框架，尽管美国国内及目的地国家的规则仍可能限制相关运输。

BAN 长期关注这一监管缺口。其调查追踪了从较富裕市场流出的废弃电子产品，这些产品最终在执法较弱或非正规回收行业规模庞大的国家接受处理。

一项 2025 年调查发现，美国电子产品正被运往东南亚和中东的目的地。多个接收国的主管部门当时已在加强查扣和执法行动。

这项出口调查描述了工人在缺乏充分防护的情况下拆解设备。此类处理可能释放有毒烟雾、受污染的粉尘和危险残留物。

AI 设备不会必然走上这些路径。大型运营商可以要求经过认证的处理流程、审计供应商，并保留从设备退役到最终处理的记录。

当设备经由经纪商和多家下游企业流转时，风险就会增加。每一次转手，都可能削弱对资产究竟被再利用、妥善回收、无限期存放还是倾倒的可见性。

企业公布的回收总量并不总能回答这个问题。一家公司可能报告了从填埋场转移的比例，却未披露最终去向或各种材料的回收率。

同样，“已回收”并不意味着每个部件都变成了新产品。这个词可以涵盖从谨慎的材料回收到低价值破碎处理等一系列流程，后者可能产生大量残余废弃物。

该报告的政策主张建立在弥合这些可见性缺口之上。BAN 希望加强对废弃物出口的管控、推行独立回收认证，并明确设备整个生命周期内的责任归属。

延伸生产者责任制度提供了一条路径。这类规则要求生产商在产品达到使用寿命终点后，负责出资或组织收集与处理。

这种方式可以将废弃物成本转移给影响产品设计的企业。它也可能鼓励开发寿命更长、更易拆分，或在二级市场中更能保值的产品。

不过，数据中心基础设施并不完全适合套用消费设备项目。定制设备、企业对企业销售、租赁硬件和全球云服务运营，需要为工业技术量身设计的规则。

国际协调同样重要，原因也在于此：如果退役设备可以经由报告要求较弱的司法管辖区流转，单一市场的严格计划覆盖范围就会受限。

AI 基础设施的扩张，使这种监管错配更难被忽视。硬件在国界之内运行，但供应链和废弃物市场却是全球性的。

最大的数字，也最不确定

BAN 的预测是一种警示情景，而非对已经产生废弃物的精确计量。

该组织是一个对危险废物出口持有明确政策立场的环境监督机构。其分析应被视为倡议性研究，而不应与同行评审形成的科学共识混为一谈。

多项假设都可能显著改变预测结果。未来数据中心容量的增长速度可能快于或慢于预期。随着设施提高密度和效率，每吉瓦对应的设备密度也可能发生变化。

硬件寿命同样至关重要。延长平均使用寿命，可以减少到 2050 年前的更换周期数量；更短的周期则会同时增加制造需求和退役规模。

模型还必须区分更换和废弃。一块退役后出售给其他运营商的加速器，虽然离开了原始数据中心，但尚未达到使用寿命终点。若将退役与处置视为同义词，就会高估即时废弃物规模。

BAN 将其区间界定为从服务中退役的电子设备。因此，读者不应将每一吨都理解为在预测期内直接送往填埋场的材料。

二次使用可以将处置推迟数年，但不会消除最终的废弃物处理责任。设备终将达到维修、转售或重新部署不再可行的阶段。

“AI 废弃物传染”类别引入了另一层不确定性。AI 功能可能推动设备升级，但消费者更换设备往往出于多种相互交织的原因，很难分离这些因素。

对 2050 年的预测还取决于尚未出现的技术。未来的加速器每单位计算量可能使用更少材料；新的冷却设计可能减轻设备重量，或更高密度的部署可能需要更多专用系统。

政策同样会改变结果。维修要求、再生材料标准、生产者责任法律和出口管制，都会影响废弃物规模和处理路径。

这些不确定性削弱了精确性主张，却加强了改善信息披露的理由。运营商可以通过公布设备数量、重量、使用年限、再利用率和经验证的去向，以实测数据取代假设。

可比性报告也能化解狭义与广义估算之间的分歧。研究人员可以将服务器废弃物与配套基础设施分别呈现，而不是将两者合并为一个数字。

一个有用的信息披露框架至少应追踪四个阶段：购买的设备、部署的设备、退役的设备，以及接受最终处理的设备。再利用应与回收保持区分。

企业还应报告材料回收情况，而不是只依赖设备数量。一台被再利用的服务器和一套被回收的冷却系统，代表着不同的环境结果。

对 BAN 预测最有力的回应，并非接受其每一项上限假设，而是要求提供足够的运营证据，以可审计记录替代不确定估算。

在此之前，行业保证和外部预测都难以验证。信息缺口有利于乐观说法，因为废弃物往往在基础设施公告获得公众关注多年后才会出现。

三个信号将显示预测是否成立

容量增长、设备寿命和经验证的回收情况，将决定 AI 是否接近 BAN 的上限估计。

第一个信号是数据中心建设的速度和构成。宣布的容量并不总会转化为实际运营容量。电力接入、融资、许可或芯片供应造成的延误，都可能改变退役预测。

更重要的是，开发商应在公布兆瓦数的同时披露设备密度。两座电力容量相同的设施，可能配备不同数量的冷却、备用、网络和计算硬件。

如果已部署容量接近当前高增长预测，同时材料密度没有下降，BAN 的区间就会更具可信度。建设放缓或基础设施轻量化，则会削弱上限情景。

第二个信号是 AI 硬件的实际使用寿命。运营商很少持续公开展示加速器、服务器及配套系统部署时长的数据。

应关注是否有证据表明，较旧的加速器正转向推理、研究或二级市场工作负载。有效运转的转售渠道将减少短期废弃物，并改善延长硬件使用寿命的经济性。

制造商支持也很重要。软件兼容性、备件、维修渠道和固件更新，能够决定旧设备是否仍具实用价值。

如果云服务商仅使用数年便更换系统，且没有进行大规模重新部署，年度废弃物将迅速增加。更长的服役期和有记录可查的二次使用，将使结果趋近于区间下限。

第三个信号是可验证的下游回收。企业可持续发展报告应明确有多少设备被再利用、翻新、回收，以及送往最终处置。

这些报告还应列出处理地区并说明审计方法。没有目的地数据的回收比例，无法证明危险材料是否流入监管不善的处理环节。

监管机构可以通过运输记录和执法来强化这一信号。Basel e-waste rules为同意程序和国际追踪提供了框架，尽管各国的参与程度和执法力度仍不均衡。

透明的信息披露将使客户能够从速度、模型访问和电力声明之外比较云服务商。企业买家可以在基础设施采购中纳入设备寿命和回收要求。

开发者和知识工作者的直接控制力较小，但其采购决定仍会影响需求。选择规模适当的模型并延长设备寿命，可以减轻系统边缘环节的压力。

Basel Action Network 电子废弃物报告最终挑战了 AI 主要作为软件存在的观念。每一个模型都依赖于使用寿命有限、最终去向复杂的实体系统。

随着技术、政策和再利用实践的改善，6.17 亿吨的估计可能下降。如果容量和更换周期同时加速，它也可能被证明偏于保守。

接下来关键在于，运营商是否会披露足够证据来分辨两种情形。询问服务提供商：其设备服役多久、退役系统去了哪里，以及如何验证回收。这些答案将揭示，AI 的硬件热潮是在构建循环供应链，还是仅仅推迟了一场规模大得多的废弃物危机。