Ceres 数据中心用水发现将 AI 发电厂置于审视之下

Ceres 将 AI 用水争议的讨论范围推进至服务器冷却之外，挑战了“节水型数据中心必然拥有较小用水足迹”的观点。Ceres 数据中心用水发现将注意力聚焦于发电环节：即使设施降低自身用水量，发电所需的用水量仍可能相当可观。

矛盾在于场址层面的效率声明，与支撑计算服务所需的更广泛基础设施之间。Microsoft 的冷却改进和 Google 因地制宜的冷却策略，确实回应了实际运营问题。但任何一种做法若单独考量，都无法说明支撑系统究竟需要多少水。

对于云运营商、公用事业公司和企业买家而言，这一区别改变了值得提出的问题。冷却公告只描述了系统的一部分。评估 AI 基础设施还需要考察电力供应、受影响的流域，以及现有证据的局限性。

Ceres 数据中心用水发现将边界扩展至冷却之外

Ceres 于 2026 年 8 月 25 日发布了 Water Behind the Watts: The Hidden Risk of Powering Data Centers。其发电用水分析涵盖弗吉尼亚州、得克萨斯州、加利福尼亚州、伊利诺伊州、佐治亚州、俄亥俄州和亚利桑那州。

据 Ceres 称，这些州合计承载约半数美国数据中心。该报告认为，在评估数据中心用水风险时，电力采购应得到更多关注。

核心变化在于问责边界：用水风险延伸至服务器运行场地之外。

这一边界对评估 AI 基础设施相关声明至关重要。一座设施可以减少围墙内的用水需求，同时仍依赖其他地方的水资源。其本地冷却表现无法回答上游问题。

以这种方式解读 Ceres 用水报告，提出的是对报告实践的挑战，而不是对某项特定冷却技术的裁决。运营商需要说明其用水声明涵盖哪些内容。

讨论冷却用水量的公司应明确说明其范围。讨论总运营用水足迹的公司，则需要解释如何处理购入电力。

读者还应区分这份近期报告与其背后的物理关系。在当前 AI 扩张之前，发电就已需要用水。Ceres 将这种既有依赖关系带入了基础设施投资的讨论。

这一区分可避免对变化内容作出误导性描述。该报告并非发现了电力与水之间存在相互作用，而是加强了对数据中心规划是否充分考虑这种相互作用的审视。

同样的严谨性也适用于“AI”一词。数据中心支撑多种工作负载，包括存储、传统云软件和商业应用。关于整个行业的证据不能自动转化为仅针对 AI 的总量。

因此，本文将这些发现视为一项基础设施警示。它们确立了审视上游风险敞口的理由，而个别设施和工作负载仍有待进一步调查。

设想一个宣称冷却用水量极低的拟建园区。该声明有助于市政部门评估其对饮用水系统的需求，但无法独立说明供电所带来的用水影响。

实际问题在于，项目评估是否将这些系统联系起来。分别审查冷却和电力，可能导致两者之间一项重要的依赖关系未获充分审视。

这正是 Ceres 数据中心用水发现的实用启示。相关基础设施既包括电力的来源地，也包括计算的发生地。

对读者而言，最稳妥的解读仍应具体明确。节水型冷却是有关设施的重要证据；但若被作为整个依赖电力运行体系的证据呈现，它就成了不完整的答案。

这种框架也使改进空间保持开放。运营商可以通过更完善的信息披露和基础设施选择来应对上游风险敞口，而非用同一项冷却统计数据为每个项目辩护。

全国估算说明为何电力值得关注

Berkeley Lab 于 2024 年 12 月发布的数据中心能源研究提供了另一项全国性参考。该研究估计，美国数据中心在 2023 年直接消耗了约 660 亿升水。

该研究估计，与其用电相关的间接用水量接近 8000 亿升。这些估算涵盖美国数据中心整体，而非仅限于 AI。

全国性比较支持审视与电力相关的用水量，但并不能确定单项 AI 服务的用水足迹。

Berkeley Lab 使用区域电力结构来估算间接影响。其方法未纳入单个设施的购电协议，也未纳入位于其电表后端的发电设施。

在评估特定运营商时，这些局限很重要。区域估算可提供背景，但不能替代关于该运营商实际电力安排的证据。

尽管如此，这一比较揭示了一个报告问题。如果关注点止步于直接冷却用水，就可能排除一大类运营用水需求。

应对方式应是改善测量，而非作出更戏剧化的推演。全国性估算应引导人们调查当地条件、电力来源和设施运营情况。

对企业买家而言，这构成尽职调查问题。供应商或许能提供精确的冷却指标，却几乎不提供其环境声明背后上游假设的信息。

这种可见性差异可能影响采购决策。比较供应商的买家需要足够背景，才能理解看似相近的数字是否衡量了相同活动。

公用事业公司面临相关的分析挑战。拟议的计算负载伴随着用电需求，但评估这种需求也涉及供应该电力所需的资源。

完整评估应将预测需求与相关发电假设相连接，然后识别哪些用水问题应纳入审查，哪些问题仍未解决。

地方当局面对的是不同的边界。其直接管辖范围可能集中于园区的供水接入，尽管项目的电力依赖已延伸至该地点之外。

其含义在于协调。场址审查与电力系统审查回答的是相关问题，任何一方都不应暗示另一方已解决所有关切。

这对 AI 用户同样重要，却不要求他们计算每次交互的用水量。支撑其服务的基础设施仍是供应商的责任。

大规模采用 AI 的企业可以要求与其采购决策相匹配的证据。有效回答应说明服务区域、计量期间、报告范围和重要排除项。

对小型团队而言，单独索取这些信息可能收效甚微。大型买家和行业采购组织则更有理由寻求供应商之间可比的信息披露。

因此，压力落在提出基础设施声明的组织身上。它们应说明其证据能够证明什么，以及估算在何处不再具有参考意义。

当数字的局限性清晰可见时，精确数字会更有用。缺少这些限制，即使准确的统计数据也可能支撑其原本并非旨在证明的结论。

零用水冷却并未解答电力问题

Microsoft 于 2024 年 12 月公布其下一代冷却设计，称该方案可消除冷却过程中的水蒸发。其闭环冷却设计使水在服务器与冷却设备之间循环。

该公司还承认，以机械冷却替代蒸发冷却会带来能源方面的权衡。蒸发冷却通过让水蒸发来带走热量。

减少冷却用水本身，并不能证明与总用电相关的用水量也会减少。

这是最狭义的 Microsoft 冷却用水权衡。上游结果取决于所需电力，以及供电所带来的用水影响。

同样，假设这种权衡总会抵消节水收益也具有误导性。Microsoft 的声明并未得出这一结论，不同电力供应需要分别评估。

站得住脚的解读应保留这两项事实。减少现场蒸发用水解决了真实的需求来源。评估更广泛的结果则需要冷却系统以外的信息。

Google 在其气候意识型冷却方法中描述了另一种决策框架。该公司称，其会在考虑能源和排放因素的同时评估当地水资源条件。

这一比较表明，运营商可以在不必相互矛盾的情况下作出不同冷却决策。相关约束因地点而异，企业描述也不能证明结果具有等同性。

两家公司所述的方法都不应被视为普遍排名。比较结果需要对齐报告边界、运行条件，以及每项评估背后的电力假设。

工程术语可能掩盖这一区别。液冷使用液体传导热量，但这一说法本身并未说明热量最终如何离开设施。

同样，闭环描述的是系统内部的循环，并不能独立说明运营其他环节的全部用水需求。

遇到这些术语的买家应将其视为设计信息。只有在与实测表现和清晰界定的范围相联系时，它们才构成环境证据。

请考虑设计公告与运营结果之间的差异。公告解释预期行为；结果则展示实际条件下发生了什么。

在比较拟建设施与现有设施群时，这一区别尤为重要。未来规格无法证明采用不同系统的设施当前表现如何。

Microsoft 冷却用水权衡也说明，单一标题指标为何会鼓励不完整的比较。改善最显眼的衡量指标，并不能解决所有相连的资源问题。

有效评估会将这些指标一并考量，而不将其压缩为一句口号。本地用水量、用电需求和上游风险敞口各自描述了重要事项。

对社区而言，这种做法保留了降低直接需求的价值。它也避免将冷却改进变成对支撑性电力系统的笼统保证。

对运营商而言，沟通任务很明确：准确说明收益，披露边界，并解释任何更广泛主张所依据的证据。

因此，最有力的冷却公告会为审视留下空间。它会说明工程设计在哪些方面提升了性能，并指出仍需运营数据来回答的问题。

取水、耗水与 AI 归因改变了叙事

取水是指从水源中抽取水。耗水则是指未能轻易回流至该即时水源的部分，其中包括因蒸发而损失的水。

这两项指标回答的是不同问题。即使准确引用了基础数据，将其视为可互换的指标也可能造成误导。

一项水资源主张需要明确指标、地点、时间周期和工作负载边界，读者才能理解其意义。

取水可能很重要，因为基础设施必须获取并处理相关用水。耗水之所以重要，是因为其中部分水不再可供即时系统使用。

任何一项指标都无法自动完整说明当地影响。评估还需要考虑水源所在地及其适用条件。

相同的数值水量，在不同流域可能意味着不同影响。因此，全国层面的比较无法单独决定地方许可决策。

这也是关于 AI 的宽泛主张容易站不住脚的地方。数据中心行业包含即使没有生成式 AI 也会持续进行的活动。

将该行业的全部足迹归因于 AI，会夸大现有证据所能证明的内容。忽视 AI 对新增需求的贡献，则会造成另一种分析失误。

合适的报道任务是进行分配，并披露所采用的方法。如果这种分配仍不可得，文章应保留不确定性，而不是虚构一个精确份额。

Eric Masanet 在 2026 年 10 月发布的水资源估算综述提出了及时的方法论警示。这篇预印本考察了研究设计如何影响估算结果，并指出了改进研究实践的机会。

它在这里的重要性在于程序层面。应通过结果的假设与范围来评估它，而非因为其标题数字是否合意就接受或否定它。

例如，基于平均电力结构的估算，回答的问题不同于对新增发电的评估。前者分配现有系统的影响；后者考察的是变化。

只要目的明确，两种方法都可能有用。当一种方法得出的结果被当作另一个问题的确定答案时，混淆便随之产生。

这种区分也会影响关于购电合同的主张。在任何人得出其可确立特定物理水资源结果的结论之前，都需要谨慎解读这种采购安排。

读者不必亲自解决所有核算争议。但他们确实需要足够的方法论信息，以了解一项主张能够支持什么结论。

企业数据值得接受这种审视，批判性估算也同样如此。相比挑选最支持既定立场的数字，一致性更能改善讨论。

如果不作这些区分，对 Ceres 水资源报告的解读可能沦为另一种脱离运营决策的宽泛警告。有了这些区分，它便能为项目审查提出具体问题。

“最大水资源问题”这一说法也有其限度。全国总量、地方水资源稀缺程度、供水可靠性与生态后果，描述的是不同维度。

更大的总体足迹并不意味着较小的地方问题无关紧要。居民面对的是自身供水系统的状况，而非全国平均值。

因此，更好的结论是有条件且有用的：发电应纳入分析之中，但任何具体项目影响的严重程度仍需要当地证据来判断。

不断增长的 AI 需求提高了不完整报道的代价

国际能源署在 2026 年 4 月发布的AI 电力展望解释了为何这些核算边界如今如此重要。该机构报告称，全球数据中心电力需求在 2025 年增长了 17%。

该机构称，专注于 AI 的数据中心电力消耗增长了 50%。这些是电力趋势，并不代表耗水量也等比例增加。

不断增长的计算需求使上游披露更具重要性，但水资源结果仍取决于这一需求由何种方式供给。

这种关系带来了规划挑战。效率改进可以降低完成一项任务所需的资源，而使用规模扩大则可能增加资源总需求。

这些发展可以同时发生。单项任务的性能提升，并不能独立证明整体基础设施足迹下降。

对 AI 采购方而言，这意味着应将效率主张与总需求主张分开看待。两者各自需要证据，且不能悄然相互替代。

评估冷却时，同样适用这一原则。供应商可以改善冷却性能，同时扩大其提供的计算量。

届时，其总耗水量究竟上升还是下降，便成为一个实证问题。答案需要在一致的报告边界内，获得测量到的活动与资源数据。

这正是企业采购属于这一议题的原因。选择 AI 基础设施的组织能够影响供应商认为商业上有必要提供哪些披露信息。

假设某家公司将文档处理工作负载迁移至云服务，这便说明了问题。其应用团队可能会比较准确性、响应时间、安全要求和服务可用性。

其可持续发展团队则可能单独审查供应商的企业承诺。如果缺乏协调，两个团队都未必会审查与拟议部署相关的区域基础设施。

这种缺口既是组织问题，也是技术问题。全球可持续发展声明和服务层面的采购决策，运行在不同的细节层级上。

务实的回应应将决策与可获得的区域证据联系起来。如果供应商缺乏此类证据，采购方应记录这一缺口，而非以无关的全体设施平均值替代。

组织这些材料的团队可以使用可搜索知识库来保存源文件和假设。整理证据有助于审查者追溯结论；但它并不能验证基础测量本身。

开发者也有一定作用，尽管责任应保持相称。应用决策影响所请求的计算量，而基础设施运营商则控制用户无法检查的系统。

开发者无法从一个界面推断出服务的完整水资源足迹。因此，供应商仍有责任提供相关基础设施信息。

不确定的测量也不应成为对有用应用施加任意限制的理由。更有力的做法是将运营选择与证据及工作负载所服务的目的联系起来。

对公用事业机构和监管者而言，对应的要求是透明说明假设。项目审查应区分已宣布的计算容量与实际用于其分析的需求。

这种严谨性会使分歧更具建设性。参与者可以质疑某项假设或要求补充缺失证据，而不是围绕描述不同系统的主张争论不休。

关注运营数据、电力计划与更清晰的边界

未来数月，最有价值的信号将来自披露材料和项目文件。与实际运营挂钩的证据，比又一项笼统的可持续发展承诺能揭示更多信息。

关键检验在于，运营商是否将冷却性能与电力供应及其背后的水资源条件联系起来。

首先，关注采用较新冷却设计的设施所发布的运营结果。有用的披露应说明直接用水表现，以及实现该表现所需的电力。

如果这些结果在清晰说明的边界内支持更广泛的收益主张，便会增强人们对这些收益的信心。仅有冷却结果则会让上游问题悬而未决。

令人失望的结果同样需要谨慎解读。特定设施的条件不应自动成为对所有采用类似设备设施的判决。

相关比较应是承诺与在披露条件下测得的运营表现之间的比较。这种比较为工程主张提供了评估依据。

其次，关注拟议数据中心相关的公用事业规划文件和电力安排。寻找对支撑新增负荷的发电假设所作的解释。

附在这些假设之上的水资源分析，将更有力地表明上游风险敞口得到了实质性审查。若缺失，则会保留本文所强调的担忧。

这并不意味着每个项目都需要相同的评估。合适的深度取决于拟议基础设施、可获得的证据，以及受影响水系统的状况。

有用的信号是决策者是否解释其推理过程。透明的说明能让社区和采购方理解哪些内容已被评估，哪些问题仍未解决。

第三，关注企业环境披露的边界。供应商应区分取水与耗水、直接运营与采购电力，以及实测结果与模型估算。

作出这些区分的披露将提高可比性。没有明确界定的混合数据，会让读者无法有把握地评估进展。

同样的标准也应适用于对 Ceres 数据中心水资源发现的报道。未来报道应解释，新证据是加强了上游警示，还是缩小了其相关性。

这些信号比争夺最大数字更具信息价值。它们将公共讨论与运营商、公用事业机构和采购方实际能够改变的决策联系起来。

它们也为使初始叙事复杂化的结果留下空间。一座设施可能显示出显著的直接节水，同时上游风险敞口可控；也可能揭示出需要进一步关注的权衡。

只要有透明证据支持，任何一种结果都将增进理解。目标是对资源需求作出站得住脚的说明，而非预先裁定 AI 的结论。

实际后果是对主张提出更高标准。冷却改进应因其已确立的收益获得认可，而更广泛的保证则需要更广泛的证据。

在下一次 AI 采购或基础设施审查之前，请要求供应商界定其水资源主张的边界。索取相关地区、报告期、测量方法以及对采购电力的处理方式。询问哪些数据描述现有运营，哪些描述未来设计。保存源文件，以便其他审查者能够追溯推理过程。如果供应商只提供一项冷却统计数据，请记录该统计数据能够证明什么，以及它留下了哪些未解问题。当 Ceres 数据中心水资源争论能够带来这种清晰度时，它才变得有用。先从设施的冷却主张入手，再沿着其电力依赖关系追踪得足够深入，以识别剩余的水资源问题。