数据中心效率难以跟上 AI 增长步伐

Google News 凸显出一个尖锐矛盾：数据中心正变得更加高效，但 AI 的增长仍在不断推高其总体能源需求。

这一区别对环境、社会和治理（ESG）目标至关重要。运营商可以提升冷却、供电和计算效率，却仍可能在每年消耗更多电力、水资源和建筑材料。

如今，这一压力已不只落在 Google 身上。Microsoft、Amazon、Meta、托管数据中心服务商、公用事业公司和企业采购方都面临同样的考验。效率提升必须快于基础设施扩张，否则企业气候目标将持续渐行渐远。

Google News 凸显：效率从可选项变为运营刚需

数据中心效率已成为容量要求，而不再仅仅是一种环保偏好。

眼下的变化并非来自新的冷却设备或报告框架，而是 AI 基础设施计划所带来的庞大电力需求规模。

国际能源署估计，数据中心在 2024 年全球耗电约 415 太瓦时，约占全球电力消费的 1.5%。

其基准情景预计，到 2030 年，这一消费量将达到约 945 太瓦时。这不仅是 2024 年水平的两倍以上，也略高于日本目前的用电量。

AI 是这一预计增长的最大驱动力。包括 GPU 和其他专用系统在内的加速服务器，其用电量预计到 2030 年将以每年约 30% 的速度增长。

传统服务器的用电量预计将以每年 9% 的速度增长。加速服务器将占数据中心需求预期净增量的近一半。

这些估算见于国际能源署的能源需求分析。它们确立了评判企业效率声明时必须参照的规模基准。

数据中心不只有计算设备。它们还需要冷却系统、网络硬件、存储设备、电力转换设备、电池和备用发电设施。

据国际能源署数据，现代设施中服务器约占电力需求的 60%。在高效的超大规模站点中，冷却所占比例约为 7%；而在效率较低的企业设施中，这一比例可能超过 30%。

这一差距带来了切实的改进空间。优化气流、提高运行温度、采用液冷、高效电力系统和更强的容量管理，都能降低额外能耗。

电力使用效率（PUE）衡量的正是这部分额外能耗。它以设施总能耗除以 IT 设备消耗的能量。

PUE 为 1.2，意味着设施的能耗比计算设备本身所需能耗高出 20%。PUE 越接近 1.0，基础设施额外能耗越低。

TechTarget 的 PUE 定义解释了为何运营商会使用这一比率来对设施进行基准评估，并衡量运营调整的效果。

然而，PUE 无法揭示服务器是否在执行有用的工作。它也不衡量电力的碳强度、用水量、硬件制造，或总体需求增长。

因此，一座设施即使报告出优秀的 PUE，耗电量仍可能高于一年前。它也可能在高碳电网中高效运行。

这正是 Google News 相关讨论背后的核心变化。效率依然重要，但孤立的设施比率已不足以为 ESG 主张提供充分依据。

运营商如今需要将设施效率与工作负载产出、当地电网状况、水资源压力和绝对排放量关联起来。否则，每项指标都只能呈现环境成本的一部分。

这一时机尤为关键，因为电力供应已成为部署约束。公用事业公司必须承接高度集中、规模堪比工业厂房的大型负荷。

AI 数据中心还需要全天候可靠供电。这种运营特征使完全依赖间歇性风电或太阳能发电的方案更为复杂。

由此形成了一项新的竞争条件。当电网接入决定新增容量何时可用时，企业无法再将计算战略与能源战略割裂开来。

AI 增长对气候承诺的压力，超过了效率所能缓冲的程度

建设最高效基础设施的公司，也在创造最大规模的新增电力需求。

Google 提供了这一矛盾的清晰案例。其数据中心支撑着 Search、Google News、Gemini、YouTube、Cloud、广告以及大量企业服务。

Google 报告称，其数据中心的电力需求在 2024 年增长了 27%。该公司还表示，数据中心能源排放量当年下降了 12%。

这一组合表明，更清洁的电力和运营改进可以削弱计算增长与能源排放之间的关联。但这并不意味着绝对资源需求已停止增长。

Google 的2026 年环境报告又增加了一层背景。该公司称，其在 2025 年补充了约 77 亿加仑水资源。

这一体量约相当于其当年淡水总消耗量的 78%。Google 还将其水资源管理项目组合扩展至 97 个流域的 165 个项目。

补充水资源可以资助栖息地修复、保护、基础设施和供水项目。但这并不意味着从某一流域取用的水，会在同一时间以物理形式回到同一地点。

地点之所以重要，是因为水资源影响具有本地性。在水资源紧张地区消耗的一加仑水，与在水资源充足地区消耗的一加仑水，所带来的风险不同。

电力核算也面临类似问题。年度可再生能源采购可以在账面上与消费量相匹配，但数据中心在特定时段仍可能依赖化石燃料发电。

全天候无碳能源匹配设定了更严格的标准。它关注清洁电力是否在与消费相同的电网中、于相同的小时内可用。

实现这一标准不仅仅是购买证书。企业还需要新的发电项目、输电能力、储能设施、灵活工作负载以及可靠的低碳电力。

Google、Microsoft、Amazon 和 Meta 正在推进可再生能源、核能、地热项目和储能的组合。这些投资能够扩大清洁能源供应，但建设进度仍不均衡。

天然气也正受到更多关注，因为开发商需要可调度容量。国际能源署预计，到 2035 年，燃气发电将满足数据中心电力需求增量的一部分。

这与企业脱碳承诺形成了直接张力。一家公司可以在其他地区购买清洁电力，但其本地扩张仍可能推动新增化石燃料发电。

压力并未止于超大规模云服务商。托管数据中心公司必须向客户提供有关能源、水资源和排放的可信信息。

企业采购方随后会将这些数据纳入自己的 Scope 3 清单。Scope 3 涵盖企业直接运营和购电之外、价值链中产生的排放。

因此，基础设施数据质量不佳可能削弱客户报告的准确性，也可能使云迁移看起来比实际情况更清洁。

监管机构和投资者越来越希望获得可比信息，而非笼统的可持续发展表述。他们需要一致的边界、测量方法和报告周期。

当地社区则有不同的关切。他们希望知道拟建设施是否会影响电价、地下水、税收、土地利用或电网可靠性。

这些问题使效率成为社会和治理议题。单靠技术进步无法平息关于谁获得经济收益、谁承担基础设施成本的争议。

Google News 的报道有助于揭示这一不断扩大的受众群体。数据中心表现已不再只是工程师讨论的专业设施话题。

它如今会影响企业董事会、公用事业规划者、监管机构、投资者、客户以及拟建园区附近的居民。每个群体都通过不同的风险视角评估效率。

真正的较量：效率提升与资源总量增长

只有当效率改善改变总体环境影响的轨迹时，它才真正支持 ESG 目标。

这是一个围绕两个动态变量展开的规模问题。第一个变量是每单位计算工作所消耗的能源。

第二个变量是计算需求的规模。AI 公司正在改善第一个变量，同时快速扩大第二个变量。

更高效的芯片可以以每瓦更多的计算量处理任务。更好的软件可以减少不必要的操作，改进模型路由，并将工作部署到合适的硬件上。

更高的服务器利用率也能将隐含影响和运营影响分摊到更多有用工作上。闲置的加速器仍会消耗电力，却几乎不产生客户价值。

但成本降低可能刺激更多使用。经济学家常将这一结果称为反弹效应：效率提升使一项服务更便宜，进而扩大总体消费。

AI 系统正体现了这一风险。更便宜的文本查询可能促使开发者将模型嵌入搜索、办公软件、客户支持、编程工具和自动化代理中。

推理模型在返回答案前可能会执行重复的计算步骤。视频生成和多模态系统所需的处理量，也可能远高于简单的文本响应。

代理还可以在没有持续人工输入的情况下执行一连串模型调用。单项任务可能变得更高效，但任务总数增长得更快。

国际能源署在 2026 年报告称，近年来每项 AI 任务的能耗每年已至少下降一个数量级。该机构还发现，面向 AI 的数据中心用电量在 2025 年激增了 50%。

这些发现并不矛盾。它们说明了为何必须同时报告单任务进展与全系统需求。

设施设计也面临同样的张力。与传统风冷相比，液冷能够更高效地从高密度 AI 机架中移除热量。

然而，液冷系统也带来了涉及泵、热交换器、水源和散热设备的新设计选择。其表现取决于气候和配置。

更高的机架密度可以减少实现既定计算量所需的物理空间，但也会将电力需求和热量集中在更小的区域内。

这种集中会影响变压器、开关设备、备用系统和公用事业互联。一栋技术上高效的建筑，仍可能需要对其围墙外的设施进行大规模升级。

因此，PUE 必须置于更全面的测量体系中。美国能源部建议，将 PUE 类指标与水资源、碳排放、能源再利用和计算产出指标结合使用。

其设计效率指南将 PUE 约为 1.6 视为标准水平，1.4 视为良好，1.1 视为更优。

该指南还警告称，PUE 并不能定义整个数据中心的效率。它无法说明已安装的服务器是否高效产出，或配置是否恰当。

水资源利用效率（Water Usage Effectiveness，WUE）衡量年度站点用水量与 IT 设备能耗的关系。碳使用效率则将排放量与 IT 用电量联系起来。

能源再利用效率将为其他用途输出的能源纳入考量。废热可在具备适当基础设施的情况下，用于区域供暖、工业流程或邻近建筑。

计算指标补上了缺失的产出维度。运营商可以跟踪每瓦对应的交易量、模型 token、训练进度或其他特定工作负载单位。

没有任何单一产出指标适用于所有工作负载。训练模型、提供视频服务、存储记录和处理金融交易，创造的是不同形式的价值。

这一局限并不意味着可以忽视产出。它意味着企业必须足够清晰地披露方法、边界和工作负载类别，以便外部人士解读结果。

仅围绕 PUE 建立的 ESG 项目可能会激励错误行为。更换旧设备或许能改善设施开销，却可能让低利用率服务器的问题原封不动。

将工作负载迁移至超大规模云服务商，可能会降低企业测得的用电量。但底层能源需求依然存在，只是转移到了服务商的清单中。

可再生能源证书可以降低基于市场核算的范围 2 排放。它们并不会自动减少与当地用电相关的实际排放。

同样，年度补水也可以支持有价值的生态修复项目。但它无法替代关于干旱期间或需求高峰期站点取水量的站点级信息。

最可信的方法应连接五个层面：有用的计算产出、设施总能耗、逐小时电力来源、当地水资源影响以及供应链排放。

这一更全面的评分卡将改变采购决策。买方可以依据服务产出和环境后果比较供应商，而不是接受单一效率比率。

它也会改变工程优先级。团队可以将模型、调度、硬件利用率、冷却和能源采购视为一个相互关联的系统来优化。

更好的硬件无法弥补薄弱的测量与披露

最大的不确定性不在于效率技术是否有效，而在于披露的指标是否足以检验企业主张。

过去二十年间，行业的设施性能已有改善。这些进步确实存在，但在大量既有设施中，改善速度已放缓。

Uptime Institute 的 2025 年全球调查发现，平均 PUE 已连续六年几乎没有变化。遗留基础设施和受气候影响的冷却限制制约了进一步进展。

同一项调查发现，关键可持续发展指标的收集与报告在 2025 年并未改善。Uptime 将这种停滞部分归因于商业 AI 的压力，以及部分地区监管的放松。

这些发现载于该机构的调查结果。

披露缺口使比较变得困难。企业采用不同的组织边界、核算方法，以及水资源消耗或可再生能源的定义。

有些企业公布全公司的用电量，却不单独列出数据中心。另一些则报告地区总量，但省略单个设施的数据。

站点级披露可能带来安全和商业层面的顾虑。然而，汇总数据可能掩盖电网和流域承受最大压力的地点。

AI 工作负载带来了另一项测量挑战。服务商很少按模型、任务类型、地点和时间公布完整的能源数据。

一个单一平均值可能将高效的文本请求与高能耗的视频生成混合在一起。它还可能掩盖不同模型规模和推理设置之间的差异。

Google 研究人员提出，应在完整的服务栈中衡量 AI 推理。这包括加速器、主机系统、闲置容量和设施开销。

这一方法比仅测量活跃芯片更具信息价值。但当服务商使用不同工作负载和私有基础设施时，独立比较仍然有限。

企业目标带来了治理问题。董事会往往会在基础设施团队尚不清楚 AI 需求增长速度之前，就批准长期气候承诺。

随后，高管将面临相互竞争的激励。他们既希望维护气候承诺，也希望避免因延误而削弱自身在 AI 市场中的地位。

当薪酬或融资取决于可持续发展表现时，问题会更加突出。薄弱的定义可能奖励有利的核算方式，而非实际减排。

监管机构可以通过建立一致的报告要求来提升可比性。设计不佳的规则也可能产生缺乏运营意义的合规数据。

欧盟已开始要求符合条件的数据中心进行可持续发展报告。德国已采用效率要求，其中包括面向设施的未来 PUE 门槛。

报告要求无法让每个设施都具备可比性。气候、可用性要求、工作负载类型和建筑年代都会影响可实现的性能。

位于炎热潮湿地区的数据中心，不应仅以寒冷气候中采用自然冷却的设施为标准来评判。真正相关的问题是，每个站点是否采用了适当的方法。

可靠性带来了另一项权衡。冗余设备会增加用电开销，却能保护关键数字服务免受故障影响。

取消所有冗余层级或许能改善效率比率，却会带来不可接受的运营风险。ESG 分析必须将服务韧性纳入考量。

水和能源也可能朝相反方向变化。蒸发冷却可以降低用电量，但会消耗更多水资源。

风冷系统可以降低直接用水量，却需要更多电力。哪种方案更清洁，取决于当地水资源压力和电网排放。

这些权衡使“绿色数据中心”之类的宽泛主张难以验证。透明的运营商应同时披露收益和被转移的影响。

独立分析仍然至关重要，因为企业报告面向多类受众。它们提供有用数据，但也会以有利的方式呈现企业战略。

Associated Press 的报道记录了 AI 扩张如何使大型科技公司的气候承诺更加复杂。其气候目标分析指出，企业正越来越多地承认这一困难。

这种承认很重要，但并不证明取得了进展。读者应区分目标、已签署的能源合同、已完成项目和已测得的运营成果。

Google News 可以在同一信息流中呈现这四类内容。编辑和读者必须避免将它们视为等同的证据。

拟议中的核能协议并不等于已运行的发电能力。补水承诺也不等于已恢复的水资源，除非项目交付了经验证的效益。

基于实验室硬件的效率主张并不等于全机群结果。建设目标也不等于已完工的低碳设施。

最有力的 ESG 报告会让这些阶段清晰可见。它也会解释未达标之处，而不是用新措辞替换旧目标。

三个信号将揭示效率能否追上 AI 建设浪潮

下一阶段将以绝对结果而非又一轮孤立的效率公告来评判。

第一个信号是，在用电量持续增长的同时，数据中心总排放是否开始下降。

如果效率能够放缓需求增长，并相较于无序扩张减少排放，它就具有真正价值。不过，企业气候承诺最终仍要求绝对减排。

读者应比较年度用电增长与基于地点和基于市场核算的排放。基于地点的数字反映为运营供电的电网，而基于市场的数字则包含合同采购。

这两类数字之间不断扩大的差距，将表明对核算工具的依赖更重。两者同时下降，才能提供更有力的实际脱碳证据。

第二个信号是，企业是否公布更细化的能源和水资源信息。

有用的披露应将数据中心与办公室及其他运营活动区分开来。它还应识别主要地区、缺水地点以及计算消耗量的方法。

对于 AI，服务商应说明每项任务估算中包含哪些系统组件。他们应在不暴露敏感客户信息的前提下披露工作负载类别。

更一致的报告将强化 ESG 目标确实指导基础设施决策的论据。持续汇总则会保留人们对当地影响的疑虑。

第三个信号是，效率是否改变了容量规划，而不只是改善新设施。

运营商应展示更高的服务器利用率、工作负载调度、设备退役和需求灵活性。他们还应证明软件团队在选择模型时会考虑能源因素。

公用事业公司将提供一项实际检验。将新增负载与可交付的发电、输电和储能配套的项目，将面临更少的可信度质疑。

依赖不确定未来供应的项目将加大当地电网压力。它们还可能造成政治阻力、许可延误和更高的基础设施成本。

未来数份企业环境报告将使这些信号更容易比较。Google、Microsoft、Amazon 和 Meta 如今都在相同的基本维度上面临审视。

它们报告的 PUE 数字仍然重要。但更具决定性的数字将是总用电量、逐小时清洁能源覆盖率、水资源消耗、排放量和已交付的有用计算能力。

Google News 将继续报道高效芯片、液冷和新型能源协议。读者应追问，每一项进展是否改变了这些更大的总量。

开发者和企业买方同样具有影响力。他们可以选择更小的模型、减少不必要的调用、缓存适当结果，并向服务商索取可信的基础设施数据。

知识工作者可以质疑是否每项任务都需要计算密集度最高的模型。产品团队可以依据能源和延迟来衡量输出质量，而不是一味追求最大模型规模。

数据中心能效如今已与 AI 增长战略的可信度密不可分。决定性问题很简单：经验证的资源减量，能否在扩张令企业 ESG 目标遥不可及之前实现？