top of page

哈佛数据中心研究估算需求为 82 TWh

32分钟前
讀畢需時 12 分鐘

哈佛数据中心研究估算,美国 403 座大型设施在一年内消耗了 82 太瓦时电力,其中大部分由化石燃料供应。太瓦时衡量的是累计用电量;太瓦则衡量某一特定时刻的功率。这个区别纠正了一些标题中的重要错误:研究结果是 82 TWh,而不是 82 TW。

该研究于 2026 年 11 月 16 日发表,考察了 2024 年 5 月至 2025 年 4 月期间运营的设施。其核心估算接近密歇根州 2024 年零售电力销售量的 83%。这是一个值得关注的对比,但并不意味着这些站点的用电量超过了密歇根州。

核心矛盾在于,当计算设施依赖区域电网时,清洁电力究竟意味着什么。企业可以为可再生能源发电提供资金,但其周边电力系统仍可能持续燃烧天然气和煤炭。对于云服务运营商、企业采购方以及考虑引入新园区的社区而言,这项研究提出了一个实际问题:什么证据能将可持续发展承诺与实际运营状况联系起来?

哈佛数据中心研究实际衡量了什么

该研究为一组定义明确的设施提供了估算,而非整个行业的电表读数。

这项经同行评审的超大规模设施用电研究在不同设施负载假设下呈现结果,即站点的运行强度。这些情景得出的用电量范围约为 68–99 TWh。核心估算为 82 TWh,对应约 2,570 万公吨二氧化碳。

在这些情景中,归属排放量约为 2,100 万至 3,100 万公吨。核心用电估算约占美国总用电量的 1.8%。约 54% 的归属发电量来自化石燃料。

研究人员考察的是超大规模设施,即支持云服务商或内容提供商的大型站点,其中包括由第三方运营的符合条件的设施。这一类别描述的是基础设施,而非单一应用。为云客户服务的一栋建筑,除其他计算服务外,也可能支持 AI。

这一差别很重要,因为设施的用电量不能自动等同于 AI 的用电量估算。该研究并未区分通用计算与 AI 工作负载。因此,它无法确定某个特定聊天机器人、模型提供商或企业助手消耗了多少电力。

日期同样需要谨慎对待。2026 年 11 月是发表日期,而 2025 年 4 月则是所考察运营周期的结束时间。若将这项估算视为 2026 年的实测用电量,就会在无形中将证据向前推移。

密歇根州的对比有助于说明规模,但并不提供直接的运营等价关系。联邦数据表明,密歇根州 2024 年的零售电力销售量约为 99 TWh。用 82 除以 99,约为 83%,明显超过五分之四。

不过,零售销售量是一项定义明确的电力统计指标,并非一个州所有可能的能源使用衡量方式。密歇根州的汽油消费、工业燃料和建筑供暖不属于这一比较范围。在密歇根州境内发出的电力,也未必等同于卖给其客户的电力。

密歇根州电力概况提供了这一基准。明确保留其分母,可避免一个便于理解的对比演变为关于总能源消费的误导性说法。

州级对比能够传达规模,但设施边界具有更大的分析意义。在比较研究、评估企业声明或讨论增长之前,读者需要了解其中包括哪些建筑。

重要变化在于,现已能够获得地理位置明确的估算。它为考察计算需求在何处与电力供应相遇提供了起点,但并未消除对运营信息披露的需求。

压力落在运营商、公用事业公司和采购方身上

该研究将注意力从笼统的气候承诺转向单个地点可获得的证据。

哈佛的设施排放评估介绍了研究人员如何结合卫星图像、设施信息和联邦电力数据。他们在运营情景下估算需求,再根据区域发电结构归属排放量。

研究人员承认,研究覆盖并不完整,且无法区分 AI 用电与通用计算用电。他们还表示,结果描述的是一个不断扩张行业在较早时期的快照。这些限定使研究结果更具价值,因为它们界定了后续证据需要改进的方向。

对于运营商而言,实际压力在于信息披露。一个组织可以宣布可持续发展目标,却不披露足以评估特定园区的信息。设施估算会引出有关其运营负载、电力区域以及与签约清洁发电关系的问题。

对于公用事业公司,年度需求和输送要求代表不同的规划问题。年度用电量描述的是一段时间内使用的电力总量。基础设施规划还需要了解需求何时出现,以及其供应必须具备多高的可靠性。

该研究并未确定某个特定输电项目是否必要,也未说明应由谁承担费用。这些决定需要本地证据。其相关性在于,大型计算需求应在预期为其服务的电力系统内接受分析。

社区面临的也是公告与运营安排之间的类似区别。拟建园区可能附带投资、就业或清洁能源方面的承诺。评估这些承诺需要文件,将其与具体设施和供电条件联系起来。

对于企业采购方,直接影响在于采购问题,而非自动要求更换供应商。购买云计算服务的公司需要了解,哪些环境声明适用于其选择的区域。供应商的全球性表述不一定能够描述每个服务地点。

设想一家企业部署了一款内部文档助手。员工通过托管服务上传材料、检索段落并请求摘要。采购方可以直接评估该应用的实用性,但其用电足迹需要基础设施提供商的信息。

明确托管区域的合同,能为该采购方提供更具体的起点。关于电力核算的额外披露将进一步改善评估。缺乏这些细节时,很难将环境效益归因于某项供应商选择。

这些是针对证据提出的应对建议,而不是研究人员实际测量到的发现。该研究并未量化采购行为、合同变更或本地电费。

不过,哈佛数据中心研究使信息缺口变得具体可见。当外部研究人员必须估算运营状况时,采购方不能假定一项笼统的可持续发展声明已经回答了其关于设施的问题。

由此产生的压力很直接:说明边界,说明计算方法,并展示哪些运营证据支持相关声明。

清洁能源合同与本地电力回答的是不同问题

可再生能源采购和区域电网排放可以描述同一计算业务的不同方面。

基于地点的核算方法,使用与设施所在地相关的电力结构来估算排放。基于市场的核算方法,则纳入与所购电力相关的合格合同工具。这两种方法回答的是相关问题,但其结果不应被视为可以互换。

这一差别有助于解释,为何清洁能源承诺本身并不能描述设施运营的每个小时。年度采购总量确立的是一年内的总量,但本身并不能确定发电的时间或地点。

这并不意味着采购无关紧要。合同可以支持电力项目,也是公司战略的重要组成部分。评估其影响,需要了解合同为哪些项目提供资金、项目何时运行,以及它们与需求有何关系。

Google 说明了明确测量方式的重要性。其公开的无碳能源进展介绍了一项目标:让运营活动在全天候与无碳电力相匹配。Google 报告称,2025 年其数据中心和办公室的全球平均水平约为 65%,而 2024 年为 66%。

这些由公司报告的百分比,与哈佛样本所采用的边界不同。它们不应与研究中的化石燃料百分比并列,被视为对相同设施的竞争性测量。它们的价值在于表明,按小时衡量的电力表现可能不同于笼统的清洁能源承诺。

Microsoft 提供了采购路径的另一个例子。其可再生能源采购披露将合同和基础设施合作关系描述为其可持续发展战略的一部分。签约容量具有相关性,但它与运营站点消耗的电力或归属的区域排放是不同的测量指标。

这些例子说明的是方法,而非供应商排名。全球企业组合与选定的美国设施样本在地理范围、运营周期和核算边界上均不相同。根据这些数字判定胜负,会制造证据并不支持的精确性。

根本矛盾在于采购承诺与电力系统运营条件之间。采购方可以支持未来的清洁发电,同时仍依赖当前混合的区域电力供应。这两项事实可以同时成立。

对于企业客户而言,有用的问题会比“供应商是否采购可再生电力”更具体:工作负载由哪个地点提供服务?供应商披露了该地点的哪些信息?其环境数据采用了哪种核算方法?

基于年度采购的回答仍然可以提供参考价值。它只需保留这一标签。若将其表述为持续无碳运营的证明,则需要额外证据。

同样的严谨性也适用于批评。区域化石燃料归属并不能证明企业的清洁能源采购毫无价值,也不能证明研究人员追踪了某座具体发电厂向特定建筑输送的电力。

哈佛数据中心研究强化了这一差别。其发现涉及区域框架内归属的运营排放。企业合同应当纳入讨论,前提是其不同目的始终清晰可见。

不确定性改变了这些数字的使用方式

最有力的解读应保留情景范围,并避免将估算变成精确的运营审计。

发布方的研究局限性强调,研究采用的是估算的设施负载和年度区域平均电力数据。结果适用于所审查的403处经验证设施,不应被解读为美国超大规模基础设施的完整清单。

估算负载之所以重要,是因为容量与用电量描述的是不同事物。容量表示潜在运行水平,而用电量则累积实际使用情况。若没有假设或测量数据,了解前者并不能确定后者。

存在闲置空间或设备的设施,不能自动被视为以最大负载运行。反过来,基于假定运行水平的估算也可能遗漏利用率更高的站点。情景分析让这种不确定性得以呈现。

因此,报告中的区间本身就是结果的一部分。只引用中间数值,会剔除读者判断其精确度所需的信息;只引用上限,则会引入另一种失真。

区域归因也存在局限。它是将需求与某一电力结构相关联,而不是追踪每一度电的实际来源。年度平均值无法描述每个小时的发电状况,也不能确定某处设施在某个时刻所用电力的确切来源。

另一个问题是边际排放,即额外一单位电力需求所带来的发电变化。这需要不同于现有区域发电结构分配的分析方法。已发布的总量不应被悄然转化为关闭设施后可避免排放量的估算。

排放边界同样重要。与电力相关的二氧化碳并不能完整反映建设、设备制造、用水或其他环境影响。这些问题应有各自的证据支持。

健康影响需要更加谨慎对待。Harvard 将其视为有待进一步研究的议题,而非本研究直接测量的结果。读者不应从二氧化碳估算中推断出量化的疾病负担。

当研究采用不同的设施群体或方法时,历史比较可能产生误导。较高的已发布估算并不能自动证明测得的排放量出现了等量增长。有效的趋势判断需要核查基础边界是否仍具可比性。

此外还存在可复现性问题。公开代码可以帮助读者检查计算过程,但未必提供对实际设施观测数据的不受限访问。运行一个示例数据集,与依据原始基础设施记录独立复现结果,是两回事。

这些局限性并不会抹去这一发现。它们界定了该研究能够支持的主张。有边界的估算可以揭示重要的信息缺口,而不必解答行业中的每一个问题。

恰当的结论是:在建模情景下,所审查的设施代表着可观的电力需求。关于所有数据中心、当前 AI 用电量或个别供应商的主张,都需要进一步证据。

效率主张需要绝对用电量指标

计算效率提升与总用电量下降是不同的结果。

效率描述的是系统在给定资源投入下能够交付多少有用工作。总需求还取决于用户请求了多少工作量。如果整体工作负载扩张得足够大,更高效的服务仍可能消耗更多电力。

这种关系属于算术事实,而非对任何特定公司的预测。它说明,效率公告需要配套的工作负载指标。没有这一指标,读者无法判断绝对用电量发生了什么变化。

对于 AI 服务,有用工作的定义同样需要关注。更短的回答、更小的模型或更少的处理步骤,可能会降低资源使用量。但这是否代表改进,取决于系统是否仍能完成所需任务。

以一个假设的客户支持助手为例。其运营方调整系统,让常规请求采用更简单的流程,而困难案例获得更多计算资源。相关评估应同时考察服务质量和所消耗的资源。

如果只报告每项常规请求的资源使用减少,整体结果仍无法确定。请求总量、困难案例的频率以及重复尝试都会影响用电量。在宣称整个服务的资源使用下降之前,需要这些测量数据。

同样的推理也适用于文档分析。若一个助手生成无法使用的摘要,可能需要再次尝试、人工修正或改用其他模型。效率评估应考虑是否成功完成任务,而非将每项输出都视为同等有价值。

这些示例均不描述 Harvard 研究中测得的工作负载。它们说明,应用采购方在获得设施层面的估算后,还需要评估哪些内容。该研究无法将其总用电量分配到各项具体软件功能上。

对于开发者而言,这意味着一种实用的报告规范:说明完成了什么任务、适用了何种质量标准,以及测量覆盖了怎样的基础设施边界。应将使用量变化与效率变化分开说明。

对于企业团队而言,这也构成了保留支持性证据的理由。托管决策可能依赖服务文档、可持续发展披露和随时间变化的内部要求。可搜索的知识库可以帮助保留这些记录,但它本身并不验证环境主张。

最有价值的记录,会将每项结论与其来源和日期关联起来。基于全球可持续发展报告作出的采购决定,应持续可识别为此类决定,不应在日后被记忆成设施特定的测量结果。

这一区分让讨论回到绝对需求。高效硬件、改进的软件和更清洁的电力都可能很重要,但它们回答的是不同的问题。要将它们一并报告,就必须保留各自的测量指标。

Harvard 数据中心研究提出了要求获得更完整图景的理由。其估算关注的是累积用电量,而成功的效率改进最终仍需面对不断扩张的需求。

关注披露、运营供电与工作负载证据

下一步有价值的发展,将把公开承诺与已测量的设施、实际交付的电力和已完成的计算工作联系起来。

未来数月内,设施披露应是首个值得关注的信号。有价值的证据应明确运营地点、测量期间、用电量以及计算排放的方法。一致的披露将使外部估算更易于评估。

全公司总量仍可能提供参考,但其边界需要保持明确。设施层面的明细提供的是不同粒度的信息。若两者均予发布,读者便能理解本地条件如何与更广泛的业务组合相关联。

更多实测数据将增强讨论的可信度,即便它改变了中间估算值。修订后的数值并不自动表明早期研究没有价值;它可能代表着从估算走向观测的进展。

第二个信号是新增电力供应与运营需求之间的关系。公告应持续跟进,直至项目实际提供电力。已签署协议、建设里程碑和投入运行的发电机,分别代表不同阶段。

读者应审视所披露的供电信息是否回应了用电地点和时间问题。更好匹配的证据将加强这样的主张:计算增长能够伴随更清洁的运营。若持续依赖宽泛的采购总量,更多本地层面的问题仍将悬而未决。

这并不是说每个拟议项目都会失败,或每份合同都不足够。这是在区分意图与交付。当企业展示前者如何转化为后者时,环境报告才会变得更有价值。

第三个信号是将效率与绝对用电量联系起来的工作负载证据。开发者和供应商应说明所提供的服务、其质量以及所测量的电力边界。总需求的变化应与每项已完成任务的改进一同呈现。

这类报告将帮助企业采购方评估,一项应用变更是否减少了实际服务范围内的资源使用。它也会让人们更难将孤立的基准测试改进误认为整体环境成果。

这些信号构成的是一项实用检验,而非按时间安排的预测。研究的核心发现无需依赖某项具体公告才能保持相关性。关键在于,后续证据是否减少了对运营状况的不确定性。

Harvard 数据中心研究为读者提供了一项边界明确的重要估算。它的持久价值将部分取决于运营方是否通过可测量、可比较的披露,使这些边界更容易被审查。

在分享与某个州相当的比较结果之前,请核查单位、运行期间、设施样本和排放方法。在接受清洁能源主张之前,请问清它描述的是哪个地点和哪些时段。在庆祝效率提升之前,请关注它对总用电量和已完成工作的影响。应将这些答案与原始证据关联起来,尤其是在比较供应商或重新审视基础设施决策时。下一条头条或许会给出一个更大的数字,但更大的数字本身无法消除核心不确定性。请寻找能让主张更易于检验的信息。哪家供应商会披露足够的运营细节,让客户能够将其计算服务与支撑这些服务的电力系统联系起来?

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page