应当衡量整个生命周期
AI 的环境足迹,早在一次提示词输入之前便已开始,并在一台服务器退役之后仍将持续。半导体制造需要消耗能源、超纯水、化学品与矿产资源。数据中心则消耗电力、制冷、备用发电、网络、土地与设备。而寿命终结的硬件,则会变成一个电子废弃物与回收处理问题。
公共讨论中经常引用某个「每次查询」的用水量或能耗数字,仿佛这具有普遍适用性。但实际用量,会因模型、硬件、数据中心利用率、制冷方式、气候条件、电网状况、提示词长度、输出模态,以及分摊方法的不同而有所差异。训练与推理是两个不同的阶段;如果使用规模庞大,推理阶段可能会在一款产品的整个生命周期中占据主导地位。各供应商所披露的信息过于有限,难以得出精确的、仅针对 AI 的全球总量数字。
目前已经衡量到的情况
国际能源署估计,2024 年全球所有数据中心的用电量约为 4150 亿千瓦时,约占全球用电总量的 1.5%。而 AI 只是其中的一个子集。美国近一半的数据中心容量,集中在五个区域集群之中,因此本地电网所受到的影响,可能远大于其在全球占比中所显示的规模(IEA,2025 年 4 月)。
IEA 更新后的核心预测显示,到 2030 年,数据中心的用电量将达到约 9500 亿千瓦时,约占全球需求的 3%。这是一项基于产能、效率、采用率与市场假设所做出的预测,而不是来自未来的实测读数。更耗能的推理型计算、视频与智能体应用,可能会推高这一需求;而效率提升、融资约束,或采用速度放缓,则可能使其降低(IEA,2026 年)。
在美国,劳伦斯伯克利国家实验室估计,数据中心的用电量已从 2023 年的 1760 亿千瓦时,可能升至 2028 年的 3250 亿至 5800 亿千瓦时(美国能源部,2024 年 12 月)。这一区间本身,恰恰说明了其中的不确定性。它涵盖的是数据中心整体,而不仅仅是生成式 AI。
排放量取决于电力生产的地点与时间
一台在以化石燃料为主的电网上运行的高效服务器,其运营排放量,可能反而高于一台由低碳电力供应、但效率较低的服务器。年度可再生能源合约,并不总能反映出某一设施在需求发生的那个具体小时里,实际使用的是什么电力。边际需求,即便某家公司购买了可再生能源证书,也可能使化石燃料发电继续维持在线运行状态。
IEA 估计,2024 年与电力相关的数据中心排放量约为 1.8 亿吨二氧化碳,约占全球燃料燃烧排放总量的 0.5%。在其基准情景下,这一比例到 2030 年将升至约 1%(IEA 气候分析)。即便全球占比不高,也仍可能与地方气候规划相冲突,或造成某一行业的迅速扩张。
可信的报告,应当同时包含基于地理位置与基于市场机制的排放数据、尽可能实现的按小时匹配、备用发电机排放、建设过程排放,以及硬件本身的隐含排放。而由 AI 优化所带来的「减排」宣称,则应当单独报告,并针对一个反事实基准加以验证。
水是一个本地化的问题
数据中心既可能通过蒸发冷却直接消耗水,也可能通过发电环节间接消耗水。半导体制造同样需要高品质用水。取水量并不等于消耗量:被取用的水可能会被返还,而被消耗掉的水,则无法立即重新供给当地流域使用。
在一个水资源紧张的流域中使用一加仑水,与在供应充裕的地方使用一加仑水,其影响截然不同。全球年度总量数字,可能掩盖了与家庭、生态系统、农业及工业之间的季节性竞争关系。风冷可以减少直接用水量,但会增加电力消耗;再生水可以减少对饮用水的需求,但需要相应的基础设施与安全保障措施。
经合组织指出,环境评估应当从能源与碳排放,进一步扩展到淡水与矿产开采领域,而数据中心的用水报告目前依然并不完整(OECD AI 算力)。在许可获批之前,社区需要获得设施层面的取水量、消耗量、水源、季节性压力、排放,以及应急预案方面的信息。
芯片同样存在上游环境足迹
先进的加速芯片,依赖于地理上高度集中的制造、封装、存储与材料供应体系。制造工厂本身对建设与公用设施有着巨大的需求。较短的模型升级周期,可能导致仍具功能的设备被提前淘汰,不过较旧的加速芯片,也可能被重新用于需求较低的推理任务。
采矿与加工过程,可能造成栖息地破坏、污染、职业健康风险,以及地缘政治层面的依赖关系。将其准确归因于「AI」本身十分困难,因为同一条供应链,同时也在为手机、汽车、网络设备及其他计算设备提供支持。生命周期分析,应当透明地分摊各项影响,而不是把半导体产业的全部增长都归咎于 AI。
联合国环境规划署(UNEP)将能源、温室气体排放、用水、矿产开采与电子废弃物,列为 AI 生命周期中的直接环境关切,并呼吁建立统一的测量方法(UNEP,2024 年 9 月)。UNEP 本身肩负着环境使命,这塑造了它的关注重点;但其提出的测量建议,依然具有广泛的实用价值。
AI 也能够带来环境效益
机器学习能够改善天气与气候建模、探测甲烷排放、优化电网与建筑、预测可再生能源产出、设计新材料,并支持自然保护工作。这些效益必须在实际部署中加以衡量,而不能仅凭基准测试中的准确度来推断。
反弹效应同样值得关注。如果效率提升降低了成本,总体使用量的增长,可能足以抵消所节省下来的部分。优化措施也可能只是转移了危害:在降低电力成本的同时增加了用水量,或把基础设施选址在一个脆弱的社区之中。净效应评估,应当把由此诱发的额外需求以及分配效应一并纳入考量。
在其基准情景中,IEA 预测到 2035 年,可再生能源将满足数据中心用电需求增长量中的约一半,但天然气与煤炭在近期同样贡献了相当可观的增长部分。因此,「由可再生能源驱动」,并不能用来描述这个行业的全球整体状况。
更好的基础设施抉择
运营商可以提高利用率、使用高效的模型与硬件、在有更清洁电力可用时安排灵活的工作负载、延长设备使用寿命、在有用之处回收余热、减少闲置产能,并选择适合当地流域状况的制冷方式。规模较小的、针对特定任务的模型,其表现可能优于对某个前沿模型的浪费性使用。
公用事业公司与监管机构,可以要求进行切合实际的并网研究、成本分摊、需求弹性安排、清洁能源供应、公开的用水审查,以及退役处置方案。数据中心的客户不应悄然地把电网升级或资源稀缺的成本,转嫁给普通家庭。
信息披露应当采用统一的功能性单位:按每次训练运行、按标准化工作负载、按服务量来计算能源与用水量,并同时附上企业与设施层面的绝对总量。仅有效率比率、而没有绝对增长数据,可能会造成误导。
AGI 可能带来的改变
AGI 的能源需求,目前仍是一种情景设想。能够将研究与经济活动自动化的系统,可能会大幅增加算力使用量。它们也可能改善芯片设计、材料科学、电网,以及清洁能源的部署。杰文斯式的反弹效应,则可能把效率提升,转化为更高的总体消耗量。
物理层面的制约依然存在:芯片工厂、变压器、发电、电网、供水系统与各类许可,都需要时间来建设与办理。关于「智能即将变得触手可及、无限丰裕」的说法,理应把这些瓶颈考虑在内。环境治理,可能会从一个外部性问题,变成对部署规模的一项实际限制。
一个平衡的标准
应当提出四个问题:整个生命周期的绝对足迹是多少?它发生在何处、何时发生?谁获得了收益,又由谁承担成本?哪种替代方案能够实现同样的功能?
现有证据既不支持「AI 对环境的影响微不足道」这种说法,也不支持「每次提示词都构成一场普遍性灾难」这种说法。数据中心在全球用电总量中只占少数份额,但却是一种增长迅速、地理上高度集中、且在用水与供应链方面具有实质性影响的负荷。AI 能够促成环境层面的改善,但唯有经过实际测量的净效应才算数。强制性的设施信息披露、生命周期标准、本地社区参与、清洁电网投资,以及对高效模型的选择,才是一项诚实的环境政策的基础所在。