熱門資訊> 正文
2026-04-21 13:46
全球人工智能競賽持續升溫,數據中心作為算力基座已從后臺走向風口浪尖。美國、歐盟密集出臺能耗披露與能效監管新規,中國也在「東數西算」工程基礎上加速推進綠色數據中心標準與國際互認。一邊是技術狂飆,一邊是公眾對電力、水資源承載力的焦慮,如何維持平衡成為各國面對的共同命題。
美國智庫「信息技術與創新基金會」(ITIF)4月發佈報告,系統迴應了關於AI數據中心的五大核心關切——從耗電、擠佔電網、推高電價、威脅可靠性到用水壓力。
文章指出,問題癥結往往不在AI部署規模本身,而在衡量框架、市場設計與規劃流程的滯后。雖然原文立足美國政策語境,但其揭示的技術治理邏輯具有普遍參照價值。對中國而言,既要警惕「算力焦慮」被簡單化為限制發展的藉口,也應從中汲取經驗,以更精細的制度工具推動算力基礎設施與綠色低碳協同演進。觀察者網翻譯全文,僅供讀者參考,不代表本網站觀點。
【文/霍丹·奧馬爾,翻譯/鯨生】
數十年來,數據中心一直是信息經濟中默默無聞卻堅實可靠的基礎引擎,在全球商業和日常生活的后臺持續運轉。但隨着人工智能(AI)的興起,這些設施被驟然推至公眾輿論和政治的聚光燈下。人們愈發擔憂數據中心的擴張將對能源系統、水資源以及地方基礎設施造成的影響。然而,對這些焦慮情緒的根本成因,各界理解尚不透徹,且常常錯誤歸因。至於政策應對措施則往往針對AI部署的規模,而非其系統性影響。
本報告審視了相關爭論中五個最為重大的論斷——涵蓋電力使用、電網接入、電價、供電可靠性以及水資源的影響——並得出一致結論:核心挑戰並非AI基礎設施本身,而是用於衡量、定價和管理其影響的制度框架。推動這些框架的現代化,既能保護普通家庭與社區、強化電網性能、減少環境影響,又能允許AI基礎設施建設以支撐美國競爭力和創新力的方式有序擴張。
引言
在塑造相關立法提案、監管行動和公眾輿論的爭論中,有五大論斷居於核心地位:
1. AI工作負載耗電過多。
2. AI工作負載擠佔了有限電網容量的其他用途。
3. AI工作負載將推高居民電費。
4. AI工作負載威脅電網的供電可靠性。
5. AI工作負載給地方水資源帶來壓力。
這些論斷的提出各有其緣由。在某些情況下,批評者確實指出了真實存在的物理壓力——如更劇烈的用電尖峰、波動更大的熱負荷——但採取的應對方式卻較為生硬,例如設置禁令或容量上限,而非能夠直接應對這些壓力的技術和運營解決方案。在另一些情況下,批評者指向的問題確實值得關切,例如居民電費上漲,但對原因的診斷卻有誤,將其歸咎於數據中心的需求,而非主導電網成本回收與轉嫁方式的市場設計規則。還有一些情況中,批評更多反映了對大規模AI部署的籠統式反對,而非一種清晰界定的、有經驗證據支撐的系統性風險。
本報告將逐一審視上述各項論斷。
第一,關於AI數據中心耗電過多的擔憂。雖然AI工作負載確實增加了電力需求,但數據中心並非全球電力需求增長的主要、次要甚至第三級驅動因素。更重要的是,電力使用本身並非一個政策問題,除非它導致了某種具體的負面影響,例如居民用電成本的上升、電網可靠性降低或環境損害。將電力消耗本身視為問題,可能導致政策矛頭錯誤地指向規模而非實際影響。為確保政策制定者在評估能源使用時着眼於實際結果而非吸引眼球的數字,國會應指示美國國家標準與技術研究院(NIST)和能源部(DOE)開發「單位工作能耗」指標體系,以衡量相對於產出效率的電力使用情況,並支持推動此類標準的國際協調統一。
第二,關於AI數據中心擠佔有限電網容量其他用途的擔憂。數據中心在「搶佔」電網這一説法,暗示其需求正在擠佔更具社會價值的電力用途,並默認這些工作負載本身的社會效益較低。這並非公允的評價。數據中心支撐着廣泛的經濟與公共利益,而關於其在新增需求中佔比的廣泛引用數據,往往依賴併網申請隊列信息,但由於其中存在大量投機性和重複性申請,這些數據高估了實際所需的容量。這並非否認美國電網正面臨壓力。政策制定者應將重點放在降低所有項目——無論是清潔能源、醫院、住房還是數據中心——接入電網的難度上,而非限制某一類需求。國會應要求公用事業公司公開報告融合AI與自動化技術的隊列管理最佳實踐;聯邦能源管理委員會(FERC)應將電網運營商的成本回收機制與可量化的併網審批研究周期縮短情況掛鉤;國會還應利用聯邦税收抵免和貸款計劃,激勵併網申請的自動化處理。
第三,關於AI數據中心將推高居民電費的擔憂。認為數據中心增長必然導致居民電費上漲的觀點,錯判了問題的根源。如果數據中心需求在本質上會推高居民用電成本,那麼類似的需求增長應在不同地區產生相近的價格漲幅。但事實並非如此。在某些地區,公用事業公司基於對未來需求的預測向發電商支付容量預留費,這意味着僅憑預測的AI負荷增長就可能立即引發居民成本上升——甚至在單個數據中心尚未動工之前。而在其他地區,發電商僅按實際輸送的電量獲取報酬,因此類似的需求增長並不會帶來同樣的價格衝擊。
造成差異的關鍵不在於數據中心增加了多少需求,而在於市場規則決定了這些成本何時、以何種方式轉嫁給居民用户。當前的美國電價結構還假設需求在很大程度上不具彈性,但許多AI工作負載實際上可以根據價格信號在時間或地點上進行調整。政策制定者應支持具備電網感知能力的負荷靈活調度,使大規模用電負荷能夠在電網壓力峰值時段調整用電行為,從而減少對最昂貴電源的依賴,並抑制本會傳導至居民端的電價飆升。
第四,關於AI數據中心威脅電網可靠性的擔憂。AI工作負載確實帶來了新的運行挑戰,尤其體現在其用電需求高度波動且變化極快。風險源於這類負荷模式與並非為應對快速波動而設計的電網基礎設施之間的互動方式。要解決這一問題,需要確保大規模用電負荷以有利於系統穩定性的方式管理其電力消耗。國會應支持制定一項行業行爲準則,內容涵蓋負荷平滑、現場電力緩衝及功率變化率控制等方面。國會還應指示FERC將有利的併網條款與遵守此類標準掛鉤,並鼓勵保險公司向證明合規的運營商提供更優惠的保費。
第五,關於AI數據中心給地方水資源帶來壓力的擔憂。相關討論常聚焦於數據中心使用了多少水,但用水本身並不等同於對水資源造成損害。關鍵問題在於水資源從何處抽取、如何被使用,以及是否以維持當地生態系統的方式迴歸環境。許多數據中心運營商已採取措施管理和補充其用水,但用水消耗與回補量衡量方式的差異,導致難以評估其實際影響或比較不同運營商之間的表現。
國會應指示美國國家環境保護局(EPA)與NIST協調,建立一套標準化的水資源覈算框架,明確規定必須衡量的指標以及回補量的核實方法,以確保不同運營商之間報告的一致性和可比性。國會還應指示EPA識別水資源壓力較高的區域——即數據中心取水風險最大的地區,並在這些地區激勵採用低取水冷卻技術和提高用水效率。政策制定者也應支持將數據中心整合到區域供熱系統中,以對其廢熱進行再利用。
什麼是數據中心?
數據中心是用於管理、存儲、處理和傳輸海量數字信息的設施。它們支撐着從電子郵件、視頻流媒體、雲存儲等日常服務,到處理銀行交易、政府文件和大規模商業運營的企業級系統在內的各類應用。越來越多數據中心也在支持包括人工智能在內的更高強度計算任務。
這些工作負載的複雜性和強度各異,但它們都依賴相同的核心基礎設施:用於處理數據的服務器機架、用於傳輸數據的高速光纖網絡、用於維持温度穩定的冷卻系統,以及保障全天候不間斷運行的穩定、大容量電力供應。在AI出現之前,企業設計的大多數數據中心旨在處理模式相對可預測、電力需求適中的混合型工作負載。
圖1展示了一個典型數據中心的構成——從電力和數據如何進入建築,到內部的設備,再到支持和保障其運行的系統。理解這一基礎架構,對於認識AI如何開始對其形成衝擊至關重要。
如圖所示,數據中心不僅僅是一棟裝滿服務器的建築。它是一個將電力、連接、冷卻和人員緊密整合在一起的系統,以確保不間斷運行。電力通過高壓輸電線進入,在園區內的變電站進行轉換,然后分配到設施各處。為防範斷電,現場還安裝了備用發電機和電池系統。
光纖網絡線纜將數據中心連接到互聯網、集群中的其他數據中心,或同時連接兩者,使其能夠快速、安全地交換信息。在建築內部,數據大廳容納着處理和存儲數據的計算與網絡設備。這些機器會產生大量熱量,因此設施還包含冷卻系統和環境控制設備以維持温度穩定。
整個場地由圍欄進行物理防護,並由信息技術專業人員、工程師和設施管理人員組成的團隊負責監控和維護運營。部分空間被劃爲辦公和輔助功能區,但整個設施的核心是圍繞提供穩定、不間斷的存儲和計算能力而構建的。
並非所有數據中心都採用相同的建設標準。大多數可歸入以下三類之一:企業級、主機託管或超大規模。企業級數據中心是為單一組織服務的私有設施。其所有者通常是非科技類公司,如銀行、保險公司和政府機構,它們需要安全地在內部存儲和處理數據。
主機託管數據中心是多家公司租用空間來安置其計算設備的共享設施。每家租户自帶服務器並管理自己的IT系統,但依賴主機託管服務商提供其他一切服務,如電力、冷卻、物理安防和網絡接入。主機託管數據中心服務從初創公司到大型零售商再到政府機構在內的廣泛客户群。
最后,超大規模數據中心旨在滿足亞馬遜、谷歌、Meta、微軟等全球科技公司及其客户的需求。其中一些由使用它們的科技公司直接擁有和運營;另一些則由第三方供應商建造並出租。無論哪種情況,超大規模數據中心均針對效率、模塊化和性能進行了優化,現已成為市場中增長最快的部分。
AI工作負載對數據中心意味着什麼
AI工作負載對數據中心提出了不同的要求,因為其所需的計算類型與傳統任務有着根本性區別。滿足這些需求不僅會迫使處理器發生變化,也涉及內存、互連架構和服務器的改變。而由於服務器是構建數據中心的基石,這些變化會向上傳導,重塑從機架佈局到供電和冷卻系統的方方面面。
傳統數據中心工作負載(如網頁服務器和企業數據庫)的計算工作涵蓋廣泛的操作類型。這些任務結合了標量算術運算、條件邏輯和數據搬運。例如,一次數據庫查詢可能需要從存儲中檢索記錄、比較數值、應用篩選條件並對結果進行排序。每一步都遵循確定性序列,儘管工作負載可能很複雜,但通常是可預測的,且非常適合能夠處理多種不同類型指令的通用處理器。
相比之下,AI工作負載依賴於一組更窄的操作集合——主要是矩陣乘法——但這些操作的計算強度遠高於前者。在訓練階段,這些矩陣被反覆相乘,系統在此過程中調整數十億個參數,以捕捉海量數據集中的統計規律。微調階段則以較小的規模應用相同的操作,利用新數據對已訓練好的模型進行優化,使其能夠專注於特定任務或領域。推理階段則是將訓練好的模型應用於新的輸入數據,運用其參數生成輸出——無論是圖像分類、產品推薦、文本生成還是語音翻譯。這三個階段都涉及並行執行海量的乘法和加法運算。
AI在執行訓練、微調和推理所需的大規模並行矩陣運算時,對圖形處理器(GPUs)的依賴程度遠高於中央處理器(CPUs)。但這種轉變並不侷限於處理器本身;AI工作負載重塑了整個服務器架構。為AI優化的系統會將多個加速器緊密地集群在一起,為它們搭配物理位置上靠近計算單元的高帶寬內存(HBM),並通過能以極高速度在芯片間傳輸數據的超高速鏈路將它們連接起來。隨着模型規模的擴大以及分佈式訓練和強化學習等技術的普及,設計者必須重新思考計算、內存和網絡在每臺機器內部的佈局方式。這些變化增加了單台服務器內的功率密度和發熱量,而由於服務器是數據中心的構建基石,其影響會向外傳導,波及機架佈局、電力輸送系統和冷卻基礎設施。
在轉向討論五大關切之前,有必要仔細審視一個體現尖端AI硬件樣貌的實例。英偉達的DGX H100是一款圍繞該公司H100芯片構建的專用服務器——H100芯片數年來一直是市場上最先進的AI處理器之一,也是當今數據中心部署最廣泛的AI處理器之一,其性能之強大以至於受到美國政府的出口管制。DGX H100是一個由英偉達完全設計並集成的整套一站式系統。
在接下來的案例研究中審視DGX系統,觀察英偉達所做出的全部設計選擇,可以清晰展示一款明確為AI工作負載構建的服務器與傳統機器有何不同,併爲后續章節——關於這些差異如何向外傳導並塑造整個數據中心的設計——做好鋪墊。
英偉達DGX H100內部探祕:一臺為AI而生的服務器
每一臺DGX服務器的核心是八顆英偉達H100圖形處理器。下圖展示了該系統的拓撲結構,這些圖形處理器居於中心位置。每顆圖形處理器內置兩種主要核心:張量核心與CUDA核心。張量核心專為深度學習中占主導地位的矩陣乘法運算而生,H100通過自動混合精度技術加速這一工作——即在計算過程中動態切換不同浮點數據精度以兼顧速度與精度。而CUDA核心作為通用處理器,負責處理不適合矩陣數學的任務,例如數據預處理、激活函數以及AI程序的整體流程管理。
不同於傳統服務器中內存與處理器分置在不同模塊,H100將內存直接置於芯片之上。這聽起來像是內存直接堆疊在處理核心上方,但實際情況並非如此。
如圖3所示,圖形處理器邏輯芯片(紅色部分)是容納處理核心的引擎。其旁側是垂直層疊的高帶寬內存芯片,底部有一被稱為基底芯片(Base die)的控制層,負責通過一片名為中介層的薄硅片管理與處理器的通信。基底芯片是高帶寬內存的一部分。實際結構遠比此示意圖中更為纖薄緊湊,但原理不變:圖形處理器所用的高帶寬內存通常向上堆疊建造,而非平鋪展開。
圖形處理器芯片還帶有內置端口,用以連接服務器中的其他設備。在H100上,部分端口專用於NVLink——一種將一顆圖形處理器與另一顆直接相連的專用高速連接,為圖形處理器間的通信提供了比標準接口更快的通道。H100芯片上的其他端口則將圖形處理器連接至NVSwitch,后者如同集線器,使服務器內每顆圖形處理器都能同時與其他所有圖形處理器對話——為大規模AI工作負載構建了一個緊密互聯的網絡。最后,圖形處理器芯片還包含與服務器中央處理器通信的端口。
圖2的其余部分展示了這些處理器如何向外連接至網絡與存儲。在兩側,中央處理器連接至高速網絡適配器,藉助以太網或InfiniBand等技術提供外部連接,既用於服務器間數據傳輸,也連接至存儲系統以訪問海量數據集。系統還包含大量用於數據緩存與本地工作的內部高速存儲。儘管圖中顯示為兩個獨立部分,但它們如同大腦的兩個半球,作為一個統一的整體協同工作。
總而言之,DGX系統揭示了圖形處理器內部的變革如何遠遠超出芯片本身而產生漣漪效應。這些組件的排布方式——垂直堆疊、更密集的封裝、通過專用橋接互連——產生了更多熱量,必須藉助先進冷卻系統將其排出。所增加的重力負荷與功率密度,反過來又對數據大廳的建造方式提出了新要求。簡言之,使H100這類圖形處理器面對AI工作負載如此高效的創新,同時也對服務器乃至整個數據中心的設計與運行提出了一系列新要求。
關切一:AI工作負載耗電過多
與前文所述的另外四個關切不同,它們將AI更高的電力消耗與具體的下游效應聯繫起來,如擠佔其他電網容量、推高居民電費、威脅電網可靠性、給地方水資源帶來壓力等;而「AI數據中心耗電過多」這一論斷常常是獨立提出的。
確實,AI工作負載增加了數據中心對電力系統用電規模的需求,因為運行和操作AI所需的硬件,其功耗顯著高於用於傳統計算的硬件。根據SemiAnalysis的研究,一臺典型的CPU和存儲服務器在正常運行時的平均瞬時功耗約為1千瓦,而單台AI服務器的功耗則處於10千瓦的量級。具體而言,SemiAnalysis發現,一臺DGX H100服務器在正常運行時的平均功耗約為10,200瓦。
但數據中心並非全球電力需求增長的主要、次要甚至第三級驅動因素。圖4展示了國際能源署的數據,顯示了從2024年到2030年各行業電力需求的預計增長量,單位為太瓦時——這是衡量國家或全球層面電力消耗的標準單位,相當於維持一小時一萬億瓦的功率。數據顯示,在2024年至2030年間,數據中心用電量的增長將佔全球電力需求總增長量的不到10%。其他因素,如工業產出、交通和建築電氣化、空調使用增加以及電動汽車的部署,預計將對整體需求增長貢獻大得多的份額。
圖4:按產業劃分的全球電力需求增長預測,2024-2030年,從上至下:其他、重工業、供暖與熱水供應、數據中心(橙)、空間冷卻、家電用具、電動運輸、輕工業。單位:太瓦時
相比其他大規模需求來源,數據中心並非唯一給電網帶來壓力的需求來源。因此,如果這種擔憂並未指向具體的下游損害——如消費者成本上升、環境破壞、電網可靠性降低或其他用户被排擠——那麼它實際上並不涉及可測量的系統性失效。在這種情況下,電力消耗便成了對AI規模或發展速度更廣泛疑慮的替代指標。將絕對的電力消耗本身視為問題,是用對AI部署的本能式抗拒替代了嚴肅的政策辯論,卻從未明確指出究竟需要解決何種具體問題。
政策制定者應為AI建立「單位工作能耗」指標,確保電力使用比較與產出效率掛鉤
即使政策制定者認同應根據下游效應來評估電力使用,絕對消耗量仍常成為這些關切的簡略表徵。但僅憑總用電量數據,並不能區分哪些系統的功耗更高是因為其計算產出實現了數量級的躍升,而哪些系統的功耗更高卻並未帶來相應的處理能力提升。一則關於「數據中心今年用電量是去年兩倍」的頭條新聞,絲毫不能揭示AI系統的效率是變得更低,還是產能大幅提高。若無法將能源使用與產出相關聯,此類比較非但無助於澄清,反而可能扭曲政策辯論。
「單位工作能耗」指標使這一區別變得明晰。通過直接將電力使用與產出掛鉤,它能揭示額外的電力消耗是否轉化爲了成比例的計算能力、速度或吞吐量增長,抑或電力使用的上升並未帶來有意義的生產力增益。這將能源辯論的焦點從原始消耗量轉向了電力轉化為有用工作的效率。
產業界已開始朝此方向努力,開發出諸如「每瓦性能」或「每瓦智能度」等衡量標準。MLPerf Power已成為一項領先的基準測試工具,用於衡量完成特定計算工作負載(如訓練一個模型或處理固定數量的推理任務)所需的能耗。對於大語言模型,研究者越來越多地使用「每焦耳生成詞元數」(tokens-per-joule)來衡量單位能量產生的語言輸出量。在硬件層面,「每瓦浮點運算次數」(FLOPs-per-watt)衡量的是芯片將功率轉化為原始計算能力的效率,而新型AI加速器在設計中明確追求最大化這一比值。
在美國,國家標準與技術研究院(NIST)應與能源部(DOE)合作,為衡量AI系統的單位有用工作能耗制定推薦最佳實踐。這些最佳實踐應側重於訓練和推理環節的工作負載級別生產率,而非總功耗,並可借鑑現有方法,如基於任務的基準測試、每瓦性能測量以及系統級效率指標。例如,相關標準可規定一組代表性AI任務、測量方法以及參考硬件配置,從而能夠在無需披露專有模型細節或訓練數據的情況下,跨模型和系統比較「單位工作能耗」。
美國還應通過七國集團(G7)和經濟合作與發展組織(OECD)等國際論壇開展工作,鼓勵各方圍繞這些基於生產率的指標形成共識。國際協調一致有助於確保「單位工作能耗」指標成為評估AI系統的共同參考基準,而非導致各司法管轄區出現各自為政、互不統一的衡量體系——尤其是在部分國家正考慮針對AI能源使用出台強制性報告要求的背景下。
關切二:AI工作負載擠佔有限電網容量的其他用途
批評者認為,用於AI的數據中心擠佔了其他具有社會價值的電力用途。隨着電力系統日益緊張,本可用於支持家庭電氣化、交通電動化或工業脱碳化的稀缺電力,卻被轉用於運行商業AI工作負載的私營數據中心。從這個角度看,AI不僅增加了電網需求,還與其他優先事項直接爭奪有限的容量。這一批評在美國電網擴張滯后於需求增長的地區尤為尖鋭。
要理解這一關切在美國的具體表現,有必要先了解美國電力系統的組織架構。美國並非由單一的統一電網供電,而是劃分爲多個區域性電力系統,各自擁有獨立的運行規則、規劃流程和可靠性標準。在美國大部分地區,日常電網運營由被稱為「區域輸電組織」(RTO)或「獨立系統運營商」(ISO)的非營利實體負責管理。
諸如中大西洋地區的PJM、中西部的MISO以及加利福尼亞州的CAISO等RTO和ISO,並不擁有發電廠或輸電線路。它們的職責是運營電網。它們協調跨州區域電力的實時流動,確保供需平衡,並管理決定誰能夠接入系統以及接入條件的技術規則。
這些電網運營商的核心職責之一是確定哪些資源可以向電網輸送電力,以及哪些大型用户被允許汲取大量電力。由於電力必須即時、可靠地輸送,任何新的連接請求——無論是供應側的發電廠還是需求側的大型工業負荷——都必須經過一項被稱為「併網」的正式技術審查。這一流程旨在確保新項目不會造成輸電線路過載、電壓或頻率失穩,或增加停電風險。
因此,併網流程起到了一種把關機制的作用。電網運營商會研究擬議項目對變電站、輸電線路及其他共享基礎設施的影響,並可能在批准連接前要求進行升級改造。這些研究耗時較長且按順序進行,這意味着項目會被列入隊列並依次接受評估。
由於電力接入受制於緩慢、順序進行的併網流程,且電網本身的擴張也是漸進式的,批評者認為,整個系統吸納大規模突增需求的能力有限。在此背景下,他們認為,吉瓦級AI數據中心的出現,將稀缺的電力資源傾斜給了私營數據中心部署,而犧牲了其他形式的電氣化和清潔能源應用——后者必須在同樣受限的系統內競爭。作為迴應,批評者呼籲採取措施減緩或暫停新數據中心的審批。例如,弗吉尼亞州曾提出一項法案,旨在暫時叫停新增項目,直至現有併網申請處理完畢,其明確引用的風險便是本已緊張的隊列將變得更加擁堵。
投機性隊列申請扭曲了對電網使用的認知
許多用於論證數據中心正在「搶佔」電網的吸人眼球的統計數據,例如聲稱數據中心佔新增電力請求的90%以上,均源自併網申請隊列數據,而這些數據嚴重高估了實際需求。正如勞倫斯伯克利國家實驗室(LBNL)在其2025年《排隊報告》中所記錄的那樣,美國併網隊列充斥着投機性且最終不可行的項目。開發商經常為同一項目在不同地點提交多個重疊的併網申請,以便在選址、許可和成本談判過程中保留選擇余地。一旦確定可行地點,其余申請將被撤回,往往一次性從隊列中移除數百兆瓦的「容量」。
即便一份撤回的申請從未消耗哪怕一瓦電力,它在併網隊列中的存在也會導致電網運營商如同對待真實項目一樣,進行復雜且耗時的可靠性研究。這就造成了一個瓶頸:合法的項目,如新住房開發、醫院或可再生能源場地,反而被困在這些投機性數據中心的佔位申請之后,其電網接入遭到延迟。
正因如此,聯邦能源管理委員會(FERC)等監管機構在2023年引入了更嚴格的隊列改革措施,包括提高撤回申請的罰金以及設置基於里程碑節點的研究要求,旨在確保開發商在預留容量前確有實質性的財務承諾。許多RTO和ISO也提高了保證金要求並收緊了場地控制標準。這些改革生效后,儘管新項目的實際需求並未顯著下降,但併網隊列規模在2024年出現了多年來的首次縮減。將虛高的隊列排位等同於實際用電,是將管理流程的擁堵與物理層面的稀缺混為一談,其風險在於,對文書積壓問題做出的反應,彷彿反映的是本地電力供應的真正短缺。
「搶佔」論忽視了自備電力供應
聲稱數據中心在「搶佔電網」的觀點,還忽視了運營商正試圖徹底擺脫排隊序列的趨勢。許多開發商並未去爭奪稀缺的電網容量,而是加速轉向用户側自備電源解決方案,即在場地內部或附近直接發電或簽約購電,以減少對公共電網的依賴。麥肯錫估計,到2030年,自備發電可滿足美國高達30%的新增數據中心需求,遠高於2023年不足5%的水平,因為企業希望藉此規避存在多年的併網延迟。在實踐中,這意味着建設能夠獨立運行的本地化微電網,整合大規模電池儲能、現場發電(如高效天然氣輪機)以及燃料電池等新興技術。
即便如此,將需求從公用電網轉移出去並未消除併網挑戰,而是改變了其形式。用户側發電、專用可再生能源以及新的穩定電源,要連接、同步或向電網輸電,仍需獲得電網批准。當新負荷的審批時間線與新電源的併網時間線出現錯配,且新負荷與新電源無法在電網運行限制內安全協同時,項目便可能停滯。
愛爾蘭正深刻經歷這一問題。儘管擁有可觀的海上風電項目儲備,但該國新數據中心的發展已然放緩,原因在於國家電網運營商EirGrid無法在不增加系統失穩風險(包括暫態故障和頻率失衡)的情況下安全接納更多高密度負荷。2024年,EirGrid警告稱,若併網協議持續停滯,可能引發數據中心的「大規模外流」。亞馬遜已暫停在愛爾蘭的進一步投資,理由是新的海上風電項目何時及如何併網存在不確定性,以及對於數據中心獲取能源接入的具體要求缺乏明確指引。併網延迟不僅是技術問題,還可能阻礙投資並削弱一國的數字競爭力。在美國,類似問題同樣存在,但供需匹配的速度與可靠性因區域電力市場而異。
政策制定者應通過推廣AI賦能的併網流程來減少積壓
政策制定者應將重點放在推廣和制度化AI賦能的併網流程上,以縮短大型能源用户和新增電源接入電網所需的時間。雖然試點項目已證明AI能夠加速併網研究,但這些成果仍不均衡且高度本地化,缺乏在整個併網流程中常規化推廣的明確路徑。
美國能源部的「AI促進併網」(AI4IX)倡議是一個有益的起點,但其影響仍受限於規模和範圍。按照目前架構,AI4IX主要作為一項試點資助計劃運作,支持電網運營商、項目開發商和軟件供應商之間的合作,以實現併網流程中離散環節的自動化。例如,它可能資助一個專注於電網容量與影響模擬的項目,利用AI快速評估擬議項目對現有電網狀況的影響,從而加快併網批准所需的技術研究。
這些努力是寶貴的概念驗證,展示了技術上的可行性,並有助於降低公用事業公司和監管機構採用新方法的風險。但除非其成果能夠在各區域得到系統性採納並嵌入標準的公用事業實踐中,否則,此類試點無法實質性減少併網積壓。推動普及需要一系列干預措施的組合。
首先,國會應要求公共電力傳輸提供商採納並共享包含先進計算工具(包括AI、機器學習和自動化技術)的併網隊列管理最佳實踐。這一思路的版本之一曾出現在2024年擬議的《能源部人工智能法案》中,該法案要求輸電提供商「酌情共享並採用關於使用計算技術……評估和處理併網請求的隊列管理最佳實踐,以加快出具研究結果」。這些報告應公開發布,既能讓研究人員、監管機構和電費繳納者權益倡導組織對各家公用事業公司的表現進行對標評估,也能對落后企業形成自然的問責壓力。重提這一構想將有助於推動AI賦能的併網流程從孤立的試點項目轉變為持久、系統性的能力。
其次,FERC應通過改變電網運營商執行併網流程的收費方式,引入併網效率激勵機制。RTO和ISO負責審查併網請求,並開展新電源和大型能源用户接入電網所需的技術研究。由於它們通常是不銷售電力的非營利實體,其開展此項工作的成本通過經FERC批准的規費和費率回收。目前,無論併網研究耗時多久,這些成本一般都能得到回收——這種模式依賴於傳統的服務成本監管,而后者通常來説激勵屬性不佳。FERC可以改為將部分成本回收與績效掛鉤,例如與研究周期的可量化縮短情況掛鉤。這將效仿現有的基於績效的監管框架,即獎勵公用事業公司達成特定的可靠性或效率目標。按照這種方式,無論通過經DOE驗證的AI和機器學習工具、流程優化還是其他創新手段,只要電網運營商顯著縮短了併網時間線,就應獲得獎勵。AI賦能的工具尤其前景可期,因為它們提供了一種在整個系統內規模化加速研究流程的途徑。
第三,國會應在能源部2025年底啟動的「加速送電」倡議基礎上更進一步——該倡議旨在加速開發支撐AI驅動的負荷增長和再工業化所需的多吉瓦級能源項目——利用聯邦財政支持來激勵採用現代化、自動化的併網流程。具體而言,國會應要求,凡依據《通脹削減法案》尋求聯邦税收抵免或通過能源部貸款項目辦公室尋求債務融資的發電和電網基礎設施項目,只要相關區域輸電組織或公用事業公司具備可用的標準化、自動化併網申報工具,就必須使用這些工具進行申報。通過將聯邦資金的獲取與自動化併網接口的使用掛鉤,國會將加速該技術的大規模應用,並將AI賦能的併網流程從孤立的試點項目轉變為對近期電網擴張最為關鍵的能源項目的常規實踐。
關切三:AI工作負載將推高居民電費
批評者認為,高耗能AI設施的快速增長將不可避免地推高普通家庭的月度電費賬單。根據這一觀點,與AI驅動型數據中心增長相關的成本,主要通過兩個渠道最終轉嫁給居民用户:受監管的基礎設施成本與躉售電力價格(wholesale electricity prices)。
受監管的基礎設施成本
在美國大部分地區,電力由受監管的公用事業公司供應——這些私營企業或公共實體在劃定的服務區域內作為壟斷企業運營。由於此類公用事業公司不面臨直接競爭,其投資決策和用户電價受到州級公用事業委員會的監管。
當公用事業公司認定需要新建基礎設施(如建設輸電線路、變電站或對電網進行加固等)以滿足日益增長的用電需求時,它必須通過被稱為「費率審理」的正式流程尋求批准。在費率審理中,公用事業公司請求公用事業委員會允許其回收成本並獲得受監管的回報,並提出如何依據成本歸因原則將這些成本在不同用户類別——居民、商業和工業——之間進行分配,該原則主張,用户應按其對系統施加成本的比例付費。
批評者認為,由少數大型數據中心驅動、耗資數十億美元的電網升級改造工程,其成本正越來越多地被分攤至整個電費基數。在此情景下,新基礎設施的成本被嵌入到向居民收取的月度輸電費用中。批評者進一步警告稱,若數據中心需求放緩或發生轉移,這些長壽命資產可能淪為擱置資產,導致居民用户需要為他們並未要求建設的、長達數十年的基礎設施債務負責。
躉售電力價格
公用事業公司並非自產所有銷售的電力。在美國大部分地區,它們通過持續拍賣方式運營的區域躉售市場購電。這些市場由PJM、MISO等區域電網運營商運作,它們負責協調跨州區域的電力供需。
在這些市場中,發電廠提交投標,説明其能夠供應的電量及願意運營的最低價格。然后,電網運營商將這些投標按最低價到最高價進行排序,並調度足夠的發電容量以滿足當時的總需求。這一體系的關鍵特徵在於,所有電力均按滿足需求所需的最后一臺發電廠所報價格進行結算。這通常是成本較高的電廠,也可能是運行成本高昂但產能足以快速爬坡的天然氣「調峰」電廠。即便大部分電力可能來自核電、煤電或可再生能源等較廉價電源,但支付給所有發電商的價格反映的仍是該邊際、最后調度機組的成本。
批評者認為,大型AI數據中心因其新增了大量穩定、全天候的需求而影響了這一定價機制。當總需求上升並接近系統可用供應上限時,電網運營商必須更頻繁地調用這些高成本電廠以滿足高峰或接近高峰時段的狀況。從實際角度看,這意味着市場更頻繁地以更高價格出清,因為需要更經常地動用昂貴電廠來維持供電。
當躉售價格以此方式上漲時,公用事業公司會將這些增加的成本作為月度賬單上增加的購電費轉嫁給用户。在批評者看來,居民用户因此面臨更高的電價,原因在於數據中心的需求迫使系統更加依賴成本更高的發電方式,即便居民用户並非該新增用電負荷的來源。
推高居民電費的真正原因是市場設計,而非數據中心負荷
與數據中心增長相關的居民電費上漲,主要是一個市場設計失靈問題,而非需求問題。電力市場並不區分不同類型的需求。數據中心使用的一個電子與家用電器、工廠或電動汽車使用的電子並無差別。電網只對總需求做出反應,而不關心是誰在消費。若數據中心帶來的需求增長本質上在推高價格,那麼無論這種需求在何處擴張,都應出現相似的價格漲幅。
證據表明情況並非如此。SemiAnalysis近期一項對PJM與ERCOT的比較分析顯示,儘管兩個地區都在經歷數據中心快速擴張,但它們的電價走勢已然分化。SemiAnalysis估計,在PJM地區,與2024年相比,2025至2026年間容量預留費的飆升將轉化為普通居民月度賬單上25至30美元的附加費。而在ERCOT,預計不會出現類似的價格衝擊。若兩個系統經歷了相似的需求增長卻產生了截然不同的價格結果,那麼僅憑需求便無法解釋這一結果。差異在於每個系統將預測需求轉化為價格的方式。
PJM依賴所謂的容量市場,該市場基於對未來需求的預測來設定價格。它使用一個數學模型估算未來數年的電力需求,然后決定支付多少費用給發電廠業主以保持其設施處於待命狀態。實際上,這相當於為確保未來有容量可用而向發電商支付的「預留費」。該成本隨后通過電費轉嫁給居民和企業。價格與今日實際消耗的電力無關,而是與一家中央規劃機構對未來需求狀況的估計掛鉤。
由於這筆預留費建立在模擬預測而非實際使用基礎上,即使預測中的適度調整也可能引發成本的極端飆升。若模型預測AI負荷將激增,公式便會自動觸發漲價以確保有足夠電廠處於備用狀態——即便這些數據中心目前還只是一片空地。在2025至2026年周期中,這一預測機制已導致PJM此類待命支付的總成本較上一年度增長至9.3倍。這造成了總計160億美元的費用被直接轉嫁給居民用户,迫使他們為尚不存在需求的預留電力買單。
相比之下,ERCOT依賴所謂的僅電能市場,發電商僅按其實際生產並輸送到電網的電量獲得報酬。不存在為保持電廠待命的預付款。相反,該系統利用實時定價來平衡供需。在這一模式下,只有當電力出現物理性短缺時,價格纔會上漲。若需求激增,電價在那一刻隨之上升,這自然激勵發電廠開機發電,並促使投資者建設新容量以獲取更高收入。
這一設計限制了投機性需求對價格的影響。預計數據中心增長的延迟或高估不會立即轉化為居民成本,因為價格對實際狀況而非模型預期做出反應。其代價則是價格波動性更大。在極端需求或供應緊張時期,價格可能急劇飆升。但這些價格尖峰與電網的實時實際狀況掛鉤,而非基於對未來數年的預測,並且可以通過一系列工具進行管理(本報告其他部分有述)。
這一對比清晰表明,更高的居民電費是市場設計使然,而非數據中心用電本身所致。
對躉售電價的擔憂錯誤地假定AI需求缺乏彈性
要理解為何對AI需求導致躉售電價上漲的擔憂並不必然給居民帶來無法避免的成本外溢,借用經濟學中經典的「魚市」比喻會有所幫助。
想象一下清晨的本地魚市。漁民已經歸港;當日的漁獲量固定,短期內無法增加。供給是完全無彈性的。若突然湧入大量新買家,價格將急劇上升,因為所有人都在爭奪同樣固定數量的魚。
電力市場與此情景類似。短期內,發電容量基本固定,因為可用發電廠的數量受限於物理和監管建設周期;許多基荷機組(如核電或大型煤電)無法快速調節出力以應對突發變化。當需求在固定供給背景下上升時,價格會上調以平衡系統。
在一個運作良好的市場中,價格上漲會導致部分買家減少消費或退出市場。例如,一些魚市買家會直接離開,明天再來或改買雞肉。正是這種反應限制了價格飆升,並防止成本最昂貴的供應商為所有人設定價格。
然而,在當今的美國電力市場中,需求之所以反應迟鈍,是因為零售電價與躉售市場的現實脱鈎。大多數美國家庭和數據中心支付受監管的固定電價,這使他們無從感知電力的實時實際成本。由於看不到電價正變得昂貴,他們便不會停止購買。公用事業公司不得不支付尖峰電價,隨后通過加收附加費或提高基準電價的方式,將差額「平賬」轉嫁給所有用户。這將一次市場尖峰轉化爲了針對整個電費基數的長期價格上漲。
然而,AI需求並非天然缺乏彈性。與家庭或關鍵服務不同,運行AI工作負載的數據中心可以成為靈活的電力消費者,其靈活性是大多數家庭和關鍵服務所不具備的。許多AI工作負載——尤其是訓練及其他對延迟不敏感的任務——可以被暫停、減慢、推迟或遷移,而不會損失進度。這種靈活性正是國家可再生能源實驗室前沿研究的重點,該實驗室關於「負載感知型電網管理」的研究表明,數據中心如何在電網承壓時期自動降速或暫停訓練,將計算任務轉移至電價較低的非高峰時段,或將工作負載地理遷移至可再生能源發電過剩的地區。
AI數據中心不僅不必為居民電價不可避免的上漲負責,反而可以通過穩定電網淨負荷來減輕本會傳導至消費者的價格壓力。根據麻省理工學院斯隆管理學院2025年的一項研究,實施靈活、電網感知型工作負載調度的數據中心,可將系統總成本降低2%至5%。當這些大規模用户將其密集的AI訓練任務轉移至非高峰時段時,它們便拉平了需求曲線,從而減少電網對昂貴、高排放調峰電廠的依賴,而正是這些電廠通常為所有其他用户設定了高昂的躉售電價。在此情境下,數據中心不僅支付了自身應承擔的費用,還作為一種穩定力量,為整個電費基數內的用户降低了平均電力成本。
政策制定者應支持電網感知型靈活調度以抑制價格飆升
阻礙數據中心發展或將其成本社會化均攤,兩者均是失敗的政策選擇。任務在於確保AI基礎設施以反映實際系統狀況的方式融入電力市場,而非迫使居民家庭承擔本可避免的風險。
政策制定者應恢復電網狀況與大規模電力消費之間更為清晰的關聯。當價格無法反映實時系統約束時,即便是靈活的需求也會表現得如同固定負荷一般。美國能源部在其2024年《商業化騰飛之路:虛擬電廠》報告中強調了價格響應型需求的作用,指出讓大型負荷直面真實的電力成本,可以釋放電網日益需要的靈活性。使數據中心能夠作為自我調節、調整用電的「虛擬電廠」運行,可以讓AI增長支撐電網穩定,而非將短期壓力轉化為居民永久的成本增長。
信息技術與創新基金會2025年的報告《美國需要數據中心,數據中心需要能源——但這未必是個問題》,向能源部、聯邦能源管理委員會以及數據中心自身提出了若干建議,闡述如何支持數據中心成為高峰需求管理的合作伙伴。
一項尤為重要的改革是要求區域輸電組織探索如何實時播報透明、機器可讀的擁塞和價格信號。若數據中心的工作負載調度器能夠預見到即將來臨的價格尖峰,它便可自動推迟非必需的計算任務,或在區域間轉移負荷。當大型負荷在電網壓力峰值期間減少用電時,它們便降低了調度那些為整個市場設定出清價格的最昂貴邊際發電機組的需求。
關切四:AI工作負載威脅電網供電可靠性
對電網可靠性的擔憂往往是高度本地化,而非系統性的。電力中斷和設備故障通常發生在變電站、饋線或變壓器等特定瓶頸節點,這些老舊基礎設施的設計初衷並非應對快速、集中的負荷變化。儘管AI需求的規模給這些資產帶來了基礎性壓力,但數據中心僅是覆蓋交通、建築和工業等更廣泛電氣化浪潮中的貢獻者之一(如關切一所述)。
AI工作負載帶來的更具獨特性的可靠性挑戰,源於其用電行為本身的特性。圖6展示了谷歌提供的時序數據,直觀呈現了這種動態。
圖中縱軸為數據中心功率,橫軸為時間。數據顯示,AI工作負載造成了接近15兆瓦的負荷波動,導致功率從約1兆瓦飆升至15兆瓦。這種波動源於圖形處理器的同步運算。在任務執行期間,所有圖形處理器以緊密協同的方式工作。這導致在活躍計算階段功耗極高,而在圖形處理器等待數據或彼此同步時,功耗則出現短暫、急劇的下降。這意味着電力輸送系統必須按照遠高於平均水平的峰值來規劃容量。
因此,對於AI工作負載因極度波動性而影響電網可靠性的擔憂,特別是其行為維度,是政策制定者應當正視的有效關切。
AI可靠性風險因工作負載類型而異
實踐中,AI工作負載主要分為訓練和推理兩大類別,二者與電網資產的互動方式存在根本性差異。分別審視這兩類負載,可以清晰揭示其負荷特性如何轉化為對電網基礎設施的不同壓力,以及可靠性風險實際源於何處。
訓練工作負載是一個有限過程,一旦模型達到目標精度水平即告結束。訓練期間,圖形處理器經歷若干不同階段。在正向傳播階段,圖形處理器以持續的高功耗處理數據。緊隨其后的是反向傳播階段,模型更新參數,功率需求以短脈衝形式激增。系統還會周期性進入檢查點階段,即模型保存進度的短暫停頓,期間功耗急劇下降,如同電子遊戲中的暫停畫面。即便如此,圖形處理器也並非完全閒置。它們通常維持較高的基線負載,約為峰值的60%至70%,以便能立即恢復計算。
持續高負載、快速尖峰和部分閒置之間的反覆轉換,形成了AI訓練特有的「鋸齒形」功率曲線。阿爾伯塔大學的李玉琢和李運帷在2025年發表的論文《AI負荷動態:電力電子視角》中對此進行了闡釋。研究者在微調OpenAI的GPT-2模型時測量了檢查點事件期間的圖形處理器功耗,並生成了功耗隨時間變化的時序記錄。數據顯示圖形處理器功耗處於閒置狀態,然后突然躍升至一個高位、參差不齊的活動平臺(如同鋸齒刀刃),隨后又驟然回落——這一模式在整個訓練運行期間反覆出現。對電網運營商而言,這一模式之所以重要是因為它引入了頻繁且陡峭的負荷轉換,而非平滑或可預測的需求曲線。
與鋸齒形負荷曲線相關的主要可靠性風險是熱循環。變壓器本質上是一個裝滿絕緣油、內含銅繞組的大型容器。當數據中心汲取巨大的兆瓦級電力時,銅繞組升溫並物理膨脹。當工作負載到達檢查點、需求急劇下降時,繞組冷卻並收縮。在AI訓練環境中,這種加熱與冷卻循環每天可能發生數十次。反覆的膨脹與收縮對銅繞組及其周圍的絕緣紙施加機械應力,逐漸導致材料變脆、開裂。這一過程被稱為「熱疲勞」,其原理如同反覆彎折回形針直至將其折斷——導致斷裂的並非總重量,而是重複運動。這些轉換可能使變壓器在數月內承受相當於數年的機械疲勞累積。
相比之下,推理工作負載並非有限任務,而是持續進行的服務。用於推理的圖形處理器在等待用户請求時處於低功耗閒置狀態。當請求到達時,圖形處理器迅速爬升至接近峰值功率以儘快處理請求,任務完成后隨即回落。這一循環不斷重複,產生的是短促的高功率脈衝,而非持續負荷。
李玉琢和李運帷還研究了Meta的Llama 3.1模型運行推理操作時的功耗模式,發現功率消耗在閒置與峰值之間以幾分之一秒的周期循環往復。推理的顯著特徵並非其平均功率需求,而是這些負荷變化的速度與頻率。其模式是在高、低功耗間快速閃爍,從未完全穩定,這與訓練工作負載和傳統數據中心計算均顯著不同。
對於推理工作負載,主要壓力落在電網的電子控制系統上——即那些維持電壓穩定並決定何時為安全起見切斷電路的設備。AI推理請求的急速激增可能導致被稱為「電壓暫降」的電壓瞬時跌落。可將電網試想成水管:若有人每半秒就突然猛開一個巨大閥門又猛然關閉,整個管道系統的水壓便會劇烈波動。在電網中,這種不穩定的壓力可造成兩類具體損害。首先,它可能導致電子疲勞,因為變電站的傳感器和電容器被迫每天數千次對抗這些毫秒級速度的壓力波,致使其內部元件過早老化。其次,由於這些AI尖峰的速度和強度酷似短路,電網的自動安全斷路器可能被誤導而跳閘,造成誤報性停電。
政策制定者應激勵數據中心內化波動成本
為保護美國電力系統的可靠性,政策制定者應建立激勵機制,獎勵數據中心內化其負荷波動所帶來的成本。這些激勵應特別針對電網基礎設施面臨的兩大關鍵物理風險:熱疲勞和電壓不穩定。
首先,監管機構應獎勵使用先進軟件來協調計算任務、降低峰值電力壓力的行為。例如,谷歌的DeepMind已應用AI來優化其數據中心所需的海量電力。通過持續分析與服務器負載、電力分配以及冷卻設備(如泵、冷卻機和冷卻塔)能耗相關的大量電氣數據,其AI系統學會了進行精確的實時調整,以更高效地運行這些系統。僅此一項能力就使冷卻能耗降低了40%,轉化為數據中心整體功耗下降15%。同樣,Emerald AI等初創公司已證明,軟件「中介」可在電網承壓高峰期令AI集群的功耗降低25%,且不違反性能保障承諾。
其次,監管機構應激勵使用現場緩衝裝置以維持電壓穩定。以微軟為例,該公司已開始在其較新的園區推廣此類技術。傳統上,數據中心電池大部分時間處於閒置狀態,等待停電時啟用。微軟的系統則重新利用這些大規模鋰離子電池組,以實時響應電網需求。憑藉約80毫秒的反應時間,該設施可從電池「汲取」電力以穩定電網頻率,或「吸收」由AI工作負載突發引起的微尖峰。
遺憾的是,儘管上述案例證明了技術上的可行性,但現有政策框架對於大規模鼓勵此類行為作用甚微。《AI行動計劃》呼籲數據中心通過更優化的管理技術、輸電升級改造以及大型用户在關鍵時段管理用電的新方式,「儘可能優化現有電網資源」。但該計劃止步於創建具體的激勵機制或性能標準,未能獎勵數據中心投資於內部負荷平滑、功率變化率控制或增強可靠性的電力管理。
政策制定者不僅應將經過驗證的負荷曲線管理視為一種支撐電網的服務並據此設計激勵措施,還應支持由數據中心運營商、公用事業公司和區域輸電組織合作制定的行業行爲準則,明確界定現場緩衝、負荷平滑和功率變化率控制的標準。國會應指示聯邦能源管理委員會將對準則的遵守作為獲得有利併網條款的條件,同時財產險和營業中斷險的承保人應向證明合規的運營商提供更優惠的保費——由此形成並行的監管與市場壓力,共同推動該準則的大規模採用。
關切五:AI工作負載給地方水資源帶來壓力
根植於熱力學的一個現代計算基本事實是,處理器消耗的幾乎所有電能最終都轉化為熱量。隨着AI工作負載的功耗日益增加,排熱挑戰已成為數據中心設計的核心約束。數十年來,大多數設施依賴風冷系統,使用大量經過調節的空氣來散發熱量。在服務器功率密度較低時,該方法是可行的。但對於熱量產生強度更高、空間更集中的現代AI硬件,風冷已日益力不從心。
為應對這些熱負荷,數據中心運營商正迅速轉向液冷系統。水及其他專用冷卻液在吸收和帶走高密度AI服務器的熱量方面,效果遠優於空氣。這一轉變提高了能源效率,並使更高性能的計算成為可能。但它也引發了環境關切,尤其是圍繞水資源的使用。
這些關切可分為兩個相關類別。第一類是地方性和生態性的。液冷系統可能增加特定地點的取水量,引發人們對與市政供水、農業或當地脆弱生態系統相競爭的擔憂,尤其是在水資源緊張地區。社區擔心大型數據中心可能加劇缺水狀況、給基礎設施帶來壓力,或將水資源從基本用途中分流。
第二類關切是系統性和認知層面的,焦點在於水資源的使用如何與AI活動關聯呈現。媒體報道越來越多地將數據中心的耗水量轉化為生動的單次任務類比,將日常AI使用描繪為對環境的一種浪費。《華盛頓郵報》2024年9月一篇題為《每封郵件一瓶水:使用AI聊天機器人隱藏的環境代價》的文章引用估算數據稱,訓練GPT-3的耗水量堪比生產100磅牛肉所需的水量,而Meta訓練其LLaMA-3模型估計使用了2200萬升水,文章將其等同於生產超過4000磅大米。對於AI使用,文章引用估算稱,用GPT-4生成一封100字的電子郵件所需能耗,大致相當於半升水。
與關切二中討論的「搶佔電網」批評頗為相似,這些比較將AI的資源使用框定為本質上低價值或社會性浪費,隱晦地質疑AI的益處是否值得消耗稀缺的自然資源。
誤導性的水資源指標與錯位的比較
許多關於數據中心用水的説法所依賴的比較和計算方式經不起仔細審視。從「每封郵件耗水量」的估算,到將AI系統與牛肉生產或主要農作物進行類比的種種説法,往往建立在前后不一致的假設、不匹配的單位或選擇性的核算方式之上,從而誇大了AI工作負載的顯見影響。
以訓練一個諸如GPT的模型耗水量堪比生產100磅牛肉這一比較為例。問題未必在於數字本身,而在於比較的單位。它所衡量的是一次性的計算過程——其產出之后可能被使用數十億次——卻與100磅牛肉作比,而每當人們需要時都必須重新生產這部分的牛肉。這兩者並非可比較的單位。
更公允的比較應着眼於整個設施。以xAI位於孟菲斯的Colossus 2為例,這是全球最大的AI數據中心之一。一項自下而上的估算顯示,其全年的水足跡約為3.46億加侖。雖然這聽起來非常龐大,但若計入飼養肉牛所需的水量,單是一家高人氣的In-N-Out漢堡門店的年度總水足跡便約為1.47億加侖。換言之,一座最強大的數據中心所消耗的水量,僅相當於兩家半快餐店的水足跡。然而,卻沒有人呼籲暫停開設漢堡店以保護當地水資源。
xAI在田納西州孟菲斯的數據中心
美國主流媒體報道的「單次任務」式表述框架令情況雪上加霜。批評者所用的方法很簡單:取一座設施的總用水量,除以其處理的查詢次數,然后將結果作為生成一封郵件或一張圖片的水資源成本予以呈現。但數據中心的冷卻系統並不會為每一次獨立請求而開啟或關閉。無論該設施處理的是10次查詢還是100億次查詢,冷卻系統都以大致相同的強度連續運行。為維持運行温度而消耗的水量,無論如何都會發生。將這部分固定開銷的一部分歸因於每一次查詢,是在暗示多發一封郵件會導致冷卻塔抽取更多水,而實際情況並非如此。單次任務數據並非衡量一次查詢實際成本的指標。它只是設施的總水費除以其產出,被以一種讓AI日常使用看似對環境有重大影響的方式呈現出來,而其背后的數學邏輯並不支持這一結論。
其結果是,這場辯論因反數據中心的言論而部分失真,並未立足於可靠證據。AI數據中心確實消耗水,且在部分地點,這種消耗可能引發合理的關切。但一場嚴肅的討論需要超越虛假敍事,聚焦於水資源風險的真實決定因素。
用水不等同於對水造成損害
AI工作負載產生的熱量確實遠超傳統計算。要量化AI工作負載增加的冷卻需求,方法之一是考察名為「熱設計功耗」(TDP)的指標。TDP基本上是芯片製造商可為熱工程師提供的一項芯片級規格參數。它是一個功率數值,而非温度,表示在典型負載下冷卻系統必須能夠帶走的熱量(以瓦為單位)。例如,一顆TDP為125瓦的CPU,意味着散熱器應能夠帶走125瓦的熱量。
現代AI芯片的TDP很高,且通常隨每一代新品的推出而攀升。英偉達的旗艦數據中心GPU,其TDP已從2020年A100(SXM4型號)的400瓦躍升至2022年H100的700瓦,其新款Blackwell B200的TDP據報達1000瓦。這一趨勢在其他主要廠商中同樣明顯。AMD的Instinct加速器從MI250X的500瓦增至MI300X的750瓦,谷歌第七代Ironwood TPU和英特爾Gaudi 3的TDP據報均為600瓦。
然而,所有論斷都聚焦於用了多少水,而非在未獲補充的情況下用了多少水。這是一個關鍵區別,因為許多公司都在主動發起水資源回補計劃以抵消其消耗。谷歌、微軟、Meta和亞馬遜均已承諾到2030年實現「水資源正效益」,即計劃回補環境的水量將超過其消耗量。
《華盛頓郵報》的文章指出,谷歌2024年環境報告顯示其「僅回補了所消耗水量的18%——遠低於其設定的2030年120%的目標」。但其於6月發佈的2025年報告顯示,該比例已提升至64%——若保持這一變化速度,它將在2027年達到120%。這一進展是通過資助100多個地方流域管理項目實現的,例如恢復加州中央谷地的濕潤草甸以充當地下水補給的天然海綿,以及投資於科羅拉多河流域的灌溉效率提升。這些項目被戰略性地佈局在其數據中心所處的同一批水資源緊張區域,有助於確保回補發生在真正受到影響的社區。
這一進展也說明了為何僅看回補量並非正確的衡量標準。那些僅聚焦於總耗水量數據的報道雖然引人注目,卻分散了政策制定者本應關注的真正問題,例如回補的水是否水質良好,是否有助於周邊生態系統的健康。如果水在返回水源時的温度大幅升高,便可能造成熱污染。這種升溫的水會降低水體含氧量並危害當地野生動植物,從而破壞脆弱的水生生態系統。
此外,若大量取水速度過快,或取自本就水資源緊張的區域,則可能擾亂河流的自然流量,並對農業和飲用水等其他基本用途的本地供應造成壓力。真正重要的是AI基礎設施與其賴以生存的流域健康之間的平衡。
變化的電力需求催生新的冷卻與用水約束
在關於數據中心用水的討論中,很大程度上被忽略的一點是AI工作負載引入了根本性的全新熱挑戰。AI基礎設施不僅僅是產生更多熱量,它還以劇烈波動的脈衝形式以及由先進芯片封裝所創造的、難以觸及的新熱點區域產生熱量,使冷卻系統超出了其原始設計的管理能力。
圖7是一幅時序圖,展示了谷歌TPU芯片温度隨時間波動的狀況,將基準情景與應用緩解技術的情景進行了對比。代表TPU温度基準的紅線顯示出寬幅且劇烈的温度區間,伴有高達20攝氏度的急劇快速波動。藍線代表緩解后的情景,顯示瞭如何通過軟件控制來主動平滑芯片上的功耗,將温度波動的劇烈程度降低約50%。
隨着芯片功耗的快速飆升與下降,其温度也隨之出現同樣快速且顯著的波動。這些熱波動的劇烈程度會因工作負載類型(訓練與推理)及具體任務的不同而有顯著差異。
重要的是,這並非整顆芯片的平均温度,而是單個裸片上最熱點的温度,工程師通常稱之為「熱點温度」。這是最有可能率先失效的位置,也是快速波動影響最大的地方。即便整顆芯片的温度看似温和,熱點也可能每幾秒就大幅波動一次,這可能導致芯片性能退化甚至失效。這是因為芯片由多種材料(如硅、銅和焊料)製成,它們在升溫和冷卻時的膨脹與收縮速率各不相同。劇烈波動的温度導致這些材料不斷膨脹和收縮。久而久之,這種由温度波動帶來的持續應力,會導致焊點和互連處形成並擴展微觀裂紋,最終造成完全失效,恰如反覆彎折一根金屬線終致其折斷。
AI工作負載還在改變這些熱點在芯片上的出現位置,給熱工程師帶來了新挑戰。在傳統服務器CPU上,主要熱點可能位於主處理核心所在之處。然而,現代AI芯片採用先進方法將元件靠得更近,要麼將它們並排置於一個小型共享基板上,要麼直接層層堆疊。這種新的集成水平正催生出新的熱點。
AI芯片上內存的位置便是新熱點的一個典型例子。隨着AI模型日益複雜,支持它們的系統要求內存具備更大容量、更快吞吐量、更低延迟和更優能效。為滿足這一需求,一項關鍵創新是高帶寬內存(HBM),即如圖8所示,將多層內存芯片垂直堆疊在一起。這一關鍵發展有助於解決處理器速度與所通信內存速度之間的「內存牆」瓶頸。
3D堆疊內存中的熱量積聚
挑戰在於,熱量只能沿兩個主要方向散逸:向上傳至散熱器,或從芯片邊緣側向導出。堆疊中間層的內存實際上處於「被困」狀態。由於上方有層疊阻擋,它們無法輕易向上釋熱;向下亦然。堆疊中上方或下方芯片的熱量也會傳導至這些中間層,像水坑中的水一樣既垂直又側向擴散。結果堆疊的中心距離任何散逸路徑最遠,成為温度最高的點位。
不斷攀升的TDP、快速的熱波動以及AI芯片上新的熱點位置,這些複雜挑戰說明了為何傳統冷卻方法已不再夠用。當數十顆這樣的芯片被裝入一臺服務器,數千台服務器又組成一個數據中心時,問題便不只是累加性的,而是倍增性的。芯片級產生的熱量逐級傳導放大,使傳統風冷系統不堪重負,迫使基礎設施堆棧的每一層級——從直接芯片液冷到整個數據中心的熱管理設計——都必須進行創新。
數據中心正積極降低冷卻與用水強度
冷卻是運營數據中心的第二大開支,僅次於電力。因此,運營商有強烈的動力去降低這一成本。從芯片封裝到機架設計,從AI驅動的熱優化到城市規模的區域供冷,種種創新正在重塑數據中心管理熱量的方式,同時降低能耗與用水。
·數據中心內部的冷卻創新
從芯片級創新説起,各公司正在探索直接內置於芯片封裝本身的冷卻方式。高帶寬內存領域的領先企業SK海力士,採用了一種名為「模塑底部填充」(MR-MUF)的專有技術,用一種導熱材料填充堆疊芯片間的微小氣隙,使熱量能更高效地散逸,保持芯片以更低温運行。與此同時,臺積電正在開發一項名為「集成微冷卻器」(IMC-Si)的技術,即在硅中介層本體上蝕刻出微小的流體通道。冷卻液流經這些通道,而通道距離上方發熱晶體管僅有數百微米之遙,從而在熱量擴散至芯片其余部分之前便實現了極為高效的排熱。
在服務器層面,最顯著的進步是直接芯片液冷(DLC)。它旨在通過在CPU和GPU正上方放置由銅或鋁製成的薄型金屬冷板來帶走熱量。每個冷板內部都有微細通道供冷卻液流過,使得金屬能夠吸收芯片熱量並將其傳遞給流體。冷卻液絕不接觸電子元件,僅在密封的冷板內流動。
所用液體的類型各有不同。雖然水是優良的熱導體,但它同時也導電並可能腐蝕部件。為防止損壞,數據中心使用經特殊處理的去離子水。一旦冷卻液吸收了芯片熱量,被加熱的液體便被泵送回冷卻液分配單元(CDU)。在那里,一個液-液熱交換器將熱量從服務器冷卻液迴路中帶走,而兩種流體互不混合。冷卻后的液體再被送回芯片,循環往復。最終,提取出的熱量被排放至系統外部。英偉達最尖端的機架架構已將直接芯片液冷作為標準配置。其GB200 NVL72機架級系統容納了72顆GPU和36顆Grace CPU,芯片上直接安裝有冷板,並內置了CDU。
另一項日益受關注的服務器級創新是液體浸沒式冷卻。此方式將整個服務器完全浸沒在裝滿非導電介電液的容器中。由於液體不導電,服務器可在完全浸沒的狀態下運行,且液體直接吸收所有部件(而不僅僅是CPU和GPU)的熱量。浸沒式冷卻有兩種形式。在單相系統中,液體的表現很像散熱器中的水:它吸收熱量、升溫,然后被泵送至冷卻單元降温后再循環回來。在兩相系統中,液體被設計為在相對較低温度下沸騰。當部件發熱時,與之接觸的液體瞬間轉化為蒸汽,將熱量向上帶走。蒸汽隨后在容器較冷表面重新冷凝為液體,滴落回底部以重複循環。這種沸騰-冷凝迴路使得兩相冷卻在熱量產生的源頭就近帶走熱量方面極為高效,但也需要更專用的液體和設備。
數據大廳層面的策略是絕熱冷卻,即利用蒸發來降低空氣温度。在此方法中,外部空氣在進入設施前被吸入穿過濕簾或經細霧噴灑。隨着水分蒸發,空氣得以冷卻,這股較涼的空氣隨后在數據大廳內循環,以吸收服務器的熱量。由於該過程避免了耗能巨大的冷卻機組,在蒸發效果最佳的乾燥氣候下,它成為一種高效的選擇。然而,其代價在於絕熱系統需要可靠的水源供應,其可持續性取決於水的來源地和取用方式。
這些創新有助於提升數據中心在能源和水資源方面的負責任程度。通過直接從芯片、服務器和機架捕獲熱量,它們大幅減少了對於高能耗空調和風扇的需求,使更多電力能夠用於計算本身。
·熱優化
熱優化是數據中心用以優化冷卻運行並降低成本的一項策略,即通過實時動態地將冷卻輸出與設施的IT負載相匹配,防止過度冷卻。一組機架級傳感器持續採集温度與功率數據,並輸入AI系統,后者自動計算並對冷卻單元、風扇及水泵進行精準調節。這確保了僅投入必需的冷卻量,省卻了人工干預並最大程度減少了能源浪費。
西門子是此類系統的領先供應商,已在金融數據中心部署其「白空間冷卻優化」方案,採用了數百個無線機架級傳感器。在一處設施中,該系統將運行中的冷卻單元數量從72台削減至35台,並將冷卻能耗降低約70%。
·區域供冷
區域供冷是一項超越單個數據中心管理、上升到城市尺度協同冷卻的策略。各設施不再依賴自身設備,而是由一座集中式工廠生產冷凍水,通過地下管道輸送至相連的樓宇網絡。這使得數據中心無需安裝和維護自身高能耗的冷卻機組與冷卻塔,將冷卻需求外包給一個更高效的大規模系統。
一個突出實例是加拿大多倫多由Enwave能源公司運營的「深湖水源冷卻」(DLWC)系統。Equinix在多倫多的數據中心是該系統的主要用户。DLWC系統從安大略湖深處抽取冰冷湖水,泵送至中央交換站,通過熱交換器將冷量傳遞至服務於市中心樓宇的閉式循環系統。藉助這一穩定的天然冷源,系統大幅減少了對機械製冷機和冷卻塔的需求。如今,該系統已連接多倫多超過180座建築,據Enwave報告,每年可節約2.2億加侖的水。
在美國多個州、科威特、韓國、印度、西班牙等水資源壓力高或極高的地區已經建成或規劃建設的數據中心周邊區域衞星圖 製圖:彭博社
政策制定者應為數據中心水資源覈算建立通用標準
許多最大的AI數據中心運營商已承諾到2030年實現「水資源正效益」,這是一項雄心勃勃且值得歡迎的承諾。但若無一套公認的標準來規定如何衡量用水以及如何覈實回補量,這些承諾便難以評估。一家公司可以有憑有據地報告其向「水資源正效益」邁進的進展,同時衡量的卻是與同行全然不同的內容。
各公司在覈算範圍上做出不同選擇。有的僅計入現場冷卻塔直接蒸發的水量;有的還計入了其供應鏈中藴含的水,例如用於製造服務器內芯片的超純水。有的僅計算取自河流和含水層的淡水,而另一些則將餵養設施附近肉牛的作物所吸收的雨水也計算在內。其結果便是,兩家公司均可聲稱正按計劃邁向「水資源正效益」,但衡量的卻是截然不同的事物。
國會應指示美國國家環境保護局(EPA)與美國國家標準與技術研究院(NIST)合作,為大型數據中心制定一套標準化的水資源覈算方法——明確規定必須報告哪些消耗類別、如何驗證回補聲明,以及淨消耗量應如何根據實際取水所在流域的緊張程度進行加權——因為在易乾旱的亞利桑那州與水資源充沛的俄勒岡州或華盛頓州,等量用水的意義大相徑庭。
政策制定者應在水資源緊張地區鼓勵採用低取水冷卻技術
如前所述,用水並不等同於對水造成損害。但在水資源緊張的特定地區,取水行為本身——即便事后進行了回補——仍可能耗盡當地含水層、減少河流流量,並給社區賴以獲取飲用水和進行農業灌溉的水源供應造成壓力。一個汲取亞利桑那州或西得克薩斯州本就緊張含水層的數據中心,其所呈現的風險狀況,與一個在水源充沛的太平洋西北地區運營的數據中心截然不同。
國會應指示EPA,利用現有聯邦乾旱與水資源短缺數據,識別並劃定水資源緊張區域,並在這些區域內設立針對性激勵措施,鼓勵數據中心採用低取水冷卻技術。對於同等規模的設施,濕式蒸發冷卻、乾式冷卻與混合式絕熱冷卻系統的選擇,可產生截然不同的取水狀況。凡是選址於水資源緊張區域的數據中心,政策制定者均應鼓勵使用低取水替代方案、將再生市政廢水作為冷卻水源,以及僅在氣温最高時段啟用濕式冷卻的混合方式。
政策制定者應要求無法切換冷卻系統的水資源緊張地區數據中心報告水資源生產率
並非所有位於水資源緊張區域的數據中心都能立即切換至低取水冷卻技術。改造冷卻基礎設施成本高昂、技術複雜,且在某些情況下受限於設施的既有設計而無法實施。對於這些運營商而言,短期內最具可操作性的槓桿是最大化從每抽取一加侖水中所獲得的計算價值。
為説明這一點為何重要,設想同一水資源緊張區域內有兩座AI數據中心在處理相同的工作負載。兩者採用相同的冷卻架構,每小時取水量相同。但第一座運行的是較老舊、優化不足的軟件,耗時100小時完成任務;第二座運行的AI技術棧效率更高,僅用20小時即告完成。兩者每小時取水量相同,但第二座交付完全相同產出所消耗的總水量僅為第一座的五分之一。在一個每加侖水都至關重要的地區,這一差別意義重大。
國會應指示NIST為數據中心開發一項水資源生產率指標——衡量單位取水量的計算產出——並要求在EPA劃定的水資源緊張區域內運營的設施據此進行報告。這將為尚無法過渡至低取水冷卻的運營商確立問責機制,同時激勵他們最大化所消耗的每一加侖水的價值。
政策制定者應激勵循環熱利用與區域供熱整合
政策制定者應轉變觀念,將數據中心熱量從需要設法消除的廢品,視為可供收穫的社區資產。高密度AI集群對此尤為適合,因為液冷系統所產生的熱能流比傳統風冷設施更為集中、穩定。
都柏林理工大學塔拉校區與鄰近亞馬遜雲科技(AWS)數據中心的合作,為這種協同效應提供了藍圖。AWS數據中心的多余熱量通過其水基冷卻系統被收集起來,該系統產生一股持續穩定的温水。隨后,這些水通過隔熱的區域供熱管道被泵送至塔拉校區,熱交換器將能量傳遞至該校現有的宿舍和教學樓供暖系統。該系統如今已承擔該校大部分的供暖需求。
諸如此類的安排創造了一種良性循環。對數據中心運營商而言,輸出熱量降低了冷卻需求與運營成本。對社區和機構而言,為本地宿舍、醫院或温室供暖,降低了它們對化石燃料鍋爐的依賴並減少了能源開支。在系統層面,熱量再利用將AI基礎設施從地方性負擔轉變為共享資產。這樣的機遇在阿巴拉契亞等地區尤為顯著,一份2026年的報告發現,數據中心的余熱足可為整座城鎮供暖、通過社區温室供應新鮮農產品,並支持在退役的燃煤電廠原址上進行產業協同佈局。
因此,政策制定者應通過減少阻礙大規模熱量再利用的實際障礙,支持將數據中心整合至區域供熱網絡。在許多情況下,挑戰並非技術可行性,而是協調問題與前期成本問題。將余熱輸送至場外需要基礎設施——如捕獲熱能的熱交換器、輸送熱水的水泵以及將其遞送至鄰近樓宇的隔熱管道——而單個項目往往難以獨自籌資或獲得許可。
政府可通過協助覆蓋這些前期基礎設施成本,簡化熱量輸送至數據中心圍欄之外所需管道與設備的許可流程,發揮催化作用。同樣重要的是,政策制定者可以明確回收熱量的監管待遇,使運營商和本地機構能夠簽訂長期協議,而無需擔憂熱量傳輸是否會觸發公用事業式監管、轉售限制或新的合規義務。
政策制定者還應要求圍繞熱量再利用增強透明度與規劃。作為選址與環境審查流程的一部分,可要求新建大型數據中心評估附近的校園、醫院、住宅開發項目或工業設施是否能夠切實利用回收熱量。標準化的評估與締約方式,將使社區圍繞這一資源進行規劃變得更為容易,也讓運營商能夠從一開始便將熱量再利用納入設施設計。
結論
數據中心已成為公眾對AI經濟焦慮情緒的避雷針。但其帶來的風險——從居民電費上漲到電網不穩定,再到地方水資源壓力——並非AI技術本身所固有。它們是基礎設施系統仍在模擬時代規則下運行的必然結果。當今的摩擦源於:僅追蹤原始電力和水資源投入卻忽視產出效率的衡量框架;將峰值成本社會化而非予以明確價格信號的市場設計;以及將行政流程擁塞誤認為物理資源稀缺的規劃流程。
美國所面臨的選擇並非在技術增長與環境治理之間二選一。若政策框架得當,AI基礎設施能夠強化而非加重電網負擔,穩定而非推高電價,並將熱量和靈活需求轉化為系統資產。正確處理好數據中心的問題並非是要給AI設限,而是要更新那些主導能源、水資源及基礎設施績效如何在數字經濟中被衡量、定價與管理的制度體系。
本文系觀察者網獨家稿件,文章內容純屬作者個人觀點,不代表平臺觀點,未經授權,不得轉載,否則將追究法律責任。關注觀察者網微信guanchacn,每日閲讀趣味文章。