本文系统评估美国人工智能数据中心快速扩张带来的环境与经济影响,重点分析电力需求、边际发电结构、冷却用水、噪声、土地占用及备用电源排放等因素。研究表明,影响并非仅由设施设计决定,而是取决于其所处的电力、水资源和土地利用系统;数据中心用电量预计将持续上升,至2028年可能占美国总用电量的6.7%—12.0%,并进一步推高电网峰值负荷、基础设施投资和资源配置压力。 先进冷却、需求响应、负荷转移、储能和低碳现场发电能够降低部分环境影响,但效果依赖具体区域和系统条件。 文章据此提出完善电价与成本分摊机制、改革大负荷并网流程、内部化环境外部性以及统筹电力、水资源和土地规划等政策建议。
报告标题:《Environmental and Economic Implications of Artificial Intelligence Data Centers in the United States》(美国人工智能数据中心的环境与经济影响)。
作者:Johanna Bolaños-Zuñiga、Alberto J. Lamadrid。
作者机构:Lehigh University 的 Institute for Cyber Physical Infrastructure and Energy,以及 Massachusetts Institute of Technology 的 Laboratory for Information and Decision Systems。报告未明确列出正式发布日期,但参考文献和访问日期显示其资料更新至2026年。主题聚焦美国AI数据中心快速扩张所带来的电力、排放、噪声、水资源、土地利用、电力市场、基础设施成本与监管问题。
报告的核心观点不是简单地认为“AI数据中心耗电量大,因此环境影响严重”,而是强调其影响取决于数据中心所嵌入的更大系统,包括当地电力结构、边际发电机组、输电约束、水资源条件、土地规划制度以及电价和成本分摊机制。换言之,设施本身的能效设计只是影响因素之一,数据中心的选址、运行时间、供电来源、冷却方式以及与电网的交互方式同样关键。 报告没有给出传统意义上的股票评级、目标价或投资建议,而是一篇政策与系统分析性质的研究文章,最终主张通过电价改革、大负荷并网机制、需求响应、低影响冷却技术以及电力—水资源—土地综合规划来改善总体环境和经济绩效。
报告首先说明,数据中心一直是高耗电商业设施,其持续运行和冷却需求使其能源强度显著高于一般商业用户。典型数据中心的用电需求可以接近25,000户家庭,2023年美国数据中心约占全国总用电量的4.4%。 报告进一步指出,2005—2019年美国电力需求年均增长约0.1%,但2020—2025年增速提高至约1.7%,数据中心和工业需求被认为是重要驱动因素。
AI工作负载尤其是机器学习模型训练,依赖大量GPU和其他专用加速器。这类设备具有高度并行计算特征,形成比传统数据中心更高的功率密度和热负荷,因此需要液冷、先进风冷或混合冷却系统。 这构成AI数据中心与传统数据中心之间的关键差别:前者不仅是计算量更大,而且电力负荷更集中、瞬时功率更高、冷却基础设施要求更复杂。
报告的图1展示了2014—2023年历史用电量以及2028年、2030年的高低情景预测。历史数据从约60 TWh左右逐步上升至2023年的约175 TWh,图中还标示2017年数据中心占美国用电量约1.9%,2023年已达到4.4%。
2028年预测区间约为290—490 TWh,对应美国总用电量的6.7%—12.0%;2030年预测区间约为420—800 TWh,对应9%—17%。 图表最重要的信息是预测区间极宽,说明未来需求并非单一确定路径,而高度依赖AI硬件部署速度、计算工作负载增长和冷却方式等假设。高情景与低情景之间的差异,实质上体现了对AI渗透率、服务器效率、利用率和设施PUE等变量的不确定性。
图1还支持报告关于“集中式大负荷改变电力系统规划”的论点。数据中心需求增长不仅要求更多发电量,还可能推动输电线路、变电站、配电网和大型用户电价结构调整。 需要注意的是,图1将不同研究机构的份额估计与EIA销售预测结合,2030年数据又由发电量口径转换为消费量口径,因此不同年份的估计并非完全同口径比较,预测区间应被理解为情景分析,而不是精确点预测。
报告估计数据中心约占全球温室气体排放的2.5%—3.7%,且主要来源不是数据中心现场燃烧,而是其消耗电力所对应的电力行业间接排放。 因此,评价AI数据中心不能仅使用全国平均排放因子,而应关注边际排放因子。平均排放因子表示整个电力系统单位电量的平均排放;边际排放因子则表示新增一单位负荷由哪些发电机组满足,以及由此增加多少排放。
在美国,新增负荷通常可能由天然气机组、部分煤电机组满足,因此相同的数据中心负荷在不同州、不同时间接入电网,排放结果可能完全不同。若当地存在输电拥堵,数据中心即使购买了可再生能源合同,也未必能在物理意义上减少其所在节点的边际化石能源发电。
备用电源是第二类排放来源。柴油发电机因可靠性和快速启动能力而广泛用于备用,但会排放NOx、CO、颗粒物及其他空气污染物;氢能、燃料电池和电池储能被报告视为替代或补充方案。 报告强调,煤炭在边际条件下的多种污染物排放强度最高,天然气在SO₂、PM和汞方面通常较低,而柴油备用机组的NOx、CO和PM排放相对突出。
表3进一步使用全球变暖潜势(GWP)将CO₂和CH₄转化为CO₂当量,并分别考察20年和100年时间尺度。煤炭总体气候影响最高,其次为柴油和天然气;纳入甲烷后,天然气与其他燃料之间的差距会缩小,因为天然气系统存在上游甲烷泄漏假设。 这说明天然气相对煤炭的优势并非固定不变,而取决于甲烷泄漏率、时间尺度、机组热效率及供应链排放。
不过,原文提供的表2、表3仅显示标题和注释,具体数值表格在所给材料中没有完整呈现。因此,可以明确解释其比较逻辑和数据来源,但无法逐项复核每个污染物数值。表2还采用不同燃料和技术的热耗率将排放转换为发电量基础,并假设煤电效率约34.1%、柴油约32.5%、天然气联合循环约45.2%。 这些假设会显著影响单位千瓦时排放结果。
噪声主要来自冷却塔、风扇、制冷机、备用发电机以及发电机测试时使用的负载箱。冷却设备通常持续运行,柴油机测试则产生间歇性高噪声,因此社区居民可能同时面临持续“嗡鸣”和周期性噪声事件。
报告介绍了Leq、Ldn、Lden、Lnight、dBA和TWA等指标。Leq是某一时间段的等效连续声级;Ldn和Lden会对夜间或晚间噪声进行加权;TWA则常用于职业暴露的时间加权平均。表4意在将环境、职业和设备源噪声指标放在同一框架下比较,但与表2、表3一样,所提供文本没有显示完整数值,因此无法判断不同设备的具体分贝差异。
报告对噪声证据的态度相对审慎:目前研究多为单个项目或局部测量,缺少大规模、标准化的社区暴露评估。 尽管如此,持续噪声可能与烦扰、睡眠干扰、心血管和认知影响相关,并可能影响鸟类等野生动物的行为、生理和繁殖。 建议措施包括降低风扇转速、对发电机进行声学隔离、设置围墙和退界距离、采用消声器及建筑立面处理。
数据中心用水主要由散热需求驱动,WUE,即水使用效率,将用水量与IT用电量联系起来。报告区分了现场WUE和源端WUE:前者包括数据中心直接用水,后者还包括发电环节间接消耗的水。
冷却方式体现出典型的水—电权衡。水冷和蒸发式冷却能够降低部分电力需求,但会增加冷却塔蒸发损失;风冷和干式冷却可以减少现场用水,却可能需要更多电力。经济器、绝热或混合系统在特定气候和运行条件下可能同时降低水和电消耗,但并不适用于所有地点。
电力供应结构也会决定间接水足迹。火电厂冷却塔的水消耗约为:天然气490—1,900升/MWh,煤炭1,970—3,940升/MWh。 因此,即使数据中心本身使用干式冷却,如果其电力来自高耗水的煤电或燃气电厂,总水足迹仍可能较高。
表5旨在展示不同电力水耗因子和冷却配置下的间接、直接及总水强度。其结论是:低WCF的风电、太阳能供电下,冷却系统差异主要决定总用水;而高WCF的热电系统下,间接用水会成为主导因素。 报告还引用Google数据称,在其报告的7,657.2百万加仑用水中,5,984.6百万加仑属于饮用水取水,提示数据中心用水不仅是数量问题,也涉及水质和当地供水竞争。 同样,表5具体数值未在原始材料中显示,读者无法完全复算其结果。
土地影响既包括数据中心园区的直接占地,也包括为满足其电力需求而建设发电、输电和配电设施所产生的间接占地。超大规模数据中心通常不是单栋建筑,而是多栋建筑组成的园区。例如,宾夕法尼亚Project Bolt约占700英亩,规划最多18栋建筑、总面积约500万平方英尺。
报告列举的项目显示,数据中心开发往往涉及农业用地、农村地区或绿地转化,包括印第安纳约1,200英亩的AWS园区、威斯康星超过1,270英亩的微软项目,以及弗吉尼亚拟重新分区的2,100英亩Digital Gateway项目。 这类开发会增加不透水面、减少绿地、改变生态系统服务,并可能引发社区结构和心理健康问题。
表8进一步说明间接土地影响路径,包括新建输电线路和变电站、现场燃气发电、可再生能源项目以及系统层面的新增容量。比如,德州一个300 MW太阳能项目占地约2,300英亩;宾夕法尼亚Homer City项目则在原煤电厂棕地上规划最多4.5 GW燃气容量、占地约3,200英亩。 棕地再开发可以减少新增绿地占用,但也可能强化当地能源基础设施和空气、噪声影响。报告指出,数据中心建设周期可能只有一至两年,而输电项目通常需要更长的许可和施工周期,这会造成负荷投产与电网配套不同步。
报告认为,AI数据中心最重要的电力系统影响可能不是年度总电量,而是峰值负荷增长。EPRI估计美国数据中心峰值负荷2024年约21—22 GW,到2030年在不同情景下可能达到45、71或94 GW,甚至超过110 GW。 PJM预计到2035年夏季峰值增加56 GW,ERCOT则预计2026—2035年峰值从94.7 GW升至154.1 GW,其中约23 GW来自数据中心负荷。
集中式负荷还会压缩备用裕度,并与老旧机组退役、发电建设周期和输电瓶颈形成叠加风险。报告举例称,印第安纳某AI数据中心园区可能使当地峰值需求由2.8 GW提高到7 GW以上,并需要新建变电站。
经济影响方面,报告采用投入产出分析框架,将就业分为直接、间接和诱发就业。直接就业来自建设和运营,间接就业来自设备、材料、工程和供应链,诱发就业来自新增家庭收入消费。JEDI和IMPLAN等模型利用投入产出系数和乘数估算总产出、劳动收入及就业。 但报告也提醒,建设期就业通常数量较大但短期、临时性强;运营期岗位更稳定、薪资可能更高,但总量相对于巨额资本投资通常较小。 REMI等动态模型和事件研究由于考虑就业挤出和一般均衡调整,往往得出更小的净就业效果。
报告识别出三类市场失灵:
技术缓解方案包括先进液冷、经济器、混合冷却、AI训练任务时间转移、需求响应、电池储能、现场可再生能源、燃料电池和微电网。工作负荷转移能够将训练任务安排在低边际排放或可再生能源过剩时段,从而降低排放并缓解峰值负荷。 储能则可以平滑负荷变化、减少爬坡压力、提供辅助服务,并可能延缓电网升级,但其效果取决于储能规模、持续时间、充放电时机和市场规则。
报告认为,现有监管体系往往由地方土地规划、州级水资源规则、联邦环境许可和电力市场制度分别管理,难以充分反映数据中心的跨系统影响。 其政策建议主要包括:
报告的最大贡献在于建立了系统视角:AI数据中心的环境足迹不是一个单一的“服务器能效”问题,而是电力边际机组、输电约束、冷却技术、水资源稀缺性和土地开发共同作用的结果。图1显示美国数据中心用电占比可能从2023年的4.4%升至2028年的6.7%—12.0%、2030年的9%—17%,表明问题正在从局部设施管理升级为全国电力系统规划问题。 表2和表3则说明燃料结构决定排放性质;表5说明水耗不能只看现场用水,还必须考虑发电环节;表7和表8说明土地影响会沿着园区、输电和新增发电设施向外扩散。
同时,报告的若干结论应结合其证据局限理解。噪声和土地影响的研究仍以案例为主,缺乏系统暴露数据;水耗披露在企业之间不一致;预测区间依赖不同机构和口径的拼接;完整表格数值在所提供文本中缺失,因此部分定量判断无法独立复核。 总体而言,作者并非反对AI数据中心发展,而是主张将其作为大型、特殊且具有外部性的基础设施进行监管,通过价格、并网、技术和综合规划机制,使私人投资收益与电力系统可靠性、环境保护及社区福利相协调。
2608.09882.pdf