随着大模型、AI 智能体相关应用快速普及,全球各地超大规模数据中心的建设节奏持续加快。算力是人工智能发展的基础,但大规模算力运转带来的能源消耗以及气候影响,也越来越多地进入公众讨论视野。
哈佛大学主导的一项研究,刊登于《Nature Sustainability》期刊,相关内容经媒体报道之后,引发科技与环保领域的广泛讨论。
该研究把研究对象锁定在美国境内 403 座超大规模数据中心,统计周期为 2024 年 5 月到 2025 年 4 月整整十二个月。科研人员借助卫星影像识别设施,结合电网参数完成能耗与碳排放的推算,跳出过去企业自行上报数据的局限,给出一套独立第三方评估结果。
测算结果显示,这 403 座超大规模数据中心在统计周期内总耗电量达到 82TWh,占到美国全国总用电量的 1.8%。与之对应的二氧化碳排放量约 2570 万吨,不同负载情景下,排放浮动区间介于 2100 万吨至 3100 万吨之间,规模已经可以和不少中小型国家全年碳排放水平对标。
化石能源仍是主要供电来源
很多科技企业对外宣传自身的绿色算力规划,但这份研究的数据展现出不一样的现实情况。研究测算,供给这批数据中心的电力当中,有 54% 来自煤炭与天然气这类化石能源,剩余部分才来自风电、光伏等低碳能源。
换算之后,这些算力设施每消耗 1kWh 电力,平均会产生 314 克二氧化碳。这个数值略低于美国全国电网平均碳排放强度 348 克每 kWh,但化石能源占比依旧处于高位,AI 算力并未完全脱离化石能源体系运行。
研究团队着重提出一个核心观点,数据中心的环境压力,不完全取决于服务器硬件本身。真正左右一座算力设施碳足迹高低的关键,是它落地地点配套电网的能源结构。同样一套 AI 服务器集群,放在清洁能源占比高的区域,和化石能源为主的地区,最终产生的环境结果会相差巨大。
这也意味着企业选址,不只是看土地成本、网络条件,电网能源构成,会直接决定算力业务的环境代价。如果单纯依靠购买绿色证书,却依旧接入高碳排放电网,很难从根源上降低实际排放。
行业过往的认知偏差
在此之前,行业讨论 AI 环境影响,大多聚焦服务器硬件能效指标,或是企业对外公布的碳中和承诺。这份哈佛研究则提醒外界,不能只盯着设备本身,要把视角扩大到完整电力供给链条。
过去不少企业会对外公布 PUE 等机房能效参数,用来证明自身机房足够节能环保。但 PUE 只能衡量机房内部冷却等损耗,无法反映外部电网发电环节带来的碳排放。就算机房内部能效做到极致,如果外部供电大量依靠煤、气,整体碳排依旧居高不下。
研究人员还提到,早期针对数据中心的评估报告,对能耗与排放的估算数值明显更低。对比来看,本次新研究得出的结果,相比 2018 年的相关估算高出两到三倍。一方面是 AI 大模型爆发,GPU 集群带来算力负载暴涨;另一方面,新研究采用卫星识别的方式,覆盖更多真实运行的超大规模站点,统计口径相比过去更加完整。
后续的工具与行业启示
为了方便公众持续监督算力基础设施环境表现,研究团队正在搭建线上查询平台,未来普通用户可以直接查询单座数据中心的能耗与排放估算数据,让算力环境成本变得更加透明。
AI 产业向前发展,算力基建扩张是必然趋势,但能源约束已经成为绕不开的现实。对于行业企业来说,仅仅宣传开源模型、AI 智能体的技术突破还不够,如何匹配低碳电力资源,合理规划算力选址,会成为未来业务发展当中不可忽视的一环。
对于政策制定者,这份研究也提供参考,在审批新建大型算力项目时,除了土地、网络,也要充分评估对本地电网负荷以及区域气候带来的连锁影响。
算力进步给社会带来诸多便利,但它的环境代价,也需要整个行业共同正视。
(素材来自:哈佛大学 智算芯能前沿网综合)
本文由智算芯能前沿网编辑整理,转载请注明出处。
