他們寧愿住核電站旁邊，也不愿住AI數(shù)據(jù)中心附近

在美國密歇根州的一個小鎮(zhèn)萊諾克斯，居民們突然發(fā)現(xiàn)一個網站，聲稱要在鎮(zhèn)里建立一個AI數(shù)據(jù)中心園區(qū)，但并未說明是誰要建。鎮(zhèn)政府表示，從來沒有人申請過。直到居民依法申請拿到內部郵件，才發(fā)現(xiàn)開發(fā)商早已在背后接觸官員。

憤怒的居民涌進公開會議，有幾場會議持續(xù)超過了四小時。他們遞交請愿書，要求罷免四名鎮(zhèn)政府官員。

萊諾克斯只是一個縮影。2026年上半年，美國至少有75個數(shù)據(jù)中心項目被叫停或推遲，涉及金額約1300億美元。在密歇根、德克薩斯、俄克拉荷馬、加利福尼亞、佛羅里達等州，居民們走進公開會議，批評官員對數(shù)據(jù)中心提案處理不當，要求罷免他們。有人還在州議會門口舉著牌子抗議：“對數(shù)據(jù)中心說不！”

居民對建立數(shù)據(jù)中心表示抗議：“對數(shù)據(jù)中心說不！”｜Mikala Compton

人們不滿的理由顯而易見：發(fā)電機和冷卻系統(tǒng)帶來的巨大噪音，驚人的耗電量將推高居民的電費，以及數(shù)據(jù)中心會消耗本地大量的水資源。更諷刺的是，一些數(shù)據(jù)中心特地選擇建在地價便宜、有稅收優(yōu)惠的干旱地區(qū)，當本地居民還在為用水發(fā)愁的時候，數(shù)據(jù)中心卻每天抽走逾千萬升的水。

民調顯示，美國人寧愿住在核電站旁邊，也不愿住在數(shù)據(jù)中心附近。當大多數(shù)人還在討論AI對普通人帶來的就業(yè)困境時，住在數(shù)據(jù)中心附近的人們，已經切實感受到了AI帶來的環(huán)境后果。

AI的環(huán)境影響，不止于碳足跡

根據(jù)聯(lián)合國大學的最新評估[2]，到2030年，全球每年支撐人工智能運行的數(shù)據(jù)中心用電量可能達到945 TWh，相當于多個中等國家的用電總量；其對應的碳排放約為3.99億噸，需要種植約67億棵樹并持續(xù)生長10年才能抵消；水足跡約9.3萬億升，接近撒哈拉以南非洲約13億人口一年的基本生活用水需求；土地占用則超過14500平方公里，約等于兩個大城市都市區(qū)的規(guī)模。

在過去的很多討論中，AI的環(huán)境問題往往被簡化為“碳排放問題”，即數(shù)據(jù)中心是否使用清潔能源、是否實現(xiàn)碳中和。但聯(lián)合國大學的評估指出，這種單一維度的評價方式已經不足以描述現(xiàn)實情況——AI運行依賴的是一個復雜的由水、土地與能源基礎設施共同構成的系統(tǒng)。

2025年，在全球電力供應中化石燃料仍然發(fā)揮重要作用，同時低碳能源持續(xù)增長 | Ember

聯(lián)合國大學的評估報告，從能源的角度切入，系統(tǒng)量化了AI的環(huán)境影響。每一度為AI供電的電力，在生產過程中都會產生碳排放、消耗水（水足跡）、占用土地（土地足跡）。

碳排放主要取決于能源結構，水足跡主要取決于冷卻方式和發(fā)電方式，土地足跡主要取決于能源類型和基礎設施的形態(tài)。這三者相互相關，但在實際中，變化方向可能是背道而馳的。

例如，如果從“降低碳排放”的角度考慮，從煤炭轉向生物能源，碳排放可以平均減少約70%，但同時水足跡可能增加30倍以上，土地足跡增加100倍左右。一項對美國發(fā)電技術運行用水的綜述也發(fā)現(xiàn)，向低碳電力轉型，用水強度并不必然降低，取決于采用哪種技術和冷卻系統(tǒng)[3]。因此，如果只用“低碳”作為唯一指標，就可能忽略甚至轉移其他環(huán)境壓力。

AI使用端的環(huán)境影響劇增

過去的相關討論中，另一個常見關注點是模型訓練階段的電力消耗。但從實際運行結構來看，這一部分正在變得相對次要。研究估計，在AI系統(tǒng)的整體能耗中，約80%至90%來自“推理階段”，也就是模型上線之后，用戶的每天使用消耗的能量。

以AI生成圖片為例，輸入一句提示詞生成一張AI圖片的過程中，2.9瓦時電力、1.22克二氧化碳當量、28.6毫升水，以及0.45平方厘米的土地，就在這幾秒之中被消耗或占用掉了[1]。

不同類型的AI任務，其耗電差異也非常顯著。生成一張普通圖像所需的電力，大致相當于讓一盞10瓦LED燈點亮17分鐘；而一個復雜AI視頻的能耗，則可以支撐同一盞燈運行約42小時。這種差異在水資源層面同樣存在。一張圖像的用水量約為29毫升，相當于兩湯匙水，而一個復雜視頻則可能達到4.1升，接近一個人兩天的飲水量。

不同AI任務的電力消耗量 | 參考文獻[1]

在各類任務中，視頻生成尤其值得關注。視頻參數(shù)設置會極大程度地影響能耗。一項針對開源文生視頻模型的研究（目前以預印本發(fā)表[4]）發(fā)現(xiàn)，視頻生成的能耗會隨分辨率和幀數(shù)近似二次增長，隨去噪步數(shù)線性增長；在默認設置下，不同開源模型生成一個視頻的能耗可相差近3000倍。

現(xiàn)在各類媒體平臺上，已經有相當比例的視頻是AI工具創(chuàng)建或編輯的視頻。AI工具為視頻產出的效率和質量帶來了革命，但也有不少是AI生成的同質化、意義感較低的內容。衛(wèi)報報道Kapwing的調查稱[5]，在給新YouTube賬號推薦的前500個視頻中，有104個被識別為“低質量AI生成內容（AI slop）”，也就是超過20%。如果未來視頻生成進一步普及，其帶來的能源壓力可能會顯著改變當前AI基礎設施的負載結構。

AI短劇｜紅果

更糟糕的是，如今AI技術變得更便宜、更好用，人們會用得更多。雖然AI被訓練得高效之后，單次任務的消耗降低了，但總使用量卻大幅增加，整體的環(huán)境影響反而更高了。

不均勻的空間分布

AI服務通常是全球化的，但支撐它運行的數(shù)據(jù)中心卻在空間上高度集中。目前，全球只有32個國家有AI專用數(shù)據(jù)中心；AI算例基礎設施約90%在美國和中國；超過150個國家?guī)缀鯖]有主權AI算力（sovereign AI compute）能力。主權AI算力指的是，一個國家能否在本土或自主控制范圍內運行AI計算能力，而不完全依賴外部云服務。

全球數(shù)據(jù)中心位置分布，美國斷層第一。少數(shù)國家承載了全球大部分計算基礎設施，而許多地區(qū)則處于明顯不足或缺位狀態(tài) | Statista 2025

這種空間特征，源于多方面因素。首先是激勵方面，AI基礎設施本身具有經濟、國家安全與主權層面的優(yōu)勢，這使得富裕國家更有動力建設更多數(shù)據(jù)中心。其次是物理條件限制方面，數(shù)據(jù)中心對基礎設施條件很敏感，包括電力供應的穩(wěn)定性與成本、網絡延遲以及整體政策等，這使得傾向于集中建在少數(shù)基礎設施成熟的地區(qū)。而規(guī)模效應也在強化這種趨勢：算力集群越集中，其運行效率與成本優(yōu)勢往往越明顯，因此空間聚集程度像滾雪球一樣上升。

但這是一把雙刃劍。從現(xiàn)有實踐來看，數(shù)據(jù)中心選址往往優(yōu)先考慮電力成本、網絡延遲與政策環(huán)境，而對水資源壓力、區(qū)域生態(tài)承載能力的綜合評估仍然較弱。如果把數(shù)據(jù)中心的選址分布與全球水資源壓力圖疊加，會發(fā)現(xiàn)兩者在一些地區(qū)存在明顯重合：不少正在快速建設數(shù)據(jù)中心的區(qū)域，本身也正面臨較高的水資源緊張程度。而這些設施周邊的社區(qū)，他們承受著直接資源壓力，卻往往不是AI的主要服務對象。

2018年夏季干旱期間的愛爾蘭威克洛郡普拉福卡水庫。愛爾蘭正圍繞都柏林大力擴建高耗能、高耗水的人工智能數(shù)據(jù)中心基礎設施，或將給本就緊張的淡水供應帶來更大壓力 | Sentinel-2 Imagery

這種壓力已經在一些地區(qū)造成了顯著負擔。例如，在愛爾蘭，數(shù)據(jù)中心用電量已經占全國總用電的約21%，超過全部城市家庭用電總和。當?shù)仉娋W運營機構甚至對新數(shù)據(jù)中心建設進行階段性限制，以避免電力系統(tǒng)過載。在墨西哥部分地區(qū)，數(shù)據(jù)中心擴張與長期干旱疊加，加劇了本就緊張的水資源壓力；在烏拉圭，數(shù)據(jù)中心用水需求甚至與極端干旱時期的飲用水危機發(fā)生重疊。

這與理想中的AI基礎設施管理之間，仍然存在明顯差距。

聯(lián)合國的報告認為，一個負責任的AI建設生態(tài)應該基于六項原則建立：透明性、設計驅動的效率、環(huán)境與社會公平、生命周期責任、全球合作以及可持續(xù)使用。

負責任AI的六項指導原則，旨在引導人工智能走向環(huán)境可持續(xù)與社會責任 | 參考文獻[1]

一個更完整的治理框架，至少需要同時回答幾個問題：不僅是“排放了多少碳”，還包括“用了哪里的水”“占用了多少土地”，以及“這些負擔是否集中在少數(shù)地區(qū)”，“這些成本是否被系統(tǒng)性地披露和比較”。

問題不只是讓AI變得更節(jié)能，而是讓它的環(huán)境成本變得可見、可比較，并能夠被納入同一套評價體系中。

參考文獻

[1] Aczel M., Chamanara S., Matin M., Farsi A., Marwala T., Madani K. (2026) Environmental Cost of AI's Energy Use: Carbon, Water and Land Footprints, United Nations University Institute for Water, Environment and Health (UNU-INWEH), Richmond Hill, Ontario, Canada, doi: 10.53328/INR26RMA002

[2] https://unu.edu/inweh/news/environmental-cost-of-AIs-Enrgy-use-carbon-water-and-land-footprints

[3] Macknick, J., Newmark, R., Heath, G., & Hallett, K. C. (2012). Operational water consumption and withdrawal factors for electricity generating technologies: A review of existing literature. Environmental Research Letters, 7(4), 045802. https://doi.org/10.1088/1748-9326/7/4/045802

[4] Delavande, J., Pierrard, R., & Luccioni, S. (2025). Video killed the energy budget: Characterizing the latency and power regimes of open text-to-video models. arXiv. https://arxiv.org/abs/2509.19222

[5] https://www.theguardian.com/technology/2025/dec/27/more-than-20-of-videos-shown-to-new-youtube-users-are-ai-slop-study-finds

作者：思議

編輯：黃線狹鱈

題圖來源：Mikala Compton

本文來自果殼自然（ID：GuokrNature）

如需轉載請聯(lián)系sns@guokr.com

點個“小愛心”吧