宁愿挨着核电站，也不住AI数据中心附近

在美国密歇根州的一个小镇莱诺克斯，居民们突然发现一个网站，声称要在镇里建立一个AI数据中心园区，但并未说明是谁要建。镇政府表示，从来没有人申请过。直到居民依法申请拿到内部邮件，才发现开发商早已在背后接触官员。

愤怒的居民涌进公开会议，有几场会议持续超过了四小时。他们递交请愿书，要求罢免四名镇政府官员。

莱诺克斯只是一个缩影。2026年上半年，美国至少有75个数据中心项目被叫停或推迟，涉及金额约1300亿美元。在密歇根、德克萨斯、俄克拉荷马、加利福尼亚、佛罗里达等州，居民们走进公开会议，批评官员对数据中心提案处理不当，要求罢免他们。有人还在州议会门口举着牌子抗议：“对数据中心说不！”

居民对建立数据中心表示抗议：“对数据中心说不！”｜Mikala Compton

人们不满的理由显而易见：发电机和冷却系统带来的巨大噪音，惊人的耗电量将推高居民的电费，以及数据中心会消耗本地大量的水资源。更讽刺的是，一些数据中心特地选择建在地价便宜、有税收优惠的干旱地区，当本地居民还在为用水发愁的时候，数据中心却每天抽走逾千万升的水。

民调显示，美国人宁愿住在核电站旁边，也不愿住在数据中心附近。当大多数人还在讨论AI对普通人带来的就业困境时，住在数据中心附近的人们，已经切实感受到了AI带来的环境后果。

01

AI的环境影响，不止于碳足迹

根据联合国大学的最新评估[2]，到2030年，全球每年支撑人工智能运行的数据中心用电量可能达到945 TWh，相当于多个中等国家的用电总量；其对应的碳排放约为3.99亿吨，需要种植约67亿棵树并持续生长10年才能抵消；水足迹约9.3万亿升，接近撒哈拉以南非洲约13亿人口一年的基本生活用水需求；土地占用则超过14500平方公里，约等于两个大城市都市区的规模。

在过去的很多讨论中，AI的环境问题往往被简化为“碳排放问题”，即数据中心是否使用清洁能源、是否实现碳中和。但联合国大学的评估指出，这种单一维度的评价方式已经不足以描述现实情况——AI运行依赖的是一个复杂的由水、土地与能源基础设施共同构成的系统。

2025年，在全球电力供应中化石燃料仍然发挥重要作用，同时低碳能源持续增长 | Ember

联合国大学的评估报告，从能源的角度切入，系统量化了AI的环境影响。每一度为AI供电的电力，在生产过程中都会产生碳排放、消耗水（水足迹）、占用土地（土地足迹）。

碳排放主要取决于能源结构，水足迹主要取决于冷却方式和发电方式，土地足迹主要取决于能源类型和基础设施的形态。这三者相互相关，但在实际中，变化方向可能是背道而驰的。

例如，如果从“降低碳排放”的角度考虑，从煤炭转向生物能源，碳排放可以平均减少约70%，但同时水足迹可能增加30倍以上，土地足迹增加100倍左右。一项对美国发电技术运行用水的综述也发现，向低碳电力转型，用水强度并不必然降低，取决于采用哪种技术和冷却系统[3]。因此，如果只用“低碳”作为唯一指标，就可能忽略甚至转移其他环境压力。

02

AI使用端的环境影响剧增

过去的相关讨论中，另一个常见关注点是模型训练阶段的电力消耗。但从实际运行结构来看，这一部分正在变得相对次要。研究估计，在AI系统的整体能耗中，约80%至90%来自“推理阶段”，也就是模型上线之后，用户的每天使用消耗的能量。

以AI生成图片为例，输入一句提示词生成一张AI图片的过程中，2.9瓦时电力、1.22克二氧化碳当量、28.6毫升水，以及0.45平方厘米的土地，就在这几秒之中被消耗或占用掉了[1]。

不同类型的AI任务，其耗电差异也非常显著。生成一张普通图像所需的电力，大致相当于让一盏10瓦LED灯点亮17分钟；而一个复杂AI视频的能耗，则可以支撑同一盏灯运行约42小时。这种差异在水资源层面同样存在。一张图像的用水量约为29毫升，相当于两汤匙水，而一个复杂视频则可能达到4.1升，接近一个人两天的饮水量。

不同AI任务的电力消耗量 | 参考文献[1]

在各类任务中，视频生成尤其值得关注。视频参数设置会极大程度地影响能耗。一项针对开源文生视频模型的研究（目前以预印本发表[4]）发现，视频生成的能耗会随分辨率和帧数近似二次增长，随去噪步数线性增长；在默认设置下，不同开源模型生成一个视频的能耗可相差近3000倍。

现在各类媒体平台上，已经有相当比例的视频是AI工具创建或编辑的视频。AI工具为视频产出的效率和质量带来了革命，但也有不少是AI生成的同质化、意义感较低的内容。卫报报道Kapwing的调查称[5]，在给新YouTube账号推荐的前500个视频中，有104个被识别为“低质量AI生成内容（AI slop）”，也就是超过20%。如果未来视频生成进一步普及，其带来的能源压力可能会显著改变当前AI基础设施的负载结构。

AI短剧｜红果

更糟糕的是，如今AI技术变得更便宜、更好用，人们会用得更多。虽然AI被训练得高效之后，单次任务的消耗降低了，但总使用量却大幅增加，整体的环境影响反而更高了。

03

不均匀的空间分布

AI服务通常是全球化的，但支撑它运行的数据中心却在空间上高度集中。目前，全球只有32个国家有AI专用数据中心；AI算例基础设施约90%在美国和中国；超过150个国家几乎没有主权AI算力（sovereign AI compute）能力。主权AI算力指的是，一个国家能否在本土或自主控制范围内运行AI计算能力，而不完全依赖外部云服务。

全球数据中心位置分布，美国断层第一。少数国家承载了全球大部分计算基础设施，而许多地区则处于明显不足或缺位状态 | Statista 2025

这种空间特征，源于多方面因素。首先是激励方面，AI基础设施本身具有经济、国家安全与主权层面的优势，这使得富裕国家更有动力建设更多数据中心。其次是物理条件限制方面，数据中心对基础设施条件很敏感，包括电力供应的稳定性与成本、网络延迟以及整体政策等，这使得倾向于集中建在少数基础设施成熟的地区。而规模效应也在强化这种趋势：算力集群越集中，其运行效率与成本优势往往越明显，因此空间聚集程度像滚雪球一样上升。

但这是一把双刃剑。从现有实践来看，数据中心选址往往优先考虑电力成本、网络延迟与政策环境，而对水资源压力、区域生态承载能力的综合评估仍然较弱。如果把数据中心的选址分布与全球水资源压力图叠加，会发现两者在一些地区存在明显重合：不少正在快速建设数据中心的区域，本身也正面临较高的水资源紧张程度。而这些设施周边的社区，他们承受着直接资源压力，却往往不是AI的主要服务对象。

2018年夏季干旱期间的爱尔兰威克洛郡普拉福卡水库。爱尔兰正围绕都柏林大力扩建高耗能、高耗水的人工智能数据中心基础设施，或将给本就紧张的淡水供应带来更大压力 | Sentinel-2 Imagery

这种压力已经在一些地区造成了显著负担。例如，在爱尔兰，数据中心用电量已经占全国总用电的约21%，超过全部城市家庭用电总和。当地电网运营机构甚至对新数据中心建设进行阶段性限制，以避免电力系统过载。在墨西哥部分地区，数据中心扩张与长期干旱叠加，加剧了本就紧张的水资源压力；在乌拉圭，数据中心用水需求甚至与极端干旱时期的饮用水危机发生重叠。

这与理想中的AI基础设施管理之间，仍然存在明显差距。

联合国的报告认为，一个负责任的AI建设生态应该基于六项原则建立：透明性、设计驱动的效率、环境与社会公平、生命周期责任、全球合作以及可持续使用。

负责任AI的六项指导原则，旨在引导人工智能走向环境可持续与社会责任 | 参考文献[1]

一个更完整的治理框架，至少需要同时回答几个问题：不仅是“排放了多少碳”，还包括“用了哪里的水”“占用了多少土地”，以及“这些负担是否集中在少数地区”，“这些成本是否被系统性地披露和比较”。

问题不只是让AI变得更节能，而是让它的环境成本变得可见、可比较，并能够被纳入同一套评价体系中。

参考文献

[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