人工智能用多少能源，为什么需要这么多数据中心？

背景：AI 热潮与数据中心

文章由 萨莎·里奇（Sasha Richie） 撰写，原载于 《达拉斯晨报》，由 《哈特福德新闻报》 于 2026年10月13日 转载。开篇以外星人视角打比方：数据中心就像一个巨大的盒子，燃烧海量汽油，只为让人类盯着屏幕。实际上，数据中心是支撑人工智能的物理基础设施，内部装满服务器、GPU 和冷却系统，负责训练和运行 AI 模型。

关键事实：能耗、用水与电网压力

• AI 能耗远高于传统互联网。文章指出，一次 ChatGPT 查询耗电约 2.9 瓦时，而一次 谷歌搜索 仅约 0.3 瓦时，相差近十倍。
• 训练大模型更耗电。例如 GPT-3 训练消耗约 1,287 兆瓦时 电力，排放约 502 吨二氧化碳。
• 数据中心还消耗大量水用于冷却。一个大型数据中心每天可能用水数百万加仑，与中小城市相当。
• 美国数据中心用电占比正在上升。文章援引 国际能源署（IEA） 和 美国电力研究院（EPRI） 等机构数据：2023 年数据中心约占美国电力 4%，到 2030 年可能升至 9%。
• 科技公司碳排放不降反升。 谷歌 自 2019 年以来排放增加约 48%， 微软 自 2020 年以来增加约 29%。
• 在 得克萨斯州，ERCOT 电网面临数据中心激增带来的压力，电价上涨、供电可靠性受关注。

原因与应对：为什么需要这么多数据中心

AI 需要海量算力，且训练与推理模式不同。训练需要把成千上万块 英伟达 GPU 集中成集群，连续数周高负荷运行；推理则要靠近用户以降低延迟，因此需要分布式部署。数据中心还需冗余电源、备用发电机、光纤连接和冷却设施，导致选址集中在电力充足、土地便宜、政策优惠的地区，如 达拉斯-沃斯堡 都会区。

文章认为，AI 发展正受到能源基础设施制约。应对方式包括：提高芯片能效、采用液冷、使用可再生能源和核能、错峰用电、优化模型。核心矛盾是：AI 创新速度很快，但电网、水资源和气候目标需要更长时间才能跟上。文章最后强调，理解 AI 的能源足迹，是讨论其未来、成本和环境代价的关键。