📈 economics

Certificates without Electrons? Theory and Evidence on Impacts from AI-Driven Power Demand

本文结合博弈论建模与实证证据，证明了人工智能驱动的电力需求因消费与可再生能源发电之间存在时间错位，会导致电网可靠性下降、价格上升以及排放增加，并揭示了当前的再生能源证书策略无法缓解这些影响，而诸如与储能设施共置及空间重新配置等方案则提供了有效的替代方案。

原作者： Dana Golden, Aruna Balasubramanian, Niranjan Balasubramanian

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Dana Golden, Aruna Balasubramanian, Niranjan Balasubramanian

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，电网是一个庞大而脆弱的高速公路系统，为每个家庭和企业输送电力。多年来，这条高速公路上的交通流量一直相对稳定。但突然之间，一种新型的“超级卡车”驶上了道路：人工智能（AI）数据中心。这些卡车体积巨大，极其耗油，而且其行驶轨迹呈现出不可预测的爆发式波动。

这篇论文提出了一个简单但至关重要的问题：当这些“超级卡车”到来时，即使卡车司机声称他们是“碳中和”的，高速公路会发生什么变化？

以下是研究人员发现的内容，使用了日常类比进行说明。

1. “绿色证书”的幻象

大型科技公司经常说：“别担心，我们的人工智能是绿色的！”他们通过购买**可再生能源证书（RECs）**来实现这一点。把这些证书想象成“绿色优惠券”。一家公司买了一张优惠券，上面写着：“我们为在别处产生电力的一个风力发电场支付了费用。”

论文认为，这就像你在家里吃着油腻的汉堡，却买了一张镇上另一家餐厅提供洁净餐点的优惠券。这张优惠券并不能阻止此时此刻油渍滴落在你的地板上。

研究人员发现了一个**“时间差缺口”**。AI 使用电力的方式是突然的大规模激增（类似于冲刺），而他们购买证书所对应的风能和太阳能发电场产生电力的过程则是缓慢且稳定的（类似于马拉松）。因为 AI 的“饥饿感”与绿色能源的交付进度不匹配，电网必须依靠脏的化石燃料发电厂来填补那一瞬间的缺口。

2. 对您的灯光和插座的影响

当这些 AI 卡车冲击电网时，它们不仅消耗更多电力，还让电力变得“杂乱无章”。

“颠簸的旅程”（电能质量）： 想象一下你的电力是一股平稳、持续的水流。AI 数据中心就像一个巨大的、不稳定的泵，制造出涌浪和凹陷。研究发现，在这些数据中心附近的地区，电能质量显著变差。
- 结果： 这就像普通住户的停电频率从每年一次增加到了每年 1.5 到 2 次。
- 危险： 这种“颠簸”的电力（称为谐波失真）就像是在摇晃一个脆弱的花瓶。随着时间的推移，它可能会损坏冰箱、空调等家用电器，甚至增加电气火灾的风险。

3. 价格标签

当需求突然飙升时，电价就会上涨。

类比： 想象一场音乐会，所有人都在最后一刻争先恐后地抢票，价格因此飞涨。
发现： 在特定区域（特别是覆盖美国东海岸部分地区的 PJM 区域），大型 AI 模型的到来导致批发电价上升了高达 25%。这就是电网为了应对 AI “冲刺”阶段而维持供电所付出的成本。

4. “化石燃料”的现实

尽管公司声称自己是绿色的，但研究发现，AI 活动迫使电网多燃烧了**数百吉瓦时（GWh）**的化石燃料（如天然气）。

规模： 这相当于足以支撑大约 45,000 个美国家庭使用一整年的额外能量。
原因： 因为 AI 的激增发生得太快，电网无法等待太阳升起或风力吹起，必须立即启动备用燃气发电机。

5. 解决方案：“现场”发电机

论文提出了一个令人惊讶的解决方案。一些数据中心在自己的物业内拥有独立的发电装置（就像你家里有一个私人备用发电机）。

神奇之处： 当数据中心拥有自己的电力时，对电网的负面影响消失了，甚至发生了反转。这些自供电中心不再损害电网，反而能改善周边邻里的电能质量。
原因： 它们吸收了自身巨大的电力需求峰值，因此主干道不会感受到交通拥堵。

6. 如果我们改变计划会怎样？（反事实模拟）

研究人员进行了模拟实验，以观察不同的选择将如何改变结果：

边缘计算： 与其将所有的 AI 工作都发送到一个庞大且拥挤的数据中心（“大型购物中心”），不如将其分散到人们居住地附近的较小中心。这将极大地减轻任何单一电网部分的压力。
改变位置： 如果我们将繁重的 AI 训练工作从拥挤的城市转移到电力容量充足的地区（如美国中部），对电网的影响将会大大降低。
更大的模型： 随着 AI 模型变得越来越大（拥有更多“参数”），对电网的破坏呈指数级增长。一个规模大一倍的模型带来的不仅仅是两倍的电力消耗，它创造的电能质量问题也会不成比例地恶化。

核心结论

论文得出结论：如果实际的用电行为是混乱且不匹配的，那么仅仅通过购买“绿色优惠券”（证书）是无法解决电网问题的。AI 使用电力的物理现实——即何时使用以及如何使用——才是关键。

为了保护电网，我们需要：

抑制激增： 使用现场发电机，让数据中心“自食其力”。
分散负载： 将 AI 工作转移到不太拥挤的地区或较小的本地中心。
提高效率： 让 AI 模型变得更聪明，这样它们就不需要进行如此剧烈的“冲刺”。

论文警告称，如果没有这些改变，这场“绿色” AI 革命在短期内可能会让我们的电网变得更不可靠、更昂贵且更脏。

技术摘要：没有电子的证书？关于 AI 驱动电力需求影响的理论与证据

1. 问题陈述

人工智能（AI）的快速扩张已使美国数据中心的电力消耗量在六年内从总需求的 1.9% 上升至 4.4%。尽管超大规模云计算厂商利用可再生能源证书（RECs）和电力购买协议（PPAs）来声称实现碳中和，但这些机制在电网层面的有效性仍不明确。具体而言，目前缺乏关于 AI 模型发布如何影响以下方面的因果证据：

局部电能质量： 包括电压稳定性、频率调节和高次谐波失真。
化石燃料需求： AI 工作负载在多大程度上取代了可再生能源发电，或迫使化石燃料发电机组进行调度。
批发电力价格： 由于 AI 驱动的需求冲击，局部市场价格上升的幅度。
可靠性： 断电和设备退化的频率与严重程度。

现有文献依赖于技术经济评估或微观层面的能源性能研究，但未能隔离 AI 对其他电网用户的因果外部性。此外，存在一个“时间偏差”（timing wedge），即消费（AI 工作负载）与被抵消的可再生能源发电（通过 RECs）在时间和空间上存在错位，即使年度消费在理论上由可再生能源覆盖，这种错位也可能降低可靠性。

2. 研究方法

作者采用严谨的计量经济学框架，以解决缺乏细粒度运营数据（例如确切的训练开始时间）以及 AI 模型发布具有交错性（staggered nature）的问题。

2.1. 理论框架

本文开发了一个博弈论模型，其中数据中心运营商在 RECs、PPAs 和现场并网（behind-the-meter colocation）之间进行选择，而发电方则在内生融资成本的条件下做出准入决策。该模型识别出时间偏差（即消费与被抵消发电之间的错位）是 AI 需求导致可靠性下降并增加排放的核心机制，即使在 100% 的 REC 覆盖率下也是如此。

2.2. 计量策略：交错双重差分法 (Staggered DiD)

为了克服缺乏特定训练窗口和模型发布交错性的问题，作者采用了多时段堆叠双重差分法（Stacked DiD with Multiple Horizons）。

处理定义： 处理（Treatment）相对于主要 AI 模型的发布日期 ( $r_m$ $r_{m}$ ) 进行定义。
- 训练窗口： $[r_m - \tau_{train}, r_m)$
- 推理窗口： $[r_m, r_m + \tau_{infer}]$
堆叠设计： 为了避免由于处理效应异质性导致的偏差（即在标准双向固定效应模型中，已被处理的单元会污染控制组），作者为每个模型发布队列构建了独立的“子实验”。每个子实验仅使用在特定队列采用时仍处于真实未处理状态的单元。
方程： 动态处理效应估计如下：
$Y_{i,t,m} = \sum_{k=-K}^{K} \beta_k \cdot D^k_{ut} + \delta_t + \gamma_u + X'_{ut}\theta + \varepsilon_{ut}$
其中 $D^k_{ut}$ 表示相对于发布的事件时间维度 $k$ 。

2.3. 处理内生性与混杂因素

化石燃料需求： 使用二阶段最小二乘法（2SLS）来解决价格内生性问题。
- 第一阶段： 使用供给侧成本转移因子（发电机热耗率和天然气现货价格）对电力价格进行工具变量处理。
- 第二阶段： 将化石燃料需求对预测价格和处理指示变量进行回归。
价格效应： 通过结合估计的需求偏移量与 PJM 市场的供给曲线弹性 ( $\varepsilon_s$ ) 来推导价格影响。
稳健性检验： 研究采用了平行趋势检验（对预处理系数进行 Wald 检验）、安慰剂检验（随机化处理日期和位置）以及针对处理定义（如改变半径、剔除模糊案例）的敏感性分析。

2.4. 数据

本分析整合了一个将 AI 活动与电网结果联系起来的新型数据集：

处理数据： Aterio 数据库，用于获取数据中心位置、所有权和容量；通过新闻发布和 API 日期与特定模型发布（如 GPT-3, Llama 2, Claude 2.1）进行关联。
结果数据：
- 电能质量： 来自 72 家公用事业公司的 Whisker Labs 消费者电能质量指数 (CPQI) 和总谐波失真 (THD)。
- 需求： 美国环保署清洁空气市场计划 (CAMPD) 的每小时发电机数据 (2021–2023)。
- 价格： ISO 区域批发价格（重点关注 PJM）。
控制变量： 天气数据 (Meteostat)、天然气价格 (S&P Capital IQ) 和市场指数。

3. 核心结果

3.1. 电能质量退化

AI 模型发布导致局部电能质量显著恶化：

消费者电能质量指数 (CPQI)： 受处理的公用事业区域经历系数增加 0.3795，这对应于从典型的美国电能质量水平向底部的四分之一水平移动。这相当于平均客户的年停电次数从约 1 次增加到 1.5–2 次。
谐波失真 (THD)： 高于 0.8 失真阈值的读数增加了 0.0625 个百分点。虽然看似微小，但持续的暴露会加速设备退化（如电机、冰箱）。

3.2. 化石燃料需求

AI 活动显著增加了化石燃料发电：

规模： 训练阶段每台发电机每小时增加约 6.33 MWh，推理阶段增加 5.20 MWh。
总量影响： 这意味着在数据中心附近产生了超过 500 GWh 的额外化石燃料发电，相当于大约 47,000 个美国住户的年消费量。
机制： 该效应是由对基荷和峰值容量的即时需求驱动的，而 RECs 在时间上无法覆盖这些需求。

3.3. 批发价格影响

在 PJM 市场中，AI 驱动的需求激增导致价格大幅上涨：

区域差异： 价格影响随供给弹性 ( $\varepsilon_s$ ) 而变化。在 American Electric Power (AEP) 区域（低弹性），AI 活动期间的批发价格上升高达 25%。在 ComEd 区域（高弹性），影响较小但仍然显著。
零售影响： 虽然零售价格传导存在滞后，但作者估计在高影响区域，长期消费者价格可能上升高达 25%，因为为了满足 AI 需求需要调度更高成本的边际发电机组。

3.4. 通过现场发电进行的缓解

一个关键发现是电能质量效应根据基础设施的不同而发生符号反转：

无现场发电： 电能质量恶化（CPQI 系数为正）。
有现场发电： 电能质量改善（CPCI 系数为负）。
解释： 协同发电（通常带有储能）直接吸收了需求激增，防止其传播到电网，并减少了对边际化石燃料发电机的依赖。

4. 反事实分析

论文评估了 AI 技术演进的不同方式将如何改变电网影响：

模型规模化： 从 2 万亿参数扩展到 4 万亿参数，将使电能质量影响增加约 35%。模型参数每增加 1%，与电力需求增加 0.15% 相关联。
地理重新分布：
- 边缘推理： 将推理从集中的超大规模设施转向分布式边缘节点，可显著降低区域需求激增（模拟显示从 162 MWh/小时降至 4 MWh/小时）。
- 集中化： 将所有训练集中在单个大型设施中，会产生极端的局部需求激增（约 100 GWh），凸显了过度集中的风险。
现场发电： 全面采用现场发电将使数据中心的净影响从电能质量的损害转变为净改善。

5. 意义与贡献

该论文声称其主要有三个贡献：

方法论创新： 它建立了一套稳健的方法，利用公开数据评估宏观层面的 AI 电网影响，通过交错 DiD 和工具变量克服了缺乏专有运营细节的问题。
因果证据： 它提供了首个关于 AI 模型发布对电能质量、化石燃料需求和批发价格影响的因果估计，超越了相关性研究或技术经济预测。
政策相关性： 它表明 AI 的外部性与采购设计和空间组织紧密耦合。结果表明，仅靠 REC 的策略是不够的。相反，带有储能的现场并网（on-site colocation）和空间重新分配（如边缘计算）被确定为减轻电网影响的有效手段。

作者得出结论，如果不对 AI 基础设施的供电方式和布局方式进行结构性变革，AI 模型的持续规模化将继续降低电网可靠性并增加所有消费者的成本，无论其是否声称实现了碳中和。