🤖 AI

Assessing the Carbon Emissions and Energy Consumption of U.S. Hyperscale Data Centers

这项研究估计，在2024年5月至2025年4月期间运行的403家美国超大规模数据中心消耗了68–99 TWh的电力，产生了37–54百万公吨的二氧化碳排放，由于严重依赖化石燃料，其碳强度比国家电网平均水平高出约48%。

原作者： Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

发布于 2026-06-05

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

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，美国是一个巨大的城市，在这座城市中散布着许多规模宏大、拥有超强能力的工厂，被称为超大规模数据中心（HDCs）。这些可不是普通的服务器机房；它们是驱动我们现代数字生活的巨大引擎，尤其是新一波的人工智能浪潮。它们规模之大，足以同时为数万户家庭供电。

这篇论文就像是一群侦探（来自哈佛大学及其他机构的研究人员），他们决定对这些“工厂”进行一次人口普查，以回答一个简单但紧迫的问题：它们到底吞噬了多少电力，而这些能源又是多么“脏”？

以下是他们的发现，通过简单的概念进行了拆解：

1. “能量胃口” (The "Energy Appetite")

研究人员追踪了在 2024 年 5 月至 2025 年 4 月期间运行的 403 个 这种巨型数据中心。

类比： 把这 403 个工厂想象成一只单一的、极其贪婪的巨兽。
发现： 这只巨兽吞噬了 68 到 99 太瓦时 (TWh) 的电力。为了让你有个直观的概念，这大约相当于印第安纳州、密歇根州或田纳西州等整个州一年的用电量。这占到了全美总用电量的约 1.8%。

2. “碳足迹” (The "Carbon Footprint")

电力并非凭空产生；它必须经过生成过程，通常是通过燃烧煤炭或天然气等物质。

类比： 如果电力是数据中心摄取的“食物”，那么 二氧化碳 (CO2) 就是它们留下的“废气”。
发现： 由于这些中心胃口巨大，它们造成的二氧化碳排放量在 3700 万到 5400 万公吨 之间。这是一团巨大的废气云。与 2018 年的一项研究相比，这个数字增加了约 3 到 5 倍，显示出 AI 对能量的需求增长得有多快。

3. “脏”与“净”的混合比例 (The "Dirty vs. Clean" Mix)

并非所有电力都是平等的。有些来自清洁的风能和太阳能，而有些则来自化石燃料的燃烧。

类比： 想象电网是一个巨大的“奶昔”。有时这个奶昔主要是水果（清洁能源），有时则是咖啡（化石燃料）为主。
发现： 这些数据中心主要喝的是“咖啡版”奶昔。
- 约 54% 的电力来自化石燃料（主要是天然气和煤炭）。
- 只有约 25% 来自可再生能源（风能、太阳能、水能）。
- 其余部分是核能。
结果： 因为这些数据中心位于当地电网高度依赖化石燃料的地区，所以它们的“废气”比普通美国家庭要“脏”得多。它们的碳足迹比全国平均水平高出约 48%。

4. “位置”至关重要 (The "Where" Matters)

研究人员注意到，这些数据中心并不是像洒水器一样均匀分布的；它们聚集在特定的“热点”地区。

类比： 就像如果一座城市里最大的餐厅都集中在三个街区，那么这三个街区突然间就必须处理大量的交通和垃圾。
发现： 弗吉尼亚州 是最大的热点，拥有 142 个此类中心，消耗了约四分之一的总电力。俄勒冈州、俄亥俄州和爱荷华州也是主要的枢纽。这四个州合计占据了研究中总能耗的一半以上。

5. 他们是如何进行数学计算的（侦探工作） (How They Did the Math)

由于数据中心公司并不总是公布其精确的电费账单，研究人员必须表现得像聪明的侦探：

卫星侦察： 他们利用卫星图像来寻找建筑物并测量其大小，以确保它们确实是数据中心，而不是普通的办公园区。
“负载”推测： 他们不知道计算机每秒钟的工作强度究竟有多大，因此创建了四种不同的“情景”（就像猜测汽车的速度：慢速、平均、快速或极速）。他们最终确定了一个看起来最符合这些机器常规运行模式的“中心”预测值。
电网地图： 他们将每个数据中心映射到当地的电力公司（称为“调度机构”），并查看了该电力公司使用的发电厂“菜单”。如果一个数据中心位于当地电厂燃烧煤炭的地区，那么即使该数据中心本身没有燃烧煤炭，它也会被计入该煤炭产生的污染。

核心结论 (The Bottom Line)

这篇论文提供了一个关于 AI 热潮环境成本的清晰、基于数据的快照。它表明，虽然这些数据中心是我们数字未来的“大脑”，但它们目前的“饮食”严重依赖化石燃料，从而产生了大量的碳排放。研究人员还建立了一个公开工具（网站），让任何人都能看到自己所在地区正在发生多少能量消耗和污染。

简而言之： AI 革命是真实的，但它目前正运行在大量的化石燃料动力之上，并且正在留下巨大的碳足迹，尤其是在几个关键的州。

技术摘要：评估美国超大规模数据中心的碳排放与能耗

问题陈述
受人工智能（AI）采用率驱动，美国超大规模数据中心（HDCs）的快速激增引发了人们对该行业环境足迹的广泛关注。虽然数据中心是现代数字基础设施的支柱，但其高能耗特性——源于计算能力和冷却需求——导致了电力需求增加以及相关的温室气体排放。现有文献对数据中心能源使用量给出了多种估算值，但专门研究超大规模设施排放量的同行评审研究却十分匮ار。以往的估算（如 Siddik 等人在 2018 年的研究）在 AI 工作负载和加密货币挖矿（本分析将其排除在外）需求激增的背景下已显得过时。此外，目前缺乏能够整合异构来源、通过卫星图像验证基础设施并利用最新电网数据将排放归因于特定发电厂的设施级数据。

方法论
作者开发了一个可扩展的数据驱动流程，用于估算 403 个在 2024 年 5 月至 2025 年 4 月期间运行的美国超大规模数据中心的用电量及归属二氧化碳排放量。该方法由五个关键步骤组成：

数据收集与验证： 研究汇编了一个包含来自私营供应商（Baxtel）的 675 个潜在超大规模数据中心的数据库。该数据集通过高分辨率卫星图像（Esri World Imagery）和 OpenStreetMap（OSM）的建筑轮廓数据进行了严格验证。通过人工核实和地理编码，作者确认了 403 个设施的位置和身份，并获取了所有设施的建筑面积数据。
功率容量估算： 对于 6 个缺乏报告功率容量的设施，采用了梯度提升回归树（GBRT）模型进行缺失值填补。该模型利用建筑面积、气候类型（柯本-盖格分类）和平衡当局区域作为预测变量。模型在随机 85/15 的留出集上实现了 0.807 的 $R^2$ ，通过分组验证方案证实了其作为填补工具而非新选址通用预测模型的效用。
电力消耗建模： 年度电力消耗量通过将总设施电气容量（包括 IT、冷却和辅助设施）乘以年运行小时数（8,760）以及设施负荷系数（ $u$ $u$ ）来估算。考虑到将额定容量转化为实际运行负荷的不确定性，作者报告了基于四种物理动机情景的结果：
- 低负荷 ( $u=0.48$ )： 常规服务器，额定最大设计。
- 中心情景 ( $u=0.58$ )： 常规服务器，测量最大设计，与自下而上的功率流建模及独立的 PUE 隐含检查一致。
- 中高负荷 ( $u=0.663$ )： 将服务器级有效利用率应用于设施容量（为保持与先前研究的一致性而保留）。
- AI 加权高负荷 ( $u=0.70$ )： 反映了 AI 专业化设施更高的利用率。
归属排放建模： 每个超大规模数据中心都根据其对应的平衡当局（BA）进行地理定位。应用了能源生成加权（EGW）归属模型，假设在每个平衡当局内，超大规模数据中心的总电力需求按其年度净发电量比例分布到各个发电厂。该方法利用 EPA eGRID2023 电厂级数据（修订时最新的完整发布版本）来分配燃料组合和排放因子。
碳强度计算： 研究通过汇总归属于超大规模数据中心发电厂的排放量和负荷，计算了超大规模数据中心的加权平均碳强度（gCO2/kWh），并将其与美国国家电网平均水平进行比较。

主要贡献

全面的数据集： 创建了一个经过验证的、包含 403 个美国超大规模数据中心的设施级数据集，代表了估计的 56–82% 的全国超大规模电力足迹。
归属框架： 应用了一种透明的归属核算方法，将特定的数据中心与它们所属平衡当局的物理发电组合联系起来，这使本研究区别于后果性（边际）方法。
基于情景的估算： 提供了一系列估算值（68–99 TWh 电力；37–54 Mt 二氧化碳）而非单一的点估计值，明确考虑了设施负荷系数和覆盖范围不完整带来的不确定性。
公共工具： 开发了一个面向公众的 Web 平台，允许用户在州和平衡当局层面探索碳足迹、电力负荷和燃料组合。

结果

电力消耗： 在中心情景（ $u=0.58$ ）下，403 个超大规模数据中心消耗了约 82 TWh 的电力，占美国总用电量的约 1.8%。在所有情景下，消耗量在 68 到 99 TWh 之间（占全国总量的 1.5–2.2%）。
二氧化碳排放： 相关的二氧化碳排放量在 37 到 54 百万公吨（Mt）之间，中心估算值为 45 Mt。这比 2018 年超大规模数据中心估算的 10.5 Mt 高出约 3.5 到 5 倍。
地理分布： 弗吉尼亚州托管了最多的超大规模数据中心（142 个）和最高的总消耗量（约 21 TWh），其次是俄勒冈州、俄亥俄州和爱荷华州。这四个州合计占样本中超大规模数据中心总电力消耗的 50% 以上。
燃料组合与碳强度： 归属于超大规模数据中心的电力中，约 53.9% 由化石燃料供应（天然气 38.2%，煤炭 15.2%），20.9% 由核能供应，25.3% 由可再生能源供应。超大规模数据中心的电力加权平均碳强度约为 545 gCO2/kWh，比同期美国国家电网平均水平（370 gCO2/kWh）高出约 48%。值得注意的是，90% 的超大规模数据中心电力需求位于碳强度高于全国平均水平的平衡当局内。

意义与主张
本文声称提供了一个稳健的归属工具，利用最新的 EPA eGRID 电厂级数据来评估超大规模数据中心的环境足迹。作者强调，由于超大规模数据中心具有独特的可见性和记录详尽的基础设施，其方法提供了统计学上稳健的评估。他们认为，研究结果凸显了数据中心在碳密集型电网区域的高度集中，这是在更广泛的部门分析中经常被忽视的关键因素。该研究强调了数据驱动决策的紧迫性，以旨在减轻数据中心环境影响的政策提供参考，特别是在 AI 采用推动进一步扩张的背景下。作者明确指出，他们的估算属于有界的情景化数值而非严格的下限，并承认了诸如设施覆盖不全以及缺乏设施级 PUE 数据等局限性。他们将这项工作定位为将数据中心识别为需要针对性政策关注的相关经济部门的必要步骤，同时将其设施级归属法与其它文献中发现的服务器级或 AI 特定排放预测区分开来。