可持续的人工智能：能源、用水与效率
人工智能（AI）对环境的影响日益受到关注。本文基于最新研究与报告，阐述AI运算的能源与用水消耗。
Quelle: 自定义呈现
绿色人工智能入门
绿色人工智能（Green AI）描述了AI运行的可衡量环境影响，特别是在模型训练和推理过程中的能源足迹与用水足迹。数据中心使用两项指标进行衡量：PUE（电力使用效率），表示总用电量与IT设备用电量的比值；数值越接近1越高效。WUE（水使用效率） 测量年度用水量除以IT能源消耗，数值越低表示水资源效率越高。用水往往指“耗竭性”水资源，即蒸发且难以回补的水，例如在蒸气冷却或蒸发式冷却系统中。
当前格局与发展
IEA预测，到2030年全球数据中心的用电量将增至约945 TWh，AI将成为最大的驱动因素。这将比当前多出一倍以上。面向AI的专业化数据中心到2030年甚至可能增至原来的四倍（iea.org）。IEA的《能源与AI》详细报告分析了方法、数据质量以及区域差异。同时，微软公布了新的数据中心设计，采用“零水用于冷却”的方案，通过闭环系统和近芯片冷却实现（microsoft.com）。谷歌描述了在降低电力消耗的同时如何降低用水量，并强调气候与冷却技术的依赖性（cloud.google.com； google.com）。关于新兴超大数据中心在干旱地区用水的报道引发关于用水权的辩论（reuters.com）。自2023年以来，有关AI用水足迹的研究揭示了规模和方法上的不确定性（arxiv.org； dl.acm.org）。
Quelle: fiberopticom.com
对数据中心排放源的详细考察对于制定有效的减排策略至关重要。
消费增加的驱动因素
电力与用水消耗的增长有多重原因。第一，人工智能将负载迁移至密集型数据中心，尽管这可能降低PUE，但若蒸发冷却系统提升效率，则WUE会变高。第二，新的加速器代代提升单位功耗比，但绝对需求也会提高，因为工作负载更快且更频繁。Blackwell 相较 Hopper 提供效率提升，但未能解决需求压力。第三，地点因素如冷却技术、气候、电力结构、用水可用性与监管等，决定运营商是更省电还是省水——很少两者同时省（google.com； iea.blob.core.windows.net）。
Quelle: YouTube
谷歌解释将处理后的渠道水用于饮用水保护措施。
事实核查：证据与论断
数据中心用电量显著增加；AI 是主要驱动因素。PUE 与 WUE 是用于衡量能源与水资源效率的定义性指标（thegreengrid.org； thegreengrid.org). Training und Inferenz können relevante Wassermengen binden, abhängig von Standort, Jahreszeit und Kühltechnik (arxiv.org; google.com).
Das Versprechen „零水用于冷却“ ist ein Betriebsversprechen. Lebenszykluswasser (z.B. Halbleiterfertigung) und Nicht-Kühlwasser bleiben außen vor, ebenso Standortverschiebungen bei Hitzeextremen (cloud.google.com).
Die Behauptung „Flüssigkühlung löst automatisch das Wasserproblem“ ist irreführend. Sie kann die WUE verbessern, muss es aber nicht; Effekte hängen von Auslegung und Rückkühlsystem ab. Auch die Annahme „AI ist virtuell und hat keinen physischen Impact“ ist falsch. Energie- und Wasserbilanzen sind messbar und korrelieren unter anderem mit Token-Längen und Auslastung (arxiv.org).
Quelle: device42.com
数据中心对能源的饥渴：与各国总用电量相比，凸显问题的规模。
行业回应与反驳
行业以效率路径为论点：改进的PUE/WUE、水回收以及向水资源无关冷却的设计转变（microsoft.com； cloud.google.com）。研究机构与非政府组织强调透明度与可验证的披露，涉及地点、季节和技术，以应对迁移效应与干旱风险（arxiv.org； reuters.com）。能源经济学者认为加速器带来效率提升，但也警告回弹效应：效率提升会降低成本，从而可能增加使用强度（theregister.com； iea.blob.core.windows.net）。
实际影响与建议
务实行动应包含：第一，测量。对于推理阶段，研究给出每个 Token 的能耗（Energy per Token）作为度量；能耗与令牌长度和延迟高度相关（“每个 Token 的能量”； euromlsys.eu）。第二，理性负载平衡：批量大小与提示设计可以降低能耗/令牌，但过大批量可能因开销而降低效率（upm.es； techrxiv.org）。第三，调整模型与精度：量化到 4 位在许多任务中可行，节省计算与存储能源；但需要严格的质量评估（openreview.net； arxiv.org）。第四，硬件选择要得当：边缘/客户端可使用 NPUs 提升单位功耗效率，数据中心则应使用专用加速器以获得比通用 CPU 更高的效率（qualcomm.com； nvidia.com）。第五，主动管理地点与冷却：在设计阶段就考虑气候、电力结构、WUE/PUE 目标、水质（如再利用水而非饮用水）以及废热回收（google.com； thegreengrid.org）。
Quelle: ai-market.jp
NPU芯片是实现高效能AI应用，特别在边缘计算领域的关键技术。
Quelle: YouTube
关于能源问题的简要概览，配以简明的可视化图示。
未解问题与未来展望
在气候极端条件日益增加、负载模式不断变化的情况下，现有的水与电披露有多可靠？需要标准化、按地点与按季节分解的报告，涵盖WUE、PUE、能源/水源以及负载管理等方面，以避免隐藏效应与偏差（thegreengrid.org； iea.blob.core.windows.net）。哪些监管框架能够制定合理的边界又不抑制创新——例如在干旱风险地区设定水使用上限？相关辩论与专业讨论仍然非常活跃（iea.org）。
结论
绿色AI 的起点是诚实的基线：衡量、对比、管理。将PUE与WUE有效结合，跟踪每个 Token 的能量消耗，适度降低模型精度，巧妙选择批量和地点与冷却系统，能够降低成本与环境影响，并为技术与投资决策带来更可靠的论据（aclanthology.org； upm.es； openreview.net； google.com).