为何人们宁住核电站旁也不愿住AI数据中心附近

先来看一个正在发生的事实。

美国密歇根州莱诺克斯小镇的居民们，突然发现有人贴出公告，计划在此建设一个AI数据中心园区——但公告中并未注明建设方。镇政府也明确表示从未收到过任何申请。直到居民依法申请获取内部邮件，才发现开发商早已与官员私下接触。

不出所料，愤怒的居民涌入公开会议，一些会议甚至持续了四个多小时。他们还提交了请愿书，要求罢免四名镇政府官员。

莱诺克斯绝非孤例。2026年上半年，美国至少有75个数据中心项目被叫停或延迟，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，居民们纷纷走进公开会议，批评官员处理数据中心提案不当，并要求罢免他们。还有人举着“对数据中心说不！”的牌子在州议会门口抗议。

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

居民的不满理由其实很直接：发电机轰鸣、冷却系统嗡嗡作响，噪音干扰只是第一步；数据中心惊人的耗电量会直接推高居民的电费；更不用说它还要消耗当地大量的水资源。最讽刺的是，有些数据中心偏偏选址在地价便宜、有税收优惠的干旱地区。当地居民还在为用水发愁，而数据中心每天却要抽走逾千万升的水。

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

AI的环境影响，远超碳足迹

根据联合国大学的最新评估，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；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。

过去许多讨论中，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不足以描述现实情况——AI运行依赖的是一个由水、土地与能源基础设施共同构成的复杂系统。

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形态。这三者相互关联，但在实际中，变化方向可能背道而驰。

例如，如果从降低碳排放的角度考虑，从煤炭转向生物能源，碳排放可平均减少约70%，但与此同时，水足迹可能增加30倍以上，土地足迹增加约100倍。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，具体取决于采用的技术和冷却系统。因此，如果仅以“低碳”作为唯一指标，就可能忽略甚至转移其他环境压力。

AI使用端的环境影响日益加剧

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%到90%来自“推理阶段”，即模型上线后，用户每天使用所消耗的能量。

以AI生成图片为例，输入一句提示词生成一张图片的过程中，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。

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）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，可以相差近3000倍。

如今，各类媒体平台上已有相当比例的视频是AI工具创建或编辑的。AI工具给视频产出的效率和质量带来了革命性变化，但背后也有不少是AI生成的同质化、意义感较低的内容。《卫报》报道了Kapwing的调查：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”，占比超过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，人们使用频率更高。虽然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。

空间分布显著不均

AI服务通常是全球化的，但支撑其运行的数据中心却在空间上高度集中。目前，全球只有32个国家拥有AI专用数据中心；AI算力基础设施约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

这种空间分布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，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，这使得它们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，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，仍存在明显差距。

联合国报告认为，一个负责任的AI建设生态应基于六项原则：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] Dela vande, 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