在美國密西根州的一個小鎮萊諾克斯，居民突然發現一個網站，聲稱要在鎮上建立一個AI資料中心園區，但並未說明是誰要建。鎮政府表示，從來沒有人申請過。直到居民依法申請拿到內部郵件，才發現開發商早已在背後接觸官員。
憤怒的居民湧進公開會議，有幾場會議持續超過了四小時。他們遞交請願書，要求罷免四名鎮政府官員。
萊諾克斯只是一個縮影。 2026年上半年，美國至少有75個資料中心項目被叫停或延後，涉及金額約1,300億美元。在密西根、德州、俄克拉荷馬、加州、佛羅裡達等州，居民走進公開會議，批評官員對資料中心提案處理不當，要求罷免他們。有人還在州議會門口舉著牌子抗議：“對資料中心說不！”
人們不滿的理由顯而易見：發電機和冷卻系統帶來的巨大噪音，驚人的耗電量將推高居民的電費，以及資料中心會消耗本地大量的水資源。
更諷刺的是，有些資料中心特地選擇建在地價便宜、有稅收優惠的乾旱地區，當本地居民還在為用水發愁的時候，資料中心卻每天抽走逾千萬公升的水。
民調顯示，美國人寧願住在核電廠旁邊，也不願住在資料中心附近。當大多數人還在討論AI對一般人帶來的就業困境時，住在資料中心附近的人們，已經實際感受到了AI帶來的環境後果。
居民對建立資料中心表示抗議：「對資料中心說不！」｜Mikala Compton
01 AI的環境影響，不止於碳足跡
根據聯合國大學的最新評估，到2030年，全球每年支撐人工智慧運作的資料中心用電量可能達到945 TWh，相當於多個中等國家的用電總量；其對應的碳排放量約為3.99億噸，需要種植約67億棵樹並持續生長10年才能抵消；水足跡約9.3萬億公升，接近撒哈拉以南非洲約13億人口一年的基本生活用水需求；土地佔用則超過14500平方公里，約佔兩個都會區的規模。
在過去的許多討論中，AI的環境問題往往被簡化為“碳排放問題”，即數據中心是否使用清潔能源、是否實現碳中和。但聯合國大學的評估指出，這種單一維度的評估方式已經不足以描述現實情況——AI運作依賴的是一個複雜的由水、土地與能源基礎設施共同構成的系統。
2025年，在全球電力供應中化石燃料仍發揮重要作用，同時低碳能源持續成長| Ember
聯合國大學的評估報告，從能源的角度切入，系統量化了AI的環境影響。每一度為AI供電的電力，在生產過程中都會產生碳排放、消耗水（水足跡）、佔用土地（土地足跡）。
碳排放主要取決於能源結構，水足跡主要取決於冷卻方式和發電方式，土地足跡主要取決於能源類型和基礎設施的形狀。這三者相互相關，但在實際中，變化方向可能是背道而馳的。
例如，如果從「降低碳排放」的角度考慮，從煤炭轉向生物能源，碳排放可以平均減少約70%，但同時水足跡可能增加30倍以上，土地足跡增加100倍左右。一項對美國發電技術運行用水的綜述也發現，向低碳電力轉型，用水強度並不必然降低，取決於採用哪種技術和冷卻系統[3]。因此，如果只用「低碳」作為唯一指標，就可能忽略甚至轉移其他環境壓力。
02 AI使用端的環境影響劇增
在過去的相關討論中，另一個常見關注點是模型訓練階段的電力消耗。但從實際運作結構來看，這一部分正在變得相對次要。研究估計，在AI系統的整體能耗中，約80%至90%來自“推理階段”，也就是模型上線之後，使用者的每天使用消耗的能量。
以AI生成圖片為例，輸入一句提示詞產生一張AI圖片的過程中，2.9瓦時電力、1.22克二氧化碳當量、28.6毫升水，以及0.45平方厘米的土地，就在這幾秒之中被消耗或占用掉了[1]。
不同類型的AI任務，其耗電差異也非常顯著。產生一張普通影像所需的電力，大致相當於讓一盞10瓦LED燈點亮17分鐘；而一個複雜AI視頻的能耗，則可以支撐同一盞燈運行約42小時。這種差異在水資源層面同樣存在。一張影像的用水量約為29毫升，相當於兩湯匙水，而一個複雜影片則可能達到4.1公升，接近一個人兩天的飲水量。
不同AI任務的電力消耗量
在各類任務中，影片生成尤其值得關注。視訊參數設定會極大程度地影響能耗。一項針對開源文生視訊模型的研究發現，視訊產生的能耗會隨解析度和幀數近似二次增長，隨去雜訊數線性增長；在預設設定下，不同開源模型產生一個視訊的能耗可相差近3000倍。
現在各類媒體平台上，已經有相當比例的影片是AI工具創建或編輯的影片。 AI工具為影片產出的效率和品質帶來了革命，但也有不少是AI生成的同質化、意義感較低的內容。衛報報道Kapwing的調查稱，在給新YouTube帳號推薦的前500個影片中，有104個被識別為“低品質AI生成內容（AI slop）”，也就是超過20%。如果未來視訊生成進一步普及，其帶來的能源壓力可能會顯著改變當前AI基礎設施的負載結構。
AI短劇｜紅果
更糟的是，如今AI技術變得更便宜、更好用，人們會用得更多。雖然AI被訓練得高效之後，單次任務的消耗降低了，但總使用量卻大幅增加，整體的環境影響反而更高了。
03 不均勻的空間分佈
AI服務通常是全球化的，但支撐它運作的資料中心卻在空間上高度集中。目前，全球只有32個國家有AI專用資料中心；AI算例基礎設施約90%在美國和中國；超過150個國家幾乎沒有主權AI算力（sovereign AI compute）能力。主權AI算力指的是，一個國家能否在本土或自主控制範圍內運作AI運算能力，而不完全依賴外部雲端服務。
全球資料中心位置分佈，美國斷層第一。少數國家承載了全球大部分運算基礎設施，而許多地區則處於明顯不足或缺位狀態| Statista 2025
這種空間特徵，源自於多方面因素。首先是激勵方面，AI基礎設施本身俱有經濟、國家安全與主權層面的優勢，使得富裕國家更有動力建造更多資料中心。其次是實體條件限制方面，資料中心對基礎設施條件很敏感，包括電力供應的穩定性與成本、網路延遲以及整體政策等，這使得傾向於集中建在少數基礎設施成熟的地區。而規模效應也強化這種趨勢：算力群聚越集中，其運作效率與成本優勢往往越明顯，因此空間聚集程度像滾雪球一樣上升。
但這是一把雙面刃。從現有實務來看，資料中心選址往往優先考慮電力成本、網路延遲與政策環境，而對水資源壓力、區域生態承載能力的全面評估仍較弱。如果把資料中心的選址分佈與全球水資源壓力圖疊加，會發現兩者在某些地區存在明顯重疊：不少正在快速建設資料中心的區域，本身也正面臨較高的水資源緊張程度。而這些設施週邊的社區，他們承受著直接資源壓力，卻往往不是AI的主要服務對象。
2018年夏季乾旱期間的愛爾蘭威克洛郡普拉福卡水庫。愛爾蘭正圍繞都柏林大力擴建高耗能、高耗水的人工智慧資料中心基礎設施，或將給本就緊張的淡水供應帶來更大壓力| Sentinel-2 Imagery
這種壓力已經在一些地區造成了顯著負擔。例如，在愛爾蘭，資料中心用電量已佔全國總用電的約21%，超過全部城市家庭用電總和。當地電網營運機構甚至對新資料中心建設進行階段性限制，以避免電力系統過載。在墨西哥部分地區，資料中心擴張與長期乾旱疊加，加劇了本就緊張的水資源壓力；在烏拉圭，資料中心用水需求甚至與極端乾旱時期的飲用水危機重疊。
這與理想中的AI基礎設施管理之間，仍有明顯差距。
聯合國的報告認為，一個負責任的AI建設生態應該基於六項原則建立：透明性、設計驅動的效率、環境與社會公平、生命週期責任、全球合作以及永續使用。
負責任AI的六項指導原則，旨在引導人工智慧走向環境永續與社會責任
一個更完整的治理框架，至少需要同時回答幾個問題：不僅是“排放了多少碳”，還包括“用了哪裡的水”“佔用了多少土地”，以及“這些負擔是否集中在少數地區”，“這些成本是否被系統性地披露和比較”。
問題不只是讓AI變得更節能，而是讓它的環境成本變得可見、可比較，並且能夠被納入同一套評估體系中。
讀報知天下事：寧住核電站旁邊也不住AI資料中心附近