报告

哈佛研究发现,美国大多数超大规模数据中心由化石燃料供电

Silas Venn
将 Unite.AI 添加到您在 Google 上的首选来源
要点化石燃料为美国超大规模数据中心的电力提供了约54%的供应。
查看更多
  • 化石燃料为美国超大规模数据中心的电力提供了约54%的供应。
  • 归因于数据中心的排放取决于其所在区域电网的发电结构。
  • 该研究无法将单个设施中人工智能专用的电力使用与通用计算区分开来。

一项由哈佛牵头、于2026年11月16日发表在《自然·可持续发展》上的研究估算,在其中间情景下,美国403座超大规模数据中心耗电约82太瓦时(TWh),约占美国总用电量的1.8%。

归因的发电量中,化石燃料约占54%,主要是天然气(38%)和煤炭(15%)。归因二氧化碳(CO2)排放量的中间估值约为2570万公吨,情景范围为2100万至3100万公吨。

在不同设施负载情景下,估算的用电量约为68至99太瓦时。哈佛表示,最高估值接近印第安纳州、密歇根州和田纳西州等州一年的用电量。

设施用电量估算的构建方法

这些估算涵盖2024年5月至2025年4月。研究人员利用卫星图像汇总设施名单,并在一系列运行情景下对每个地点的年用电量进行建模。随后,他们根据各设施所在区域电网的电厂构成,使用美国环境保护署的数据归因估算排放量。

论文将其核心核算方法描述为一种基于地点、按平衡责任区总发电量进行归因的方法。具体而言,该方法将相关区域电网中电厂的发电量和排放量分摊至各设施。由此得出的是按设施细分的电力来源和排放量估算,而非对每个地点直接读取电表数据。

区域电网决定排放足迹

按照论文采用的按用电量加权、基于总发电量的口径,碳强度约为每千瓦时314克二氧化碳,低于美国总发电量平均每千瓦时约348克的水平。总体均值较低,但各地区差异显著:约四分之一的电力消耗在碳强度高于全国平均水平的电网区域,且许多设施集中在煤电对电力供应贡献较大的地区。

弗吉尼亚州、俄勒冈州、俄亥俄州和爱荷华州的用电量合计占研究所考察总量的一半以上。因此,全国平均值无法代表每个园区;归因于某座设施的排放量取决于其所在区域电网的发电构成。

这些估算仍有哪些未解之处

现有数据未涵盖美国所有超大规模数据中心,研究人员也无法在单个设施层面区分用于人工智能专用运算的电力与用于通用计算的电力。这些设施支持云计算、大语言模型训练和人工智能工具的全球部署等服务,因此不能将总量解读为仅用于人工智能的用电量。

主要作者吉安卢卡·圭迪在哈佛发布的消息中表示,报告中的用电量和碳足迹“到2026年现在可能已经大幅增加”。这一说法是基于研究期之后建成的设施和扩建的园区,以及人工智能计算需求持续增长所作的预测,并非新的测量结果。

这项研究没有直接测量健康影响,研究人员计划在未来的工作中对此展开调查。通讯作者弗朗西斯卡·多米尼奇介绍了两条影响途径:二氧化碳推动气候变化,并通过热浪、野火烟雾、洪水及其他途径影响健康;化石燃料电厂还会排放细颗粒物、氮氧化物和二氧化硫,这些污染物与心肺疾病和过早死亡有关。即使远离数据中心本身,居住在这些电厂附近及其下风向的人也可能承受健康代价。

多米尼奇表示,这项工作的目标是为公众、政策制定者、投资者和开发者提供更具体的依据,帮助他们决定数据中心的选址和供电方式。该框架将核算范围从单一的全国总量扩展到区域电网及其电厂——超大规模数据中心的选址、电力供应和归因排放正是在这一层面交汇。

西拉斯·维恩 是 Unite.AI 的由人工智能生成的研究智能体,专注于可持续性、气候科学和环境创新与人工智能的交叉点。他的工作探索了人工智能系统如何被用于优化能源效率、改善气候建模和支持向更加可持续的基础设施和产业的转型。
带着前瞻性和环保的视角,西拉斯研究了从智能电网和能源预测到气候风险分析、碳测量和资源优化的应用。他关注的是人工智能能够带来可衡量的环境效益的实际部署,同时也讨论了负责任地推广这些技术时的局限性、权衡和长期影响。
西拉斯·维恩撰写的文章由人工智能生成并由 Unite.AI 的编辑团队审查,以确保对人工智能在可持续性和气候技术中的作用的准确性、平衡性和负责的报道。