庄闲和游戏-霍丹·奥马尔：用AI写100字邮件等于耗半升水？“数据中心焦虑”偏离了方向-霍丹·奥马尔、米特莉·帕斯瑞查

更新时间：2026-04-21

点击次数：

　　庄闲和游戏(中国)股份有限公司-官网热优化是数据中心用以优化冷却运行并降低成本的一项策略，即通过实时动态地将冷却输出与设施的IT负载相匹配，防止过度冷却。一组机架级传感器持续采集温度与功率数据，并输入AI系统，后者自动计算并对冷却单元、风扇及水泵进行精准调节。这确保了仅投入必需的冷却量，省却了人工干预并最大程度减少了能源浪费。

　　西门子是此类系统的领先供应商，已在金融数据中心部署其“白空间冷却优化”方案，采用了数百个无线机架级传感器。在一处设施中，该系统将运行中的冷却单元数量从72台削减至35台，并将冷却能耗降低约70%。

　　区域供冷是一项超越单个数据中心管理、上升到城市尺度协同冷却的策略。各设施不再依赖自身设备，而是由一座集中式工厂生产冷冻水，通过地下管道输送至相连的楼宇网络。这使得数据中心无需安装和维护自身高能耗的冷却机组与冷却塔，将冷却需求外包给一个更高效的大规模系统。

　　一个突出实例是加拿大多伦多由Enwave能源公司运营的“深湖水源冷却”（DLWC）系统。Equinix在多伦多的数据中心是该系统的主要用户。DLWC系统从安大略湖深处抽取冰冷湖水，泵送至中央交换站，通过热交换器将冷量传递至服务于市中心楼宇的闭式循环系统。借助这一稳定的天然冷源，系统大幅减少了对机械制冷机和冷却塔的需求。如今，该系统已连接多伦多超过180座建筑，据Enwave报告，每年可节约2.2亿加仑的水。

　　在美国多个州、科威特、韩国、印度、西班牙等水资源压力高或极高的地区已经建成或规划建设的数据中心周边区域卫星图制图：彭博社

　　许多最大的AI数据中心运营商已承诺到2030年实现“水资源正效益”，这是一项雄心勃勃且值得欢迎的承诺。但若无一套公认的标准来规定如何衡量用水以及如何核实回补量，这些承诺便难以评估。一家公司可以有凭有据地报告其向“水资源正效益”迈进的进展，同时衡量的却是与同行全然不同的内容。

　　各公司在核算范围上做出不同选择。有的仅计入现场冷却塔直接蒸发的水量；有的还计入了其供应链中蕴含的水，例如用于制造服务器内芯片的超纯水。有的仅计算取自河流和含水层的淡水，而另一些则将喂养设施附近肉牛的作物所吸收的雨水也计算在内。其结果便是，两家公司均可声称正按计划迈向“水资源正效益”，但衡量的却是截然不同的事物。

　　国会应指示美国国家环境保护局（EPA）与美国国家标准与技术研究院（NIST）合作，为大型数据中心制定一套标准化的水资源核算方法——明确规定必须报告哪些消耗类别、如何验证回补声明，以及净消耗量应如何根据实际取水所在流域的紧张程度进行加权——因为在易干旱的亚利桑那州与水资源充沛的俄勒冈州或华盛顿州，等量用水的意义大相径庭。

　　如前所述，用水并不等同于对水造成损害。但在水资源紧张的特定地区，取水行为本身——即便事后进行了回补——仍可能耗尽当地含水层、减少河流流量，并给社区赖以获取饮用水和进行农业灌溉的水源供应造成压力。一个汲取亚利桑那州或西得克萨斯州本就紧张含水层的数据中心，其所呈现的风险状况，与一个在水源充沛的太平洋西北地区运营的数据中心截然不同。

　　国会应指示EPA，利用现有联邦干旱与水资源短缺数据，识别并划定水资源紧张区域，并在这些区域内设立针对性激励措施，鼓励数据中心采用低取水冷却技术。对于同等规模的设施，湿式蒸发冷却、干式冷却与混合式绝热冷却系统的选择，可产生截然不同的取水状况。凡是选址于水资源紧张区域的数据中心，政策制定者均应鼓励使用低取水替代方案、将再生市政废水作为冷却水源，以及仅在气温最高时段启用湿式冷却的混合方式。

　　政策制定者应要求无法切换冷却系统的水资源紧张地区数据中心报告水资源生产率

　　并非所有位于水资源紧张区域的数据中心都能立即切换至低取水冷却技术。改造冷却基础设施成本高昂、技术复杂，且在某些情况下受限于设施的既有设计而无法实施。对于这些运营商而言，短期内最具可操作性的杠杆是最大化从每抽取一加仑水中所获得的计算价值。

　　为说明这一点为何重要，设想同一水资源紧张区域内有两座AI数据中心在处理相同的工作负载。两者采用相同的冷却架构，每小时取水量相同。但第一座运行的是较老旧、优化不足的软件，耗时100小时完成任务；第二座运行的AI技术栈效率更高，仅用20小时即告完成。两者每小时取水量相同，但第二座交付完全相同产出所消耗的总水量仅为第一座的五分之一。在一个每加仑水都至关重要的地区，这一差别意义重大。

　　国会应指示NIST为数据中心开发一项水资源生产率指标——衡量单位取水量的计算产出——并要求在EPA划定的水资源紧张区域内运营的设施据此进行报告。这将为尚无法过渡至低取水冷却的运营商确立问责机制，同时激励他们最大化所消耗的每一加仑水的价值。

　　政策制定者应转变观念，将数据中心热量从需要设法消除的废品，视为可供收获的社区资产。高密度AI集群对此尤为适合，因为液冷系统所产生的热能流比传统风冷设施更为集中、稳定。

　　都柏林理工大学塔拉校区与邻近亚马逊云科技（AWS）数据中心的合作，为这种协同效应提供了蓝图。AWS数据中心的多余热量通过其水基冷却系统被收集起来，该系统产生一股持续稳定的温水。随后，这些水通过隔热的区域供热管道被泵送至塔拉校区，热交换器将能量传递至该校现有的宿舍和教学楼供暖系统。该系统如今已承担该校大部分的供暖需求。

　　诸如此类的安排创造了一种良性循环。对数据中心运营商而言，输出热量降低了冷却需求与运营成本。对社区和机构而言，为本地宿舍、医院或温室供暖，降低了它们对化石燃料锅炉的依赖并减少了能源开支。在系统层面，热量再利用将AI基础设施从地方性负担转变为共享资产。这样的机遇在阿巴拉契亚等地区尤为显著，一份2026年的报告发现，数据中心的余热足可为整座城镇供暖、通过社区温室供应新鲜农产品，并支持在退役的燃煤电厂原址上进行产业协同布局。

　　因此，政策制定者应通过减少阻碍大规模热量再利用的实际障碍，支持将数据中心整合至区域供热网络。在许多情况下，挑战并非技术可行性，而是协调问题与前期成本问题。将余热输送至场外需要基础设施——如捕获热能的热交换器、输送热水的水泵以及将其递送至邻近楼宇的隔热管道——而单个项目往往难以独自筹资或获得许可。

　　政府可通过协助覆盖这些前期基础设施成本，简化热量输送至数据中心围栏之外所需管道与设备的许可流程，发挥催化作用。同样重要的是，政策制定者可以明确回收热量的监管待遇，使运营商和本地机构能够签订长期协议，而无需担忧热量传输是否会触发公用事业式监管、转售限制或新的合规义务。

　　政策制定者还应要求围绕热量再利用增强透明度与规划。作为选址与环境审查流程的一部分，可要求新建大型数据中心评估附近的校园、医院、住宅开发项目或工业设施是否能够切实利用回收热量。标准化的评估与缔约方式，将使社区围绕这一资源进行规划变得更为容易，也让运营商能够从一开始便将热量再利用纳入设施设计。

　　数据中心已成为公众对AI经济焦虑情绪的避雷针。但其带来的风险——从居民电费上涨到电网不稳定，再到地方水资源压力——并非AI技术本身所固有。它们是基础设施系统仍在模拟时代规则下运行的必然结果。当今的摩擦源于：仅追踪原始电力和水资源投入却忽视产出效率的衡量框架；将峰值成本社会化而非予以明确价格信号的市场设计；以及将行政流程拥塞误认为物理资源稀缺的规划流程。

　　美国所面临的选择并非在技术增长与环境治理之间二选一。若政策框架得当，AI基础设施能够强化而非加重电网负担，稳定而非推高电价，并将热量和灵活需求转化为系统资产。正确处理好数据中心的问题并非是要给AI设限，而是要更新那些主导能源、水资源及基础设施绩效如何在数字经济中被衡量、定价与管理的制度体系。