编者按：本文来自微信公众号 来源：刘润（runliu-pub），作者：海盐，编辑：歌平，创业邦经授权发布。

AI的新闻我们天天见，看到的几乎都是好的一面。怎么怎么提效，怎么怎么厉害。可如果，我们稍微抬个杠，试问，AI有没有“负面新闻”呢？

当然有，而且是“大负面”。比如，AI对环境的破坏。

前不久，我看到了微软的《环境可持续发展报告》，里面有个数据让人意外。

因为AI带来的增长，相较5年前，微软碳排放量上升了23.4%，能源消耗更是增加了168%。

我经常看到很多人讨论AI对环境的破坏，很多人都知道AI耗电大、用水多。但具体能耗有多大，一直没有实感。

而这一期的《麦肯锡季刊》也告诉我们，“AI影响环境”这个话题，正变得越来越严峻。很快，还将影响我们的钱包、我们的生活，以及未来。

所以，我找来几篇非常专业的论文，做了些研究。今天，想把我的收获，尽可能地分享给你。

就让我们从那个最基础的问题开始吧。

AI真的在影响环境吗？

是的。

AI最大的两个特点，是“耗电大”，和“喝水多”。按照现在的趋势，到2035年，全球AI数据中心耗电量，将达到美国2023年用电量的一半。到2027年，用水量将超过英国全年用水量的一半。

它的胃口，大的吓人。接下来，我们一个个看。

先来看“耗电”。

国际能源署（IEA）在《2024-2026电力分析和预测》这篇报告里说，许多年来，全球电力需求一直保持稳定，但近年来出现激增，预计到2050年还将持续上升。

为什么会这样？IEA直接点名：数字经济，和AI。

他们放了这样一张图。比较了传统数据中心、AI专用数据中心和加密货币的电力需求估算。左右两根柱子，分别表示2022年和2026年。

你看，短短四年，2026年的传统数据中心的用电量，就比2022年多了近一倍。而且，还有一个仿佛凭空出现的AI专用数据中心。

也许是怕不够直观，IEA还做了另一张图。在《能源与人工智能2025》报告【2024（2025）】里，预测了未来10年AI数据中心到底会花多少电。

你看，四条不同颜色的曲线，代表IEA预测的四种“未来”。

如果什么都不动，顺其自然，就是深蓝色。如果AI高速爆发，不差钱，也不差电，就是橙色。如果AI又强又省电，就是绿色。如果经济不好，拖了AI的后腿，就是蓝色。

到2035年，四种未来的耗电量天差地别。橙色最高，将近1.8万亿度，相当于美国2023年用电量的一半。蓝色最低，大概7000亿度电，接近日本2023年全年用电量。

一句话总结：AI发展是大势，耗电增长是必然。但未来会成为半个美国，还是接近一个日本，这张图的分岔路口，现在就摆在我们眼前。

再看“用水”。

我们每次向DeepSeek、ChatGPT这些AI提问，对应的就是一次运算，服务器会高速运转，机箱热得烫手。比如一个英伟达H100的GPU，功率是700到800W。一台服务器会有8到16个这样的GPU，再加上CPU、内存、存储，总功率超过10kW。运转一小时，产生的热量是36兆焦。

你能想象这是什么概念吗？

理论上，这样一台服务器能在几分钟内把一个50平的房间，气温升高600度。当然，现实中空气是流动的，热量会通过开窗、墙面等方式散发掉。所以，不可能达到这样的高温。但这也说明，服务器产生的热量，非常非常大。

那该怎么办？

降温的手段无非两种，风冷和水冷。相较之下，水的比热容大约是空气的4000倍。也就是说，水冷的效率比空气高得多的多。所以，像微软、谷歌那些大公司，全都用大量的水来散热。比如，谷歌的一个中型数据中心，一天的用水量，相当于1000个家庭的年用水量。比如，你和ChatGPT聊上10到50个回合，用掉的可能是一瓶500毫升的矿泉水。

怎么个用法？我从网上找了一张图。

这种叫“浸没式液冷”，就是把服务器泡在特制的不导电液体里，从而不断带走热量。除此之外，还有间接液冷、喷淋式液冷等冷却技术。

这时候，也许你会冒出另一个问题。既然只是泡着，那为什么还说用水多？我用两缸水，循环用不就好了吗？

理论上来说，循环冷却水确实可以。但现实里真正做起来，很难实现。为什么呢？

举个例子，我想请你回想一下，夏天的时候，如果突然吹来一阵风，你会觉得非常凉快。这就是因为汗水蒸发带走了大量的热量。而数据中心也是相似的原理。它内部有一套封闭的水循环系统，热水流向冷却塔，冷水流向服务器。这个过程不耗水，耗水的地方在冷却塔里。这时候，热水发生蒸发，就像吹一阵风，让剩下的水快速降温。这就是数据中心最耗水的地方。

与此同时，水蒸发后，会出现两种情况。第一，水量减少，第二，形成水垢。前者会影响冷却效率，后者会阻塞管道。所以呢，就必须定期换掉这些“老水”，补上“新水”。这又是一大消耗。

所以，数据中心之所以用水多，本质上是为了追求极致的散热效率，而必须付出的代价。“蒸发”和“排污”，是冷却过程里最核心的部分。

总的来说，有AI的地方，就在大量地“用水”。

那么问题来了，用电和用水，怎么就影响环境了呢？

答案是，AI从被制造出来，到退休报废，每一秒钟都在影响环境。

源头：一块“剧毒”的芯片

想算清这笔账，要用上AI的“生命周期评估”。

如果从源头看起，你会发现制作那颗，作为AI“大脑”的芯片，就要消耗几百克原材料，用掉至少30升自来水，排0.5公斤的碳，以及其他温室气体。而这，还只是你手机里那一颗小小的芯片。

我们先来看下面这张图。

X轴是生命周期阶段排放占比，Y轴是不同代的AI硬件。

你看，从制造芯片，到训练推理，再到投入运营，再到退休废弃。AI生命周期的每个环节，都在不停地影响环境。

我们先看左边，蓝色部分代表AI生命周期第一阶段，也就是“制造”。

AI对环境的破坏，在正式运行之前就开始了。这笔账，要算在“AI硬件”制造的头上。

AI硬件的核心，是半导体芯片。制作一块芯片，要消耗大量的原材料和超纯水。

假如生产一台2公斤的计算机，要消耗800公斤原料，这些原料包括硅、铜、各种金属和稀土元素等等。而且采矿，就会破坏地表植被，造成水土流失等问题。

还有水。从晶圆清洗，到蚀刻后的冲洗，芯片制造的几乎每一步，都离不开“超纯水”。你可以把它看作水里的“爱马仕”，生产过程效率低且损耗大。假如生产3800升的超纯水，大约要消耗6000升左右的自来水。而一座大型半导体制造厂每天的耗水量，大概要1800万吨。这什么概念？相当于一座6万人城市一周的用水量。

除了消耗，还有排放。

光是集成电路的生产，每年就要排放大概1.85亿吨二氧化碳。相当于4000万辆车，跑一年不熄火。

更可怕的，是那些比二氧化碳严重几万倍的“温室气体”。比如全氟化碳（PFCs，如CF4、C2F6）、六氟化硫（SF6）和三氟化氮（NF3）等。像六氟化硫（SF6），它造成的温室效应，就是二氧化碳的23900倍。

粗略算下这笔账，只做一块还没指甲盖大的芯片，要“吃掉”几百克原材料，“喝掉”至少30升自来水，中间会排0.5公斤的碳。这相当于给手机充电一整年的碳排放。更不用说还有很多其他温室气体。

所以你看，光是做一个芯片，AI就欠下了巨大的环境债。

当芯片做好了，这颗“大脑”，要被组装到印刷电路板（PCB）上，跟内存、电源等很多组件集成服务器这副“身体”。这个过程，带来了新的问题。

首先，是碳排放。生产一平方米的PCB，会排放60至70公斤的二氧化碳。而且制作时用的电，还是化石燃料提供的。

其次，材料有毒。传统的PCB基板材料，含有一种玻璃纤维和环氧树脂的复合材料，叫FR-4。生产焊接过程中使用的焊料，含有铅、溴化阻燃剂等有毒物质。不光对环境，还可能对工人产生危害。

简单来说，就是生产你手机那么大的主板，排的碳，差不多相当于你同时烧了40张A4纸，或是点了650根生日蜡烛。

好，现在我们知道制造过程很有害了。那到底严重到什么地步呢？

我们来看一张图。这是对英伟达A100 GPU的分析，分别用四种颜色标记出GPU的四个生命周期阶段（制造、分销、使用和淘汰），展示16种环境影响。

你看，16种影响中有11种，都是“使用阶段”造成的环境影响更大。但是，制造阶段的“毒性”大的可怕。99%的癌症影响，85%的矿物和金属资源枯竭，37%的淡水生态毒性。

所以，到这里，还只是做个芯片，组装而已，就又排碳又放毒的。距离用上AI，还有很长一段路要走。这也是下一步，运输。

运输：一张为“速度”买单的“碳”账单

在运输时，绝大部分科技公司为了“快”，完全不在乎多排放几十倍的碳。

做个假设。现在一个封装好芯片的AI服务器，要从台积电运往美国加州部署。要运过去，无非海运或空运。不同运法，对环境造成的影响也截然不同。

论文里拿出了两种运输方式的比较数据。同样一吨货物运输一公里，海运排放10到40克二氧化碳，空运排放500到600克二氧化碳。

这意味着，空运产生的碳排放，会是海运的47倍之多。

根据统计，全世界超过80%的货物是海运完成。那么，可能你会有这样一个问题：既然想环保，AI硬件这样的电子产品全走海运不就行了？

答案是：不行。

因为AI硬件价值高，迭代快。只有空运，才能满足科技产业“即时化”供应链的需求。简单来说，就是企业宁可为了早几天“上架”，多几十倍碳排放。

这也是AI制造供应链里，一个残酷的现实：

企业为速度付出的代价，不只是更多的运费，更是一笔“碳排放账单”。每一次空运，都是在加重AI的环境负债。

对我们这些消费者来说，AI的硬件制造和运输环节，我们几乎看不见。真正熟悉的，还是运营阶段。

运营：一个日常生活中的“无底洞”

在AI的运营阶段，能耗比能占到整个生命周期的90%。而且能源需求，呈指数级增长。

怎么理解呢？我们再看回AI生命周期里，能耗占比最长的部分（紫色+白色）。

这个阶段是“日常运营”，主要分为模型训练和模型推理两部分。显然，无论哪一代AI，都在这个阶段产生非常大的能耗。

能耗到底有多大？

如果把全球数据中心看做一个国家，那么，在2022年，用电量在全世界能排第11位，介于沙特阿拉伯和法国之间。根据麻省理工的预测，到2026年，能排到第五，介于日本和俄罗斯之间。

那么，到底什么地方能耗这么大呢？

先看训练阶段。在这个阶段，要喂给AI大量的数据，来构建和优化大语言模型。说白了，就是给它喂饭，喂的多吃的多，长得也就又快又高又壮。对应的，能耗也非常高。

举个例子，Open AI光训练GPT-3这个模式，就消耗了约1287兆瓦时的电力，产生了大约552吨二氧化碳。这就相当于一个人坐飞机，在纽约和旧金山之间往返几百次。也相当于一个普通美国人，一辈子呼吸产生的二氧化碳的两倍。

不过，这里面有一个巨大的问题：训练模型需要的计算能力大概每3、4个月就会翻一倍。这就意味着，每一代新AI模型，会“更饿”，能源需求也会指数级增长。

相比之下，推理阶段产生的能耗持续时间更长。

这时候，训练好的模型已经能给用户使用。一次问答的能耗，可能微乎其微。比如，问一次ChatGPT的能耗，是传统谷歌搜索的10倍。比如，问一次Gemini要排放0.03克二氧化碳，消耗0.26毫升的水。可如果把这些每天乘以数十亿，那最终的数字，恐怕大得吓人。

按估计，推理阶段的能耗，能占到AI生命周期总能耗的60%至90%。

除了用电，AI运营也非常耗水。不光是冷却数据中心要用到水，还有发电用的水。下面这张图，就是截至2023年8月，欧洲国家能源相关用水量占全年总用水量的比重图。浅蓝色是能源用水，深蓝色是冷却用水。

你看，仅仅是为了发电、为了冷却，大量的水就这么没了。

有预测，到2027年，全世界AI需求的用水量，可能达到每年42亿到66亿立方米。什么概念呢？这超过了英国年用水量的一半，是丹麦年用水量的4到6倍。

可能你发现了，这里面有一个恶性循环。AI越来越强大，功耗也越来越高，从而需要更多的水资源。同时，为了满足大量的用电需求，又会消耗大量的水。

所以，AI的发展，正同时对能源和水资源产生巨大压力。而这个压力，跟AI的能力成正比。

报废：一堆发烂发臭的“电子垃圾”

那，是不是等一代AI硬件淘汰，对环境的影响就没了呢？

好几篇论文研究显示，在AI生命周期的最后阶段，那堆“电子垃圾”，很可能毒性最强、影响最久。

再看这张图。能看到最右边几乎看不见的红色部分吗？那就是AI硬件变成了电子垃圾。

2022年，全球有6200万吨电子垃圾。而AI的发展，正在加速这个过程。现在这个数字正以每年260万吨的速度增加。

因为，AI时代的硬件，最大特点就是“更新速度快，生命周期短”。

传统IT硬件的更新周期，通常是3到5年。但是，AI对计算性能要求太高，所以硬件更新周期也被不断压缩。如今只要一年半左右，上一代AI硬件就变成“老古董”。

与此同时，数据中心也加快了硬件更新周期。有过调查，47%的数据中心，每1至3年就会更换服务器系统。只有28%的数据中心，每4至5年更新。并不是因为坏了而淘汰，而是因为性能跟不上。

换句话说，这些硬件淘汰不是因为报废，而是因为过时。

讽刺的是，整个行业一边疯狂制造“垃圾”，一边又处理不好这些“垃圾”。12%的数据中心，完全不做电子垃圾回收。大约43%的数据中心，压根没考虑这事。

这也就是说，绝大部分数据中心处理电子垃圾的方式，仅仅是直接扔掉。

直接扔掉，难道没问题吗？有，而且后果很严重。

一方面，很多有毒有害物质。

比如电路板和焊料里的铅、镉等重金属，对人体有害。比如塑料外壳里的溴化阻燃剂（BFRs），可能致癌。比如冷却系统和电缆里的PFAS（永久化学品）等等。

另一方面，长期环境污染。

如果直接填埋，有害化学物质会通过雨水渗入土壤和地下水，形成长期土壤和水源污染。如果焚烧，则会排放有剧毒的二噁英和呋喃等气体。甚至，可能会被出口到法律宽松的发展中国家，给当地带来严重的污染，造成铅中毒、呼吸道疾病等。

比如加纳的阿博布罗西，过去是一片湿地，如今因为电子垃圾成为世界上污染最严重的地方之一。

图片来源：网络

看到这，恍然大悟。电子垃圾，根本不是AI发展里偶然的产物，而是这个商业模式的必然结果。

换句话说，只要AI发展不停，对更强模型的研发不停，那么硬件的生命周期只会继续缩短，加速淘汰。

最后的话

呼。说完了。现在，再让我们回头看那个问题，AI真的在影响环境吗？

我想，你心里的答案，或许已经非常清楚。

从硬件生产，到中间的组装，到后来的训练推理，再到最后报废变成电子垃圾。几乎AI发展的每一步，都在消耗大量的电和水，同时还有大量的碳排放、空气污染、水污染等等。

最新的麦肯锡季刊中有个观点，让我印象很深：

我们寄希望AI解决能源、气候问题，但AI本身就是用水用电的大户。它是“解药”，也是“毒药”。

显然，这是一个悖论，但它也是实实在在摆在我们面前的一个大问题。

今天，我尽可能地带大家透彻了解，AI到底对环境造成哪些影响。这并不是说，AI都这么坏了，赶紧停了吧。而是想说，既然要解决问题，就要先知道问题是什么。

我之前常说，技术的问题要交给技术去解决。所以，解决AI带来的环境问题，还是要靠AI。

但是，这不是意味着我们都可以当甩手掌柜，把责任全都推给未来的技术。至少，我们要清楚，享受AI带来的便利的同时，背后有着沉重的环境代价。

毕竟，真正生活在这颗星球上的，不是AI，而是我们每个人。

参考资料：

1、McKinsey Quarterly：Our FUTURE on the PLANET 2025 #3

2、AI and the Net-Zero Journey: Energy Demand, Emissions, and the Potential for Transition

3、AI Is Eating Hardware and It’s Feeding a Growing E-Waste Crisis

4、Life-Cycle Emissions of AI Hardware: A Cradle-To-Grave Approach and Generational Trends

5、Environmental and Community Impacts of Large Data Centers

6、Electricity 2024-Analysis and forecast to 2026

7、The Carbon Footprint of PCBs: How Recyclable Materials Can Make a Difference

8、More than Carbon: Cradle-to-Grave environmental impacts of GenAI training on the Nvidia A100 GPU

9、Gone with the clouds: Estimating the electricity and water footprint of digital data services in Europe.

10、Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models

本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系editor@cyzone.cn。