人工智能通常被视为一场软件革命。但是，这些数字告诉我们一个更实际的故事。
人工智能不是抽象的。它在数据中心内运行。这些数据中心需要电力、水、冷却系统、芯片、土地、变电站、变压器、光纤连接、备用电源和熟练工人。随着人工智能从实验走向全球应用，这些物理要求正成为该技术最大的制约因素之一。
问题不在于人工智能在理论上能否扩展。问题在于，在实践中，世界能否建设足够的基础设施来支持人工智能。
根据国际能源机构的数据，2024 年全球数据中心的耗电量约为 415 太瓦时，约等于全球总耗电量的 1.5%。根据国际能源署的基本预测，到 2030 年，这一数字将翻一番多，达到约 945 太瓦时，略低于全球电力需求总量的 3%。这意味着在 2024 年至 2030 年期间，数据中心的用电量预计将以每年 15% 左右的速度增长，比其他行业的总体用电量增长速度快四倍多。
这些数字揭示了一个核心问题：人工智能不仅是一种数字技术，它正在成为实体基础设施的重大挑战。它正在成为一项重大的实体基础设施挑战。
首先要了解的数字是 415 太瓦时。
这是国际能源署对 2024 年全球数据中心耗电量的估计。从这个角度来看，在全球全面实施人工智能之前，数据中心已经消耗了全球约 1.5% 的电力。
这很重要，因为人工智能热潮是在现有数字基础设施的基础上兴起的。云计算、流媒体、企业软件、金融系统、电子商务、在线广告和社交媒体已经需要大型数据中心网络。人工智能增加了一个新的、更加密集的需求层。
传统的数据中心工作负载已经相当可观，但人工智能工作负载则不同。它们需要高性能 GPU、密集的服务器集群、先进的网络和更强大的冷却系统。这意味着人工智能不仅仅是增加服务器数量那么简单。它改变了所需基础设施的类型。
关键的一点是，人工智能的起点很高。世界并没有从零开始发展人工智能基础设施。而是将人工智能添加到已经能源密集型的数字经济中。
根据国际能源署的预测，到 2030 年，全球数据中心的基本用电量将达到约 945 太瓦时。这是 2024 年水平的两倍多。
这是人工智能基础设施辩论中最重要的数字之一。
从 415 太瓦时增加到 945 太瓦时，意味着在短短六年内增加了约 530 太瓦时。这一额外需求超过了许多国家的年用电总量。
这些数字也解释了为什么政府、公用事业和能源公司越来越多地参与人工智能战略。人工智能的扩张不再仅仅是技术公司的问题。它也是电力市场、电网规划者和国家能源政策面临的问题。
挑战不仅在于总消耗量。挑战还在于速度。数据中心耗电量的年增长率为 15%，这对于一个基础设施密集型行业来说是非常快的。电网、变电站、输电线路和发电资产并不是以软件的速度建造的。
这就形成了人工智能的主要物理障碍之一：需求的增长速度可能超过基础设施的响应速度。
根据国际能源机构（IEA）的基本情况，到 2030 年，数据中心的用电量将占全球用电量的 3% 以下。
乍听之下，3% 的比例可能并不惊人。但这一全球比例可能会产生误导，原因有三。
首先，数据中心需求高度集中。人工智能基础设施在全球的分布并不均匀。它往往聚集在主要的云区域、光纤线路、能源枢纽、金融中心和技术市场周围。
其次，数据中心需要可靠、持续的电力。大型人工智能设施不能依赖断断续续或不确定的电力供应。它需要稳定的容量、高正常运行时间和稳定的电网连接。
第三，即使全球电力份额保持适度，地方电网也可能面临压力。全国或全球平均水平掩盖了地方瓶颈。一个地区可能在纸面上有足够的电力，但缺乏连接新的人工智能数据中心园区所需的输电能力、变电站或变压器。
这就是为什么数据中心能源辩论不应只关注全球比例。更重要的问题是，是否能在正确的时间向正确的地点提供正确的电力。
美国是数据中心电力需求增长速度最快的国家之一。
据美国能源部支持的劳伦斯伯克利国家实验室报告估计，2023 年美国数据中心的耗电量将达到 176 太瓦时。这约占美国总耗电量的 4.4%。
报告还估计，到 2028 年，美国数据中心的用电量将增至 325 太瓦时至 580 太瓦时。这将占美国总耗电量的 6.7% 到 12.0%。
这个范围很重要，因为它显示了未来的不确定性。估计的下限和上限取决于人工智能的采用、服务器出货量、硬件效率、冷却选择和利用率等因素。
但即使是预测的下限也很重要。从 2023 年的 176 太瓦时增加到 2028 年的 325 太瓦时，这意味着在短短五年内就会出现大幅增长。580 太瓦时的预测上限意味着美国电力需求将发生更为巨大的转变。
这就是为什么人工智能基础设施已成为美国的一个战略问题。它影响着电网规划、发电、企业能源采购、环境政策和地区发展。
美国预测的 2028 年 325 太瓦时至 580 太瓦时的范围不应被视为单一的保证结果。这是一个情景范围。
这种区别很重要。
人工智能的能源需求难以预测，因为有几种力量同时作用。人工智能服务需求的增长速度可能超过预期。硬件可能变得更高效。模型可能变得更小、更专业。推理可能会变得更便宜。另一方面，人工智能可能会嵌入几乎所有数字工作流程，从而产生更高的需求。
这一广泛的范围表明，人工智能基础设施的未来仍然是开放的。但这也表明，即使是保守的设想也需要认真规划。
如果较低的情景得以实现，美国仍然需要对电力基础设施进行大量投资。如果上部情景实现，美国将面临更大的能源规划挑战。
安全的结论并不是一个确切的数字会发生。安全的结论是，人工智能已使数据中心的电力需求变得不可忽视。
人工智能的物理挑战不仅涉及总用电量，还涉及功率密度。它还与功率密度有关。
国际能源机构（IEA）报告称，2020 年至 2025 年间，人工智能服务器的功率密度增加了 11 倍。到 2027 年，功率密度还将增加四倍。
这是人工智能基础设施中最重要的技术限制之一。
传统的数据中心可能有足够的物理空间，但每个机架却没有足够的电力和冷却能力。人工智能服务器将巨大的计算能力集中在一个小区域内。这会产生大量的局部热量，需要更先进的电力和冷却系统。
国际能源机构（IEA）还指出，到 2027 年，先进数据中心中单个服务器机架的峰值电力需求可能相当于 65 个家庭。
这个数字说明了为什么人工智能数据中心不同于旧设施。我们面临的挑战不仅仅是建造更多平方米的数据中心空间。而是建设能够支持极高密度计算环境的设施。
实际上，这意味着变压器、电力电子设备、冷却系统、备用电源和设施设计面临更大压力。
一个人工智能机架的峰值功率相当于 65 个家庭的用电量，这一图像有助于解释冷却问题。
服务器使用的每瓦电力最终都会变成热量。集中在每个机架上的功率越大，就越难安全高效地散热。
冷却已经占据了数据中心能源使用的很大份额。国际能源机构（IEA）指出，在高效的超大规模数据中心，冷却能耗约占用电量的 7%，而在效率较低的企业数据中心，冷却能耗占用电量的 30% 以上。
人工智能通过改变设施的热曲线增加了冷却的重要性。高密度 GPU 集群通常需要液体冷却、直接芯片冷却或其他先进的热管理系统。
这造成了几种后果：
人工智能的规模越大，数据中心就越成为一个热能工程挑战。
用于冷却的电力从 7% 到 30% 以上不等，这说明了设施设计的重要性。
高效的超大规模数据中心可以通过先进的设计、更好的气流、液体冷却、气候感知选址和运营优化来减少冷却份额。效率较低的设施可能需要花费更多的电力来消除热量。
这对人工智能至关重要，因为冷却效率低下会成倍增加能源负担。如果计算需求迅速增长，而冷却系统效率低下，那么总耗电量就会增长得更快。
然而，冷却优化并非一蹴而就。减少用电量的系统可能需要更多的水。减少用水的系统可能会消耗更多电力。气候凉爽的设施可能需要更少的冷却，但仍可能面临电网或连接限制。
这就是为什么人工智能的可持续发展不能仅通过一个数字来判断。电力、水、碳强度和地理位置都很重要。
对于人工智能数据中心来说，水正成为政治上最敏感的物理限制因素之一。
原因很简单：数据中心通常需要水来冷却，尤其是在使用蒸发系统时。耗水量因地点、设计、气候和冷却技术的不同而有很大差异。
联合国大学的研究人员警告说，人工智能基础设施不仅会对电力系统造成压力，还会对水、土地和电子垃圾系统造成压力。路透社最近一篇关于联合国大学研究的报道称，由于人工智能需求的增长，到 2030 年，数据中心的耗电量和耗水量可能会翻一番。
水资源问题具有高度地方性。位于水资源丰富地区的数据中心与位于干旱或水资源紧张地区的设施所面临的风险不同。这就是为什么即使公司声称已经在全球可持续发展方面取得了进展，也会出现公众反对的原因。
对于社区而言，问题不仅在于数据中心是否高效。问题在于当地的水资源是否被用于支持全球人工智能服务。
这是人工智能物理特性最明显的例子之一。数字服务会造成非常真实的本地资源冲突。
人工智能基础设施也带来了电子垃圾挑战。
联合国大学的研究人员警告说，到 2030 年，人工智能基础设施每年可能产生多达 250 万吨的电子垃圾。
这很重要，因为人工智能硬件发展迅速。图形处理器、服务器、网络设备、电池、冷却系统和电源组件可能会随着新一代产品变得更高效或更强大而频繁更换。
因此，人工智能对环境的影响不仅限于运行期间的用电量。它还包括硬件的制造、运输、更换和处置。
这就产生了一个生命周期问题。
随着时间的推移，一种模式可能会变得更加高效，但如果支持这种模式的基础设施需要快速的硬件更新，环境负担就不会消失。它转向供应链、采矿、制造和废物处理。
因此，负责任的人工智能基础设施必须包括循环利用、再利用、材料回收和更长的硬件生命周期规划。
提出物理限制的不仅仅是环保组织或外部批评者。数据中心运营商自己也在报告这些问题。
美国正常运行时间协会（Uptime Institute）的《2025 年全球数据中心调查》基于 800 多名数据中心所有者和运营商的反馈，强调了成本上升、电力限制恶化、人工智能密度挑战、人员配置问题、供应链延误和技术不确定性。
这一点很重要，因为它表明瓶颈在于操作而非理论。
运营商在确保电力供应、升级设施、招聘员工、管理供应链和适应人工智能工作负载方面面临着实际限制。该行业具有韧性，但也面临压力。
这就是为什么人工智能的实施可能比炒作的速度更慢或更不均衡的另一个原因。对人工智能的需求可能会迅速增长，但提供人工智能所需的基础设施却依赖于速度较慢的物理系统。
金融行业的预测也表明，数据中心的电力需求将大幅增长。
高盛研究公司预测，到 2030 年，全球数据中心的电力需求将比 2023 年增长约 165%。
这类预测应与国际能源机构或能源部支持的估算区别对待。它是一种市场前景，而不是公共机构的基线。但它仍然有用，因为它表明能源需求增长现在是投资者对人工智能预期的核心。
多个信息来源的发展方向是一致的：人工智能正在增加对数据中心容量的需求，而这种容量需要大量电力。
具体数字可能因方法而异。趋势很明显。
人工智能的物理墙不仅限于能源和水。人工智能还依赖于专用硬件。
先进的人工智能系统需要 GPU、人工智能加速器、高带宽内存、网络设备、光学元件、电力电子器件和先进封装。这些供应链既复杂又集中。
其中任何一个组成部分的短缺都会减缓部署速度。
这就是为什么人工智能基础设施容易受到半导体供应限制、出口管制、制造瓶颈、地缘政治紧张局势以及先进存储器和封装能力竞争的影响。
关键问题在于，软件需求几乎可以瞬间扩展，但芯片供应却不能。半导体制造需要多年的规划、巨大的资本投资和高度专业化的生产能力。
因此，人工智能的全球实施不仅取决于模型开发，还取决于制造和交付运行这些模型所需的硬件的实际能力。
人工智能也需要土地。大型数据中心园区需要服务器大厅、冷却系统、变电站、备用发电机、电池、安全边界、通道，有时还需要邻近的能源基础设施。
这给合适的土地、电网接入和连接重叠的地区带来了压力。最好的数据中心地点不仅仅是空地。它们必须将电力供应、光纤接入、监管审批、水或冷却资源、施工能力和政治认可度结合起来。
这就是地方阻力可能成为障碍的原因。社区可能会质疑数据中心是否耗电或耗水过多，是否能创造足够的长期就业机会，是否会增加当地的能源成本，或是否会对公共基础设施造成过大压力。
这意味着人工智能公司需要的不仅仅是技术能力。它们需要建立社会许可。
这些数字指向一个结论：人工智能的增长正在变成物理增长。
到 2027 年，一个先进的人工智能机架可消耗相当于 65 个家庭的峰值电力。
在高效的超大规模设施中，冷却能耗约占用电量的 7%，而在效率较低的企业数据中心中，冷却能耗则超过 30%。
到 2030 年，人工智能基础设施每年可能产生多达 250 万吨的电子垃圾。
这些数字表明，人工智能不再仅仅是一场模型竞赛。它是一场基础设施竞赛。
这些数据表明，人工智能在全球的应用将受到六个物理瓶颈的影响。首先是电力。人工智能需要大量可靠的电力。
其次是电网容量。电力必须输送到特定地点，而不仅仅是在系统中的某个地方产生。第三是冷却。更高的功率密度会产生更多热量，需要更先进的热管理。
第四是水。冷却的选择会造成当地水资源紧张和政治反对。第五是硬件。人工智能依赖于复杂的半导体和组件供应链。
第六是土地和许可。数据中心需要物理空间、公众认可和监管审批。这些瓶颈并不意味着人工智能将停止增长。它们意味着人工智能的发展将比许多早期预期的更不平衡、更昂贵、更依赖于基础设施规划。
人工智能给人的感觉是数字化的，因为用户是通过软件来体验它的。但它的基础是工业。它依靠电力运行。它依赖芯片。它产生热量。它可能消耗水。它需要土地。产生硬件废料。它需要电网、冷却系统、光纤网络、变压器、变电站和熟练工人。
因此，人工智能的核心问题正在发生变化。第一个问题是人工智能能否变得足够智能，从而改变商业和社会？下一个问题是：物理世界能否在全球范围内支持人工智能？
答案不仅取决于更好的模型，还取决于能源系统、数据中心设计、芯片制造、冷却技术、水资源管理、监管和公众信任。
人工智能可能是本十年的决定性数字技术，但其局限性也越来越多地体现在物理层面。
