# 绿色 AI 的托管与数据中心

> 如何选择 AI 的运行地点：电网碳强度、PUE 与 WUE、可再生能源声明、用水和选址，并附上可向托管服务商提出的问题。

Source: https://greenai.guide/zh/良好实践/绿色-ai-的托管与数据中心/  
Updated: 2026-11-19

## 简而言之

AI 在哪里运行，可能和它如何运行同样重要。请选择电力低碳的地区，向托管服务商索取 PUE、WUE 和基于位置的碳排放数据，而不只是听取可再生能源声明；同时请记住，干净的数据中心并不能让浪费资源的软件变得高效。

## 要点

- 国际能源署（IEA）估计，2024 年数据中心用电约 415 TWh，约占全球用电量的 1.5%，并预计到 2030 年将达到约 945 TWh。
- 电网碳强度因国家、地区和时段而异，因此同样的工作在不同地点和时间运行，碳成本也不同。
- PUE 衡量的是建筑的额外能耗，而不是有用的工作；Uptime Institute 2025 年的调查显示平均值为 1.54，六年来几乎没有变化。
- 基于证书的可再生能源声明并不会改变实际电网；请同时索取基于位置的数据。
- 水很重要：请索取 WUE，并问清它是否包括为场地发电所用的水。

## 为什么 AI 在哪里运行很重要？ {#why-does-where-ai-runs-matter}

**因为同样的计算，取决于数据中心及其背后的电力，其碳排放、用水和对电网的影响可能截然不同。** Patterson 等人发现，数据中心、处理器和模型的选择加在一起，可使训练的碳足迹相差约 100 至 1,000 倍。

规模还在扩大。国际能源署（IEA）估计，2024 年数据中心用电约 415 TWh，约占全球用电量的 1.5%；在其基准情景中，这一数字到 2030 年将大致翻倍，达到约 945 TWh，而 AI 是最大的推动因素。

## 如何比较电网碳强度？ {#how-do-i-compare-grid-carbon-intensity}

**查一查每个候选地区在您的工作运行时段的电网碳强度。** 碳强度以每千瓦时的克二氧化碳当量（gCO₂e/kWh）计量，取决于发电结构：水电、核电、风电和太阳能较低，煤电和气电较高。它因国家而异，因一国内部的地区而异，也逐小时变化。

- **数据来源：** Electricity Maps 覆盖许多国家；在大不列颠，National Energy System Operator 的 Carbon Intensity API 提供 14 个地区的预测。
- **为您的软件做决策时，请使用基于位置的数据。** Green Software Foundation 的 SCI 规范使用基于位置的电网强度，不计入证书和抵消。
- **匹配时间。** 年平均值掩盖了有风的夜晚与无风的冬季傍晚之间的差别。灵活的任务可以挪到更清洁的时段；参见[高效训练与推理](/zh/良好实践/高效的-ai-训练与推理/)。

## PUE、WUE 等指标能告诉我什么？ {#what-do-pue-wue-and-other-metrics-tell-me}

**每个指标只回答一个狭窄的问题；请索取多个指标，并了解每个指标遗漏了什么。**

| 指标 | 衡量内容 | 无法告诉您的 |
|---|---|---|
| [PUE](/zh/术语表/#pue)（电能使用效率） | 设施总能耗 ÷ IT 设备能耗；1.0 为最小值 | 服务器是否在做有用的工作；碳排放；用水 |
| WUE（水使用效率） | 每千瓦时 IT 能耗所用的水（升）；分为“场地”或“来源”（包括发电所用的水） | 当地的水资源压力 |
| CUE（碳使用效率） | 每千瓦时 IT 能耗的碳排放 | 软件的效率 |
| ERE / ERF（能源再利用） | 余热再利用的收益 | 若并入 PUE，则什么也说明不了 |
| 服务器利用率 | IT 设备的繁忙程度 | 碳强度 |

两点提醒：

- **PUE 已停滞不前。** Uptime Institute 2025 年的调查报告的加权平均 PUE 为 1.54，这已是它几乎没有变化的第六年。而且，即使服务器几乎闲置，PUE 也可能看起来非常出色。
- **PUE 不可能低于 1.0。** 如果托管服务商因为再利用余热而声称其数值低于 1.0，请按 The Green Grid 的本意，要求其将余热再利用单独列为 ERE 或 ERF 数值。

在欧盟，根据第 2024/1364 号授权条例，安装 IT 功率至少 500 kW 的数据中心必须每年向一个欧洲数据库报告能耗、PUE、WUE、能源再利用和可再生能源数据。比较欧盟的托管服务商时，这些报告是很有用的来源。

## 我能相信“100% 可再生能源”的声明吗？ {#can-i-trust-100-renewable-claims}

**把它们当作起点，并问清是如何得出的。** 大多数声明基于按年匹配的证书或购电协议，而不是场地在某一时刻实际所用的电力。

- 《GHG Protocol》范围 2 指南区分**基于位置**的排放（按当地电网平均值计算）和**基于市场**的排放（反映合同和证书），并要求能够获得此类合同的公司同时报告两者。
- Green Web Foundation 建议买方向 AI 供应商索取这两个数据，因为两者可能相差很大。
- 请问清可再生能源供应是否具有**额外性**（否则不会存在的新增发电）、是否位于场地所用电网的**本地**，以及是否**按小时匹配**而非按年匹配。
- 清洁电力是有限的。在“绿色”托管上运行浪费资源的软件，仍然消耗了本可供他人使用的电力，也仍然需要硬件。绿色托管是对效率的补充，而不是替代。

## AI 用多少水？ {#how-much-water-does-ai-use}

**这在很大程度上取决于冷却设计、气候和电力来源，因此请按场地索取数据。**

- 谷歌报告，按其自身核算，2025 年其 Gemini 文本提示的中位数用水量为 0.26 毫升。
- Li 等人预计，2027 年全球 AI 需求可能占用 42 亿至 66 亿立方米的取水量，其中计入了场地冷却和发电所用的水。
- 水是本地资源。在缺水地区用掉一升水，比在水资源充足的地方用掉一升水影响更大。请问清场地位于何处、水从何而来。

## 新的 AI 算力应该建在哪里？ {#where-should-new-ai-capacity-go}

**建在清洁能源充足、水资源不稀缺且余热可以利用的地方。** 2026 年英国一场绿色 AI sandpit（研讨工作坊）汇集了数学家、计算机科学家和业界人士，讨论了把数据中心建在可再生电力因电网无法消纳而经常被弃用的地方，从而让富余能源得到利用而不是被浪费。选址还涉及电网容量、规划、当地社区和数据主权；参见[主权 AI 与可持续性](/zh/文章/主权-ai-与可持续性/)。

对于您自己的工作负载：

- 把对延迟不敏感的工作（训练、批量推理、评估）放在满足您法律和安全要求的最低碳地区；
- 把交互式服务部署在靠近用户的地方，在条件相当的地区中优先选择更清洁的那个；
- 把迁移大型数据集的能耗和成本考虑在内。

## 检查清单 {#checklist}

- [ ] 已比较候选地区的电网碳强度，尽可能按小时比较
- [ ] 已索取 PUE、WUE（场地和来源）、CUE 以及余热再利用数据
- [ ] 已同时索取基于位置和基于市场的排放数据
- [ ] 已核查可再生能源声明的额外性、本地性和按小时匹配情况
- [ ] 已考虑用水数据和当地水资源压力
- [ ] 已将灵活的工作负载安排在低碳地区和时段
- [ ] 无论托管多么绿色，效率改进工作都在继续

## 下一步做什么 {#what-to-do-next}

1. 列出您的 AI 工作负载目前在哪里运行，包括由供应商运行的部分。
2. 查一查每个地区的电网碳强度，并记下哪些任务可以迁移。
3. 把上述问题发给您的托管服务商；合同措辞请参考[可持续的 AI 采购](/zh/良好实践/可持续的-ai-采购/)。
4. 把电网碳强度放到您的运维仪表板上，与负载和成本并列。
5. 决定哪些在中心运行、哪些可以在本地运行；参见[边缘还是云端](/zh/良好实践/边缘还是云端-ai-应该在哪里运行/)。
6. 在把您的托管描述为绿色之前，请阅读[诚实的绿色声明](/zh/良好实践/关于-ai-的诚实环保声明/)。

## 常见问题

### 多少 PUE 算好？

PUE 等于设施总能耗除以 IT 设备能耗，因此 1.0 是理论最小值。Uptime Institute 2025 年的调查报告的行业平均值为 1.54。

### 数据中心使用 100% 可再生能源，是否意味着我的 AI 是零碳的？

不一定。这类声明通常基于按年计算的证书或合同。在任一时刻，场地仍从当地电网取电，因此请索取基于位置的排放数据，最好还有按小时匹配的数据。

### 数据中心用多少水？

这随冷却设计和气候而差异巨大。谷歌报告其 Gemini 文本提示（prompt）的中位数用水量为 0.26 毫升；研究人员预计，2027 年全球 AI 取水量将达到 42 亿至 66 亿立方米。

### 我是否应该总是选择最绿色的地区？

对于灵活、对延迟不敏感的工作，通常是的。对于交互式服务，请在碳排放与延迟、数据保护规定、韧性以及数据迁移成本之间权衡。

## 来源

- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Uptime Institute Global Data Center Survey 2025](https://intelligence.uptimeinstitute.com/resource/uptime-institute-global-data-center-survey-2025), Uptime Institute (2025)
- [Water Usage Effectiveness (WUE): a Green Grid data center sustainability metric (White Paper 35)](https://www.thegreengrid.org/system/files/store/WUE_v1.pdf), The Green Grid (2011)
- [ERE: a metric for measuring the benefit of reuse energy from a data center](https://datacenters.lbl.gov/sites/default/files/EREmetric_GreenGrid.pdf), The Green Grid (2010)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Google (arXiv 2508.15734) (2025)
- [Making AI Less 'Thirsty': Uncovering and Addressing the Secret Water Footprint of AI Models](https://arxiv.org/abs/2304.03271), Li, Yang, Islam and Ren (arXiv 2304.03271) (2023)
- [GHG Protocol Scope 2 Guidance](https://ghgprotocol.org/sites/default/files/2023-03/Scope%202%20Guidance.pdf), GHG Protocol (2015)
- [Software Carbon Intensity (SCI) specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [Commission Delegated Regulation (EU) 2024/1364 on the first phase of a common Union rating scheme for data centres](https://eur-lex.europa.eu/eli/reg/2024/1364/oj), EUR-Lex (2024)
- [Carbon Intensity API](https://carbonintensity.org.uk/), National Energy System Operator (2025)
- [Carbon Emissions and Large Neural Network Training](https://arxiv.org/abs/2104.10350), Patterson et al. (arXiv 2104.10350) (2021)
- [Thinking about using AI? Here's what you can and (probably) can't change about its environmental impact](https://www.thegreenwebfoundation.org/publications/report-ai-environmental-impact/), Green Web Foundation (2024)
