为何水资源需求已不再足够:重新思考人工智能数据中心的可持续性

《Environmental Science & Technology》:Why Water Demand Is No Longer Enough: Rethinking Sustainability in AI Data Centers

【字体: 大 中 小 】 时间:2026年06月26日 来源:Environmental Science & Technology 12.2

编辑推荐:

  数千年来,水一直影响着人类文明的进程与技术发展。正如朱利奥·博卡莱蒂所言,社会与水的关系往往决定了文明的走向。(1)人工智能的快速发展,尤其是其可扩展性,也遵循着类似的路径。尽管人工智能被视为数字化且往往是虚拟化的基础设施,但其运行依赖于物理热力学系统,这些系统需要散发计算过程中

  

数千年来,水一直影响着人类文明的进程与技术发展。正如朱利奥·博卡莱蒂所言,社会与水的关系往往决定了文明的走向。(1)人工智能的快速发展,尤其是其可扩展性,也遵循着类似的路径。尽管人工智能被视为数字化且往往是虚拟化的基础设施,但其运行依赖于物理热力学系统,这些系统需要散发计算过程中产生的热量。因此,人工智能与水文系统日益紧密地联系在一起。人工智能的全球扩张既依赖水与环境,又对其产生影响,但其需求和影响却主要体现在局部地区。正因如此,水资源需求已成为人工智能基础设施规划与开发中的重要考量因素。(2,3)然而,仅考虑水资源需求可能已不足以评估人工智能基础设施的可持续性。由于冷却系统越来越依赖循环利用,问题已不再仅仅是水量,还包括水的兼容性。

人工智能基础设施的水资源需求源于一个核心问题:热量。人工智能数据中心持续高负荷运转,需要不间断的冷却才能保持稳定运行。据最新估算,美国各数据中心每天共消耗约4.49亿加仑的水:(2,3)而到2030年,人工智能的进一步发展可能使每日用水量增加6.97亿至14.51亿加仑。(3)这一数值几乎相当于纽约市每日的平均供水量。不过,背后的核心问题其实是能源而非水。之所以要讨论水,是因为计算过程中产生的热量最终必须被散发掉。因此,数据中心运营商正在探索直接芯片冷却、浸没式冷却、闭环系统以及干式冷却技术,以减少用水量。例如,微软已推出无需通过蒸发耗水的新一代设计,而诺瓦数据中心等企业则采用了无水冷却方案。这些技术有望大幅降低未来的水资源需求。不过,即便减少了用水量,与再生水使用、处理需求、冷却液以及系统长期运行相关的问题依然存在。水资源需求仍是一项重要指标,但它并不能涵盖与人工智能冷却系统相关的所有可持续性挑战。

单个数据中心每天就可能消耗数百万加仑的水,据谷歌透露,其位于爱荷华州库尔斯布拉夫斯的一个数据中心园区,每年用水量接近14亿加仑。(4)虽然这些服务可覆盖全球,但支撑它们的基础设施却高度本地化,需要具备独立的冷却和水资源管理系统(图1)。因此,数据中心运营商越来越多地用再生废水来补充淡水需求,以此降低取水量。无论是全新设计的还是经过改造以实现水循环利用的循环水系统,都已成为人工智能数据中心运维领域的关键创新之一。(2,4,5)由于人工智能基础设施的持续运转趋势难以改变,冷却水管理大致有两种途径。其一,降低计算密度或优化管理方式,从而减少冷却需求;在这方面,由美国高级研究计划局能源局资助的COOLERCHIPS项目以及针对高密度计算系统热管理的相关研究已取得了一定进展。(6,7)其二,对使用过的冷却水进行净化后循环利用,或补充来自三级处理废水、市政再生水或经处理的工业废水的水源。(4)

图1

图1. 人工智能基础设施及相关水资源管理途径。高密度的人工智能计算需要持续冷却,且越来越依赖循环利用、再生水使用以及排放水管理。冷却水的循环利用可能导致溶解物和悬浮物的浓度逐渐升高,进而影响水质和处理难度。图1由插画师阿西夫·侯赛因绘制。

大多数循环冷却水系统都会存在蒸发损失,这会导致溶解物和悬浮物的浓度逐渐升高。最终的水质状况在很大程度上取决于原水成分,可能包含各种溶解离子(如痕量金属、类金属和配体)、溶解有机碳、营养物质、氨、硬度、二氧化硅以及微生物成分。冷却系统通常处于3到10倍的浓缩周期范围内运行。(8,9)因此,在循环利用过程中,这些溶解物质的浓度会不断上升。例如,原水中总溶解固体含量约为200毫克/升的水,在运行过程中其浓度可能超过1000毫克/升。在如此高的浓度下,结垢、腐蚀、二氧化硅沉积以及更复杂的处理措施可能会成为制约系统运行的因素,即便水量充足也是如此。这些物质的浓度不断升高最终会增加处理成本,也会让排放水管理变得更加复杂。因此,水资源的再利用将问题从“水量不足”转变为“水兼容性问题”。水资源需求关注的是是否有足够的水可用,而水兼容性则关注这些水是否能够得到可持续利用。

循环水系统并非人工智能数据中心所独有,在发电、半导体制造以及工业冷却领域也很常见。人工智能数据中心的特殊性在于其快速发展带来的水资源需求和管理需求的增长,其分布式架构使得集中式的冷却水循环和处理更为困难,而且由于人们通常将其视为虚拟化系统(如“云计算”),往往忽视了其实际的基础设施需求以及相应的运维要求。各大人工智能企业的公开信息显示,整个行业的水资源需求正在不断增加,同时水资源再利用的努力也在不断加强(表S1)。例如,亚马逊云服务已在多个设施中推广再生水的使用。同样,台积电和英特尔等半导体制造商也在运维工作中越来越多地采用再生水、回流水以及流域修复措施(表S1)。与传统行业相比,传统行业的冷却水需求是固定的且受地域限制,而人工智能服务则分布于全球各地,但其水资源负担却集中在局部区域。因此,人工智能运营商越来越多地通过投资于水资源再利用、处理、回收以及流域管理等方式,参与到当地的水资源基础设施建设中,从而将自身的角色从单纯的用水者拓展到更广泛的层面(表S1)。

从依赖淡水取用到转向水资源再利用,这一转变改变了人工智能数据中心冷却系统所面临的挑战。这一转变带来了多项工程上的难题。首先,由于人们对蒸发过程以及不同浓缩周期下物质浓度升高的了解不够深入,导致水质控制存在不确定性。其次,溶解物和悬浮物浓度的不断升高,会增加循环利用过程中的结垢、污染、腐蚀以及系统故障的风险。第三,根据再生水的来源不同,还有可能实现某些物质的回收,从而部分抵消相关成本。

这些挑战表明,仅仅考虑水资源取量和消耗量,并不足以全面反映人工智能冷却系统的可持续性问题。原水成分、再生水比例、浓缩周期、排放水量、物质浓度升高情况以及处理需求等方面也同样需要重视。此外,水处理方案的设计也应基于循环水的化学特性、冷却技术以及预期的再利用目标,而非盲目采用通用的再利用策略。这类处理方法可能包括利用先进的分离技术或功能材料来实现物质回收,也可能采用针对特定地域需求设计的简易处理装置。随着再生废水在人工智能基础设施中越来越普遍,供水机构、地方政府以及数据中心运营商可能需要更加紧密地协作,共同推进水处理、水资源再利用以及水资源管理相关工作。因此,水兼容性不再仅仅是水资源再利用的附带结果,而应成为设计时的重要考量标准。

人工智能数据中心不仅致力于水资源再利用和循环利用技术,还有一些机构正在研发替代性的冷却技术及冷却介质,这些技术或许能够彻底减少对水冷的需求。浸没式冷却、(10)介电液体、(11)以及直接芯片冷却(12)等技术便是其中的典型例子。这些技术具有重要意义,有望显著降低水资源需求。不过,它们也可能使环境问题的焦点从水量和水质转向冷却液的成分、生命周期、处置方式以及其在环境中的最终去向。无论哪种情况,可持续性都不仅仅关乎资源消耗,还需要考虑用于维持人工智能系统运行的各类材料与流体。

目前关于人工智能可持续性的讨论大多集中在水资源需求和淡水取用量上。这种观点认为,尽管这些因素很重要,但随着冷却系统越来越多地采用循环利用、再生水以及替代性冷却技术,它们可能已不足以应对新的挑战。人工智能面临的问题已不再是单纯的水资源需求问题。随着冷却技术的发展,挑战的重点逐渐转向水质、物质变化、水兼容性以及应对这些问题所需的处理系统。因此,可持续性评估或许需要超越单纯的资源消耗范畴,纳入水质、物质浓度升高情况、处理需求以及支持人工智能系统运行所需的整体基础设施等内容。在这一技术快速发展阶段,博卡莱蒂提出的水文治理理念,不应仅被视为数字化转型的体现,更应看作是一种水文层面的转型。数千年来,水一直影响着人类文明的进程。未来人工智能的发展轨迹或许同样不仅取决于计算能力,还取决于社会在理解和管理支撑其发展的水文系统方面的能力。如果仅关注水资源需求来进行可持续性评估,就有可能忽视那些最终会影响人工智能冷却系统运行的水兼容性限制。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号