跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

AI 用水数据消失:欧盟投诉、地方反对与模型竞赛

9月30日提交给欧盟委员会的一份投诉指控欧盟行政部门隐瞒数据中心的能源和用水消耗。同一周,美国、印度尼西亚和澳大利亚针对 AI 园区的本地反对声音在扩大。

人工智能与模型分析王雅琴发布: 2026年10月2日6 分钟阅读资料来源 8
AI 用水数据消失:欧盟投诉、地方反对与模型竞赛

Politico 于 9 月 30 日最先报道了这份投诉,The Next Web 当天跟进。投诉认为,布鲁塞尔没有公布它从数据中心运营商那里收集的环境数据。两篇报道都没有点名投诉方,也没有给出缺失数据的具体规模,两家媒体也都没有公布投诉文件本身。两份报道在一个核心说法上一致:欧盟手里有这些数字,却没有公开。

对一个十年来一直把自己定位为全球最有雄心的科技监管者来说,这个处境相当尴尬。

问题不只在建筑,也在模型

时机之所以重要,是因为用水问题正从实体设施转向模型本身。9 月 29 日和 30 日上传到 arXiv 的两篇论文,展示了研究者如今如何在细粒度上衡量推理成本。第一篇由 Gaurav Agarwal 与合著者撰写,介绍 Decode-Latency Feedback Prefill。这是实现在 vLLM 中的一个控制器,根据观测到的解码延迟调整预填充块的大小。在单块 A100 80GB GPU 上以 BF16 运行 Qwen3-0.6B,三组各 100 次请求的配对试验把 P99 词元间延迟分别降低了 24.8%、30.1% 和 28.2%,平均 27.7%。代价写得很清楚:P99 首词元时间平均上升 34.8%。作者还报告了一个负面结果。他们指出,这一机制在 Qwen3-8B、Qwen3-32B 或双 GPU 张量并行配置上并不通用。

这类效率研究是用水争论里不显眼的那一半。它不会产出抓眼球的数字,却决定了一个机柜每千瓦时能干多少活,也就决定了一个站点需要多少冷却和多少水。

另一篇论文由 Loay Mualem 和六位合著者撰写,提出 GoldiMask。这是一种针对离散扩散语言模型的微调方法,通过近似最大化一个次模目标来选择哪些词元作为上下文揭示。在三个骨干模型和三个训练数据集上,作者报告在多数评测设置中取得最高平均准确率,在推理和代码生成任务上也有提升。他们还称,在置信度阈值并行解码下,GSM8K 和 MATH-500 上的解码迭代次数有所减少。

两篇论文都没有提到水。但它们属于同一套算术,数据中心运营商和批评者争的正是这套算术。

1575 兆瓦与越来越长的反对名单

据 Fortune India 10 月 1 日援引 PCC 的数据,印度已装机的数据中心容量超过 1575 兆瓦,到 2030 年可能达到 8000 兆瓦。同一篇报道指出,电力和用水方面的担忧正在上升。据 Newslaundry 同样在 10 月 1 日报道,卡纳塔克邦新的数据中心政策把水和能源放在审批制度的核心位置。

印度尼西亚已经采取行动。据 Asia News Network 10 月 1 日报道,西爪哇一个数据中心项目因用水问题被暂停。

在美国,这种反对是地方性的,而不是全国性的。据 KUNC News 10 月 1 日报道,科罗拉多州韦尔德县的一个团体正在征集请愿签名,以阻止一个 Global AI 数据中心。据 ie community news 9 月 30 日报道,阿德兰托和高沙漠地区的居民反对数据中心修正案。据 Village Report 9 月 30 日报道,一个镇批准了为期一年的数据中心暂停令。

“少数害群之马已经在这里造成了真正的损害,”IT Pro 9 月 30 日在谈到企业如何避免更大范围的数据中心反弹带来的干扰时写道。

行业已经开始集体回应。据 Dealroom 9 月 30 日报道,一个 AI 基础设施联盟承诺承担电费并减少用水,报道把这步棋解读为中期选举前的反弹政治。Financial Times 同日报道,AI 行业正赶在美国中期选举前设法化解数据中心引发的反弹。国会也在行动:financialexpress.com 9 月 30 日报道,一项立法将把数据中心的电力成本转嫁给运营商自己。

这些还没有产生美国联邦层面的用水标准。结果是县一级的请愿、州一级的政策和自愿承诺拼凑在一起。在这种环境里,一份关于欧盟数据缺失的投诉就更难被轻描淡写地打发掉。

模型厂商在发布什么

与此同时,模型发布仍在继续。每一个发布都在抬高数据中心需要承载的算力基线。Alphabet 周三推出 Gemini 4 Argon,Google 称这是它迄今最先进的模型。CNBC 报道,该模型在真实世界软件工程上创下新纪录,在网络安全上并列第一,并在涵盖金融、法律和其他专业任务的另一项基准上领先。Google 表示,Argon 已经在内部用于优化其数据中心的 320亿参数规模内存,节省了 80亿规模的内存占用,而无需购买额外硬件。报道还提到 20亿和 6亿量级的内部部署细节。

这个内部细节是整场发布里运营上最有意思的数字。据 The Guardian 10 月 1 日报道,Google 暂时不向公众开放该模型。它只向一组经过审查的网络安全专家发布。Google 首席 AI 架构师 Koray Kavukcuoglu 在博客中写道,“在这一水平上安全地释放前沿能力需要分阶段推进。”据 The Guardian 报道,一天前,Sundar Pichai 在白宫与总统 Donald Trump 及其他科技高管一同签署了一份自愿性 AI 安全协议。

在较小的一端,Amazon Web Services 发布了 Strands Decider 2B,这是一个受 TypeSafe 的 Jev 启发的开源决策模型,TechCrunch 10 月 1 日报道。Amazon 杰出工程师 Marc Brooker 对 TechCrunch 说,这类模型“非常适合作为工作流步骤的决策器”。该模型小到可以在本地运行。与此同时,Ideogram 发布了 Ideogram 4.5,一个图像编辑模型。据 The Decoder 10 月 1 日报道,公司称它只改动用户指定的图像部分,在原生 2K 分辨率下提供四档质量,每张图价格从 0.8 美分到 22 美分。

小型本地模型和大型前沿模型在基础设施上拉向相反方向。一个能在笔记本上运行的 2B 模型不需要冷却塔。一个在整个机队范围内优化内存的前沿模型则需要。

治理缺口

据 Tom's Hardware 9 月 30 日报道,佛罗里达州总检察长 James Uthmeier 对五家 OpenAI 实体和 Sam Altman 个人提出临时禁令申请。该申请要求法院禁止 OpenAI 在没有独立第三方护栏和批准的情况下开发任何 AI 模型,以及其他禁令内容。这是一起 6 月在 Highlands County 提起的诉讼的一部分。

那是安全层面的论点,不是用水层面的论点。但它指向同一个缺失。没有任何监管机构公布过一套有约束力、标准化的披露制度,用来规范一个 AI 模型消耗的资源。这涵盖从训练运行到推理请求,再到把热量带走的冷却水的全部环节。

如果欧盟的投诉继续推进,它将检验欧盟现有的数据收集权力是否够用。印度和印尼的案例表明,没有这样的披露,争斗会转移到别处。它会进入地方规划委员会,而在那里,数字就是开发商选择写进申请里的那些。

Data Center Knowledge 在 9 月下旬发表了两篇关于这一缺口技术侧的文章。一篇日期为 9 月 23 日,主张从效率指标转向现实世界中的韧性。另一篇日期为 10 月 1 日,把气候描述为每一个绝热用水预算中的隐藏变量。两篇都面向专业读者,这本身就是问题的一部分。掌握模型的人和手握规划投票权的人,读的不是同一批文件。

缺的是一个大家都认可的单一数字:一次 AI 查询究竟用多少水。这个数字目前有争议。在披露之争解决之前,它还会一直有争议。

评论 0

资料来源

8
  1. 01Google rolls out new Gemini AI model but restricts access over safety concernsEN
  2. 02Ideogram says its new model can edit part of an image without messing up the restEN
  3. 03Amazon releases its own Jev clone as decision models flood the webEN
  4. 04Florida attorney general asks judge to bar OpenAI from developing new AI models without third-party approvalEN
  5. 05Google rolls out Gemini 4 Argon, its most advanced AI modelEN
  6. 06Decode-Latency Feedback Prefill: A Model-Free Controller and Its Generalization LimitsEN
  7. 07Fine-Tuning Diffusion Language Models with Context Selection and Target WeightingEN
  8. 08Data Center Water Use: From Efficiency Metrics to Real-World ResilienceEN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

王雅琴

王雅琴

人工智能、模型与技术

王雅琴负责FLASH24的人工智能、模型与技术报道,覆盖科技、人工智能与模型、媒体与互联网领域。她习惯直接查阅技术文档、模型卡与官方博客,而非依赖新闻稿,对未经核实的参数和跑分数据一概不放行。每篇报道前,她会逐项核对基准测试结果,对照论文原文与开源代码,确认版本号、数据集和评测条件是否一致。她常联系开发者与研究人员求证细节,也盯着各大厂商的发布会和论文截稿日期,横向比较同类模型的实际表现。私下她自建服务、折腾家庭网络,这让她对部署成本和真实算力需求有直观判断。她的原则是:没有可复现来源的数字,不写进稿子。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。