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
›

亚马逊10亿美元数据中心社区承诺落地,水资源之争走向投票箱

亚马逊10月5日表示,将向其数据中心所在社区投入超过10亿美元,用于劳动力教育、能源和水资源项目。美国多州正准备就数据中心举行公投,当地反对声浪日益高涨,这一承诺正是在此背景下出台。

人工智能与模型分析林晓雯发布: 2026年10月5日3 分钟阅读资料来源 13
亚马逊10亿美元数据中心社区承诺落地,水资源之争走向投票箱

据ESG Today报道,亚马逊10月5日表示,将向其数据中心所在社区投入超过10亿美元,用于劳动力教育、能源和水资源项目。据Gadget Review报道,就在同一天,该公司结束了对数据中心的保密立场。这一承诺出台之时,围绕电力和水资源使用的争论正从规划会议走进选举活动。

据Fortune报道,这笔钱主要投向社区学院和家庭能源改造。这只覆盖了居民诉求中相当窄的一部分。在北达科他州卡塞尔顿和新不伦瑞克省圣约翰,出现在市议会会议上的居民问得最多的是土地、噪音、输电线路和含水层,而不是奖学金。

AWS首席执行官Matt Garman在同一天辩称,水资源问题被夸大了。据Moneycontrol.com报道,Garman说,与其他行业相比,AI数据中心“用水非常少”。据Techzine Global报道,Garman还把围绕数据中心消耗的若干说法称为“迷思”。公司并未在作出这一表态的同时公布单个站点的用水数字,至少10月5日被报道的内容里没有。

被搞砸的涂黑文件暴露了什么

真正流出的数字是歪打正着出来的。据GIGAZINE和Gadget Review 10月5日的报道,谷歌位于内布拉斯加州林肯的数据中心,其用水量和最大电力容量在公开文件中的涂黑被简单的复制粘贴破解后曝光。这些文件本应保密,结果并没有。

这件事比亚马逊的支票更重要,原因只有一个。它是近期唯一能说明一座大型设施实际消耗多少的公开证据,而且是偶然流出的。美国大多数州的公用事业公司和监管机构仍不公布站点级的数据中心取水量。活动人士只能依据许可申请和泄露文件开展工作。据Gadget Review报道,谷歌这起案例说明这条纸面线索有多单薄。

政治压力现在可以量化了。据Newsweek报道,俄亥俄州占了中期选举中美国数据中心公投措施的一半。据The Des Moines Register报道,工会和AI公司正投入七位数的广告费,推动为数据中心设立防护性规定。据Los Angeles Daily News报道,洛杉矶县监事正在考虑对非建制地区实施AI数据中心禁令。据KREM报道,抗议者周日在斯波坎聚集。

其中一部分怒火指向的问题,其实有一部分在上游。9月的一项分析发现,AI的电力需求把水消耗转移到了发电环节。因此,一座设施的真实水足迹包括为其供电的燃气电厂里的冷却塔,而不只是现场蒸发循环。这一区别在市议会听证会上很少能保留下来。

模型数据处在什么位置

与此同时,行业里的模型一方不断发布效率声明,而这些声明很难对照水表来核查。据公司10月5日的博客文章,Reflection表示其新的Beam模型在推理得分上可与GLM 5.2相比,同时使用的推理算力少3到4倍。文章称,这个5010亿参数的稀疏模型在10500块NVIDIA GB300 GPU上训练了四周。原则上,每个答案用的token更少,每次查询消耗的焦耳就更少。这是否意味着林肯站点的用水更少,还没有任何厂商用水表读数回答过。

Liquid AI在10月5日为其d1决策模型提出了类似说法。公司称,该模型在200到300毫秒内返回答案,且不生成token,成本比GPT-6.1 Sol和Claude Opus 5.5低19到200倍。公司表示,其上下文压缩应用能从编程智能体的会话中移除52%的token。这类效率声明如今是行业用来反对地方上限的主要论据,而它们全都是自报的。

这正是亚马逊的10亿美元补不上的缺口。公司可以资助一个社区学院的实验室。它没有承诺公布每个园区的用水数字,它的同行也没有。

评论 0

资料来源

13
  1. 01Wave of affordable electric cars is boosting consumers' choice: sales of sub-€25,000 models set to rise sevenfoldEN
  2. 02Introducing Beam: Reflection's 501B open-weight modelEN
  3. 03Introducing d1: The most capable decision model, now with visionEN
  4. 04OpenAI Begins Phased Text Watermarking Under EU AI Act RulesEN
  5. 05Path discovered to make AI models red-flag their doubtful answersEN
  6. 06Jeff-Code: a 0.8B model makes Qwen 3.8-27B coding 47% faster, same pass rateEN
  7. 07Reika: a coding agent CLI designed around small local models firstEN
  8. 08Interfaze-1-lite: the first open-weight model for deterministic tasksEN
  9. 09NASA-IBM Lunar Foundation Model and fine-tuning codeEN
  10. 10Precogly: the open-source alternative to commercial threat modeling platformsEN
  11. 11System One models like Jev can train their own replacementsEN
  12. 12Could a Large Language Model Be Conscious?EN
  13. 13Topological Models of Modal LogicEN

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。

林晓雯

林晓雯

人工智能、模型与技术

林晓雯负责FLASH24的人工智能、模型与技术方向,主要写科技、人工智能与模型、媒体与互联网三个领域。她习惯从论文预印本、开源代码库和厂商技术文档入手,先核对训练数据来源和评测口径,再决定是否落笔。遇到模型跑分,她会自己复现一遍小规模测试,并对照独立第三方榜单,确认数字没有注水。她常联系一线工程师和产品经理,也盯着各大会议截稿日,把不同版本的技术报告放在一起比。业余时间她玩3D打印、折腾老电脑,还关心模型从网络垃圾里学到的偏见问题,这让她对数据清洗格外敏感。她有一条原则:拿不到原始数据的性能宣称,不写。

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。