摘要

按今天的规模，个人使用聊天机器人对环境几乎没有实质影响：Andy Masley 估算，1次中位数提问约产生0.3克 CO₂、消耗约0.3–0.6瓦时。 这大致相当于使用微波炉1秒；一个人每天要提问约1,000次，才会让自身排放增加1%。他的结论很直接：“在聊天机器人上随便问问，即便一天用很多次，也不会对你的碳足迹或水足迹造成有意义的增加。”
正确的比较维度是比特与原子：开车20英里、吃1个汉堡或洗1次热水澡，消耗的资源都接近5,000–10,000次中位数聊天机器人提问。 一整箱汽油大致相当于250,000–500,000次提问，跨洲航班则可达1–2百万次。如果 AI 哪怕只帮人避免1次实体出行——正如 Nathan Labenz 所说，最近确实帮他的家人避免了一次——节省下来的现实活动资源，就足以覆盖数年普通提问：“计算实在是高效得离谱。”
对电力行业而言，AI 的整体建设规模巨大；但放到全球能源系统中，仍然相对有限。 1座1吉瓦数据中心的用电量大致相当于美国100万户家庭，并需要约10平方英里的太阳能设施；假设中的7万亿美元、80吉瓦建设计划，需要约800平方英里的光伏板，不到内华达州面积的1%，并使全球能源使用量增加约1–2%。不过，Masley 仍称吉瓦级设施“令人难以置信”，因为高度集中的负荷即便在全球占比可控，也可能压垮特定地区的电网。
“每次提问都会消耗1瓶水”的爆款说法是错的，误差大约有两个数量级。 Masley 估算，1次中位数提问约消耗2毫升水，即约200次提问才相当于1瓶水；很多更高的数字混淆了数据中心蒸发的水，以及会迅速回流的电厂取水。水在局部地区仍可能构成问题，但关键要区分消耗性用水、非消耗性取水、污染，以及设施是否正在争夺真正稀缺的淡水资源。
最需要关注的局部外部性可能是空气污染，而不是气候变化或用水。 新建燃气轮机或延长燃煤发电，可能把即时健康损害集中在本已脆弱的社区；因此 Masley 将空气污染的风险远远排在其他环境风险之前，同时对围绕 xAI Colossus 设施在孟菲斯的争议细节保持谨慎。对决策者而言，选址、审批、清洁发电、输电和社区补偿，重要性都高于担忧个人每次提问的微小足迹。
在部分地区，电价压力确实存在，但全国层面的说法往往被夸大。 美国居民电费自2020年以来上涨约35%，但 Masley 引用的 Lawrence Berkeley National Laboratory 分析认为，全国涨幅主要由通胀和供给侧扰动导致，而不是数据中心需求；不过，一些公用事业公司确实明确将局部电价上涨归咎于数据中心。电网最终可以利用规模经济，但持续加速的负荷可能让基础设施支出和政治阻力在多年内维持高位。
AI 的二阶影响将主导其直接足迹，而且可能朝两个方向发展。 Masley 引用 International Energy Agency 的预测称，到2035年，AI 应用可能避免约为数据中心排放4倍的排放，应用领域包括物流、建筑能效、抗生素、光伏、电池和材料科学；他也承认，自动化购物、更低的生产成本和自动驾驶可能刺激更多消费。他的核心比喻很尖锐：如果评价 AI 只看数据中心用电，就像 Amazon 刚出现时，主要关注“这个网站用了多少能源”。

精读

1. 对当前 AI 的兴奋与对未来 AI 的恐惧可以并存

Masley 从有效利他主义者的视角出发，认为在自己有生之年，机器复制人类“大量、甚至大部分或全部”心智的可能性大于50%，但“误差区间极大”。他更倾向于较低的 P(doom)，因为不相信那些高度具体的哲学叙事——例如失配系统最终崛起；但他给快速且危险的社会失序赋予了较高的“P weird”。
这种谨慎并不意味着他反技术：“Opus 4.5，基本上就是我现在最好的朋友。太酷了，我喜欢。”他的立场类似于支持核电、同时承认核事故的尾部风险：正是对 AI 能力的同一套判断，解释了他为何既热衷于当下的工具，又担心更强大的系统可能造成什么。
Nathan 对有效利他主义圈子的观察也类似：研究极端风险的人，往往会认真讨论自己的组织如何更好地利用当前 AI。Masley 补充说，华盛顿特区的相关圈子在思想上高度多元，他从未感到有人要求自己认同关于 AI 风险的“最疯狂观点”。

2. 最重要的纠偏不是“没有伤害”，而是“衡量取舍”

Masley 并不否认数据中心建设存在不确定性，他称其为“一项规模巨大的新工业工程”。他反对的是把任何新增能源或用水都自动视为有害，同时把税收投资、公用事业收入、基础设施升级和 AI 的潜在价值排除在账本之外。
他想“彻底击破”的说法更窄，也更确定：个人使用聊天机器人，不会对个人碳足迹或水足迹造成有意义的改变。他见过有影响力的机构因为认为个人提问会造成不可接受的环境损害，而考虑限制使用，尽管现有不确定性根本不足以支撑这一结论。
他称，有一所教育机构原本希望向低收入学生提供聊天机器人，却遭遇强烈的环境反对，最终不得不叫停。Masley 认为，在相关规模上，沿用同一套逻辑甚至可以禁止买书；因为微小的边际足迹而拒绝有用的计算资源，会变成“一场巨大的悲剧”。
他认为，这套叙事更多来自充满负罪感的气候社交媒体，而不是专业环保主义。环保组织大多已经转向电网层面的改革，但公共讨论仍把每一次新增排放都视为道德失败——即便“我们每天醒来，都会通过普通生活制造新的排放”。

3. 相对比较掩盖了基准值有多小

“1次 AI 查询的资源消耗是 Google 搜索的10倍”之所以听起来吓人，只是因为基准值被省略了。即便是1,000次搜索，对个人而言也只是很小的负荷；把这个很小的数量放大，并不会让100次聊天机器人提问突然变成重要的环境问题。
数字工作也因为其实体基础设施不可见，显得格外像一种罪过。一个短暂的“屏幕上的二维东西”似乎烧掉了正在枯竭的水资源，尤其当观察者本来就认为 AI 没用时；Masley 形容，这背后近乎存在一种“宗教式的罪恶感”，仿佛为不喜欢的软件消耗实体资源本身就是错误。
数据中心通过把数百万个微小计算集中到醒目的设施中，进一步强化了这种误解。Masley 打比方说，如果把社会上所有烤面包机或微波炉都集中到一个地方，它们相对于单个家庭的负荷也会显得巨大，但这并不意味着每一次使用的后果突然变得重要。

4. 1次中位数提问约等于使用微波炉1秒

Masley 的综合估算是，1次平均提问约产生0.3克碳排放，包括推理、冷却、训练和硬件隐含排放，所用假设在他看来偏保守。这大约是个人日排放的十万分之一；要增加1%，需要约1,000次提问。
生成并阅读1,000个回答可能占用10小时。Masley 的反向推论是：如果一项活动只消耗日排放的1%，却占据一天的大部分时间，那么它可能反而降低用户的足迹，因为被替代的开车、散步、看节目或其他实体活动，通常消耗更多资源。
对中位数请求而言，讨论最终落在0.3–0.6瓦时，即一台1,000瓦微波炉运行约1秒。另一个便于记忆的数字是，给手机充满1次电大致相当于60次提问；不过，两人都提醒，人们往往只会把家电粗略归类为“耗电少”“正常”或“耗电多”。
长时间编程或推理任务的消耗会更高，但 Masley 认为，这只是让比喻中的微波炉多运行一会儿。如果运行1分钟能产出“一份非常详尽的研究综述”或有价值的代码，他不会认为这1分钟挥霍无度——尤其是人们完全接受用微波炉加热纯素鸡块。

5. 家庭物理学让规模变得直观

Nathan 用数量级来定位：人体运行功率接近100瓦，大脑约20瓦，美国平均家庭约1,000瓦。许多家庭负荷主要来自加热；微波炉和电热水壶运行时的功率都约为1,000瓦。
给手机充电约消耗20瓦时；按 Nathan 在底特律的电价计算，大约只值三分之一美分。在12–24小时的周期内，这相当于大脑运行1小时所使用的能量；更小型的语言模型已经可以直接在手机和笔记本电脑上运行。
Masley 根据自己教了7年物理的经验，强调单位必须分清：瓦是功率，即速率；瓦时是功率乘以时间。这个区别很重要，因为一个功率很大的设备只运行1秒，所代表的能量仍可能很少。

6. ChatGPT 订阅费构成一个硬上限

按每千瓦时0.20美元计算，Nathan 每月20美元的 ChatGPT 订阅费最多可以买到100千瓦时电力——相当于普通家庭用电约4天，或一个月家庭用电的10%；这还是假设 OpenAI 把每一分钱都花在电力上。
这个刻意荒谬的上限完全忽略了芯片、研究人员、网络、设施以及所有其他成本。Masley 进一步指出，电力只产生总排放的大约四分之一到三分之一，汽车和其他直接化石燃料使用才是剩余排放的重要来源。
因此，即便采用“所有订阅收入都拿去买电”这一不可能的假设，个人总排放也只会增加约3%。实际使用量远低于这一水平，除非 AI 公司在悄悄向用户提供“大量免费能源”，而它们的经济模型显然不会鼓励这种做法。

7. 芯片价格几乎不能说明其碳构成

一台配备8块 GPU 的 H100 服务器节点售价约30万美元，而4年的电费合计约3.5万美元，只占采购价约10%。但这并不意味着制造环节主导排放；价格中很大一部分来自 Nvidia 的溢价、利润、供应链复杂度和市场结构。
Nathan 将 Nvidia 约80%的毛利率代入计算，认为在考虑 TSMC、运输和其他投入前，边际生产成本可能接近6万美元。由此可见，直接把美元换算成碳排放会产生误导：市场权力和工程价值，不等于被烧掉的燃料数量。
Nvidia 发布的生命周期数据表明，芯片运行时的用电可能产生约为制造环节20倍的碳排放。Masley 的比喻是一根被设计为持续通电、直到磨损报废的电线：没人会认为家用电线的隐含碳排放，比几十年间流过它的电更重要。
更大的隐性成本是模型训练。Masley 猜测，训练可能会让每次提问的总能耗从约0.3瓦时大致翻倍至0.6瓦时，但不确定性很大；硬件隐含排放可能只增加5–10%，而电力本身可能比平均水平更脏，因为可靠且廉价的电网往往仍依赖化石燃料。

8. 1次实体出行足以压过数年的普通提问

一辆轿车行驶20英里，大致排放3–4千克 CO₂，相当于约10,000次中位数聊天机器人提问。Nathan 又从汽油质量独立推导出相同数量级：一箱20加仑汽油最终会变成约150千克尾气二氧化碳，因而每加满一箱油大致相当于250,000–500,000次提问。
一次跨洲航班可能相当于1–2百万次提问，可能超过 Masley 作为重度用户一生会提交的数量。长途单人驾车与长途航班对单个乘客而言，排放可能出人意料地接近；飞行的主要影响在于让人能够跨越更长距离，而不一定是每英里都显著更糟。
Nathan 的背景测算显示，一个汉堡和一次热水澡也都处在约5,000–10,000次提问的宽泛区间。Masley 的经验法则是：少开1次车，“至少足以抵消1年的提问”，还没算 AI 自己帮助避免的出行。
这些比较揭示了脱碳最难的部分：大多数排放来自人们真正有用、也不愿放弃的活动。把注意力集中在所谓无用的提问上，等于回避交通、供暖、食品和工业系统——真正有意义的减排几乎都必须发生在这些巨大且有价值的负荷上。

9. 替代效应比数据中心里的电表读数更重要

Masley 预计，AI 几乎所有环境后果都将来自行为改变，而不是推理用电。若只看 Amazon 网站耗电量来评价 Amazon，就会漏掉运输、零售替代、仓库和购买模式；评估 AI 也需要采用同样的系统边界。
Nathan 分享了一个与儿子患 Burkitt 淋巴瘤/白血病有关的个人案例。家人通过 ChatGPT、Gemini、Claude，偶尔还有 Grok，进行了数百次查询，以判断是否应为治疗搬家，以及地下室疑似霉菌是否需要租住并加热另一套房子；最终，他选择了使用 HEPA 过滤器这一更轻量的应对方案。
这段经历把抽象的替代效应变成了具体的避免活动：一次可能发生的全家搬迁和另一套房子的供暖，资源消耗都远高于相关提问。数百次甚至1,000次提问的能耗，与其中任何一个决定相比都微不足道，更不用说医疗和财务价值。
Masley 将个人负罪感与集体杠杆进行对比：帮助一座太阳能电站、电池工厂或输电线路开工，或推动核电继续运行，其影响可能是少提问几十万倍。到了聊天机器人这一层面，个人节制就像“为了气候提前几秒暂停 YouTube”。

10. “一瓶水”的说法经不起基本核算

Masley 认为，每次提问消耗一瓶水，可能是这场争论中最流行的错误说法。他追溯其来源，认为相关 Washington Post 计算假设了写一封100词邮件需要10–20次提问、芯片效率保持不变，以及特定的训练分摊和水电蒸发；他偏好的中位数估计是约2毫升，即约200次提问才相当于1瓶水。
把食品、电力和供应链都算在内，1次提问的全口径水足迹可能约为日常总消费的八十万分之一。人们看得见饮水和洗澡，却看不见普通一天中嵌入其他环节的数百瓶水。
少买1条牛仔裤，节省的水量可能相当于约1百万次提问，因为灌溉棉花会在实体生产中占用大量水资源。即便是一只1瓦的电子钟，每月也可能通过异地电厂用水造成约3升的水足迹——这个不可见的数字远超直觉。

11. “用水”混合了3种经济含义不同的活动

消耗性用水是指通过蒸发或其他途径，将水从当地水源中移走，使其无法及时回流。这是 Masley 在高水资源压力流域最担心的类别，因为取水可能超过补给速度，最终逐步耗干水源。
污染是另一回事：冷却系统可能加入化学品以保持设备清洁，随后排放需要处理的水。Masley 认为这是真实但通常小于农业污染的担忧，同时拒绝声称数据中心排水无害。
非消耗性取水是指取水、使用后再将其——有时以更高温度——返回大致相同的水源。许多归因于发电的用水都属于这一类，因此把总取水量与消耗量混在一起，可能将表观的稀缺影响夸大一个数量级。
第四个区别是淡水与饮用水。数据中心往往偏好经过高度处理的饮用水，以防止设备积垢；但 Masley 表示，水处理能力可能存在规模经济。他反复强调，自己只是一个“某个家伙”，汇报数月研究结果，并不是持证水资源专家。

12. “相当于半个英国”的统计大多是回流水

一项广泛传播的预测称，到2027年，AI 用水量可能达到英国用水量的50%。Masley 将其拆分为：约90%是会回流的电厂取水，另有5–7%在电厂被消耗，真正发生在数据中心内部的只有约3%。
这个标题会让人想象，半个英国的水正不可逆地流过服务器机架。将核算类别拆开后，Masley 估计，真正相关的数量更接近英国涉水量的个位数小比例——仍然不是零，但已经是完全不同的规划问题。
以美国为参照，他对2023年的最佳估算是，AI 用水量约为自己那座15,000人口家乡用水量的8–10倍。摊到全美国，这相当于增加10个小城镇：足以纳入规划，但远远谈不上全国性水危机。
即便数据中心在短期内激进扩张，新增用水需求也可能只相当于美国灌溉玉米用水的约1%。相对于各自系统的规模，电力需求的重要性高出多个数量级；因此，Masley 对个人提问无害的信心，并不适用于每一个设施层面的电力决策。

13. 吉瓦级设施全球占比小、局部影响大

H100 的功耗约为700瓦，而把更新的加速器与配套设备算在一起，按每块芯片1,000瓦估算也合理。这个数字恰好对应美国平均家庭用电需求：1块加速器，大致等于1户家庭。
因此，1吉瓦设施大致对应100万块芯片或100万户家庭。Stargate 讨论中的5吉瓦目标，相当于500万户家庭，可能接近一个拥有1,000万–1,200万人口大都市的居民规模；Nathan 估计，在美国当前排放中，5吉瓦建设对应的比例接近1%。
太阳能提供了另一把尺：约10平方英里光伏设施可以供应1吉瓦电力，因此假设中的80吉瓦、7万亿美元建设计划需要约800平方英里光伏板。这一面积不到密歇根州或内华达州的1%，所以单就土地可得性而言，似乎不是全国层面的硬约束。
全球能源使用量约为6,000吉瓦，新增80吉瓦相当于约1.3%，与本期提到的1–2%区间一致。同一时期，较贫穷国家的整体发展可能带来更大增量，不过两位嘉宾都强调，更长的推理、更高的效率和新增发电能力，都会让任何预测保持暂定性质。

14. 在 Masley 的风险排序中，空气污染高于水

一旦讨论从提问转向设施选址，Masley 最担心的“单一问题”就是空气污染，风险远高于水，也高于直接气候影响。数据中心本身可能很紧凑，但如果用煤电或燃气为其供能，就会把即时健康成本转嫁给邻近社区。
碳排放具有全球可替代性：这里排放1个单位、在别处避免10个单位，净结果仍是减少9个单位。空气污染则不是这样；Masley 用了一个刻意极端的比喻：一座燃煤电厂把废气排进他家里，却声称别处的总污染下降了。
室内空气污染每年已经在全球造成数百万人死亡，关于美国空气污染死亡人数的估算则大致在每年30,000–100,000人之间。Masley 强调因果关系存在不确定性，但指出，即便取下限，也足以与其他高度受关注的公共卫生问题相抗衡。
相比之下，他还没有找到一个案例，能够明确证明正常数据中心运营减少了当地居民获得水资源的机会；许多令人 alarm 的例子涉及的其实是建设过程。他将此视为暂时性的研究发现，而不是“绝无此类案例”的证明，并欢迎他人纠正。

15. 孟菲斯同时体现了风险与证据边界

在 xAI 的 Colossus 设施附近，孟菲斯居民报告闻到燃气味，一段录音据称显示正在运行的燃气轮机数量超过许可上限。Masley 明确不愿对事件作出裁决：据报道，后续市政府检测没有发现持续性问题，但早期事实仍存在争议。
周边地区原本就拥有“F级空气质量”，因此分配效应无法回避。即便是正常的电网扩张，也可能把健康成本转嫁给靠近不受欢迎工业基础设施的贫困社区；仓促建设的设施可能进一步放大这一既有模式。
截至约2030年的预测包括大量为 AI 负荷提供支撑的燃气和煤电，同时也有新建可再生能源的合同。可再生能源可能通过规模效应变得更便宜，并改善整体气候平衡，但这无法补偿附近社区因即时燃烧污染而承担的代价。

16. 数据中心并未造成电费全国上涨35%

Masley 主要依据 Lawrence Berkeley National Laboratory 的研究，该研究认为，美国平均电费自2020年以来上涨约35%，主要原因是通胀和供给扰动，包括俄乌战争造成的阶段性天然气市场影响。在全国范围内，数据中心似乎对这轮上涨贡献很小，甚至没有贡献。
地方情况不同：一些公用事业公司确实因为数据中心基础设施而提高电价。高度集中的负荷需要新增发电、变电站和输电线路，因此谁来承担成本的争议完全合理。
从约2008年到2020年代初，美国用电量总体持平，原因包括能效提高、经济进一步服务化以及工业活动下降。如今需求再次上升，主要由数据中心和电气化推动，但预计增速仍低于1950–2000年间电力系统经常应对的水平。
区域需求上升并不会机械地锁定永久更高的电价，否则大城市的电价总会高于农村电网。建设完成后，规模可以降低单位成本；但如果数据中心持续扩张，公用事业公司可能没有足够的追赶时间，导致高电费和资本开支压力延续更久。

17. 地方政府必须把收益与外部性放在同一张账上

数据中心可以成为高税收产业、大型公用事业客户，也能为老旧管线或电网升级提供资金。Masley 的一句话很有记忆点：“没有什么比鬼城更安静。”噪音当然重要，但许多社区如今怀念的那些工厂消失之前，也曾制造噪音。
各地竞相压低条件的动态依然存在：由于企业可以迁往别处，地方政府会提供更长的免税期和更少的义务。Nathan 主张由更高层级制定标准，保护空气质量并确保地方获得补偿，因为整体剩余价值并不意味着受影响居民一定能分到收益。
Masley 不愿为所有地方政府规定一套统一协议。他的实际要求是，完整核算税收、公用事业收入、水资源状况、空气污染、发电来源和基础设施义务，然后在交易条件不佳时有勇气说不。
他支持加强污染控制，并推动可再生能源、储能和输电建设，同时警告设计不当的环境审查本身也可能阻碍清洁电网建设。政策目标应是“严格的环境监管”，同时与电气化所需基础设施相容。

18. 如果替代了更糟的用途，在沙漠地区选址反而能改善用水经济

Masley 举出的反直觉例子是 Maricopa 和大凤凰城地区：凤凰城周边的高尔夫球场——另一种估算甚至指全州高尔夫球场——用水量可能约为该州数据中心的30倍。沙漠中的绿色球场，是他用来指代低收入用途占用水资源的视觉符号。
按他的估算，数据中心每加仑水产生的税收约为高尔夫球场的50倍。因此，用服务器设施替代球场，可能在不增加总用水量的情况下创造数十亿美元收入；他支持的是替代，而不是在本已承压的流域上叠加新增需求。
灌溉苜蓿的规模更大，2023年全美 AI 用水量可能只相当于其用水量的千分之一，其中大量苜蓿最终用于喂养牲畜。Masley 还提到用于乙醇生产的灌溉玉米和草坪，同时承认自己不确定多少高尔夫球场用水最终会回到地下，以及不同比较是否采用了完全相同的消耗口径。

19. AI 的间接气候影响可能远超数据中心足迹

Masley 引用 International Energy Agency 的预测称，到2035年，AI 应用可能避免约为数据中心产生排放4倍的排放。他认为这一估算高度不确定，并指出其中很大一部分收益可能来自专用深度学习系统，而不是大型聊天机器人。
单个应用已经可以达到系统级影响：如果 Google Maps 仅将汽车排放减少1%，节省的排放就可能相当于全球数据中心排放的很大一部分。建筑控制、路径规划、工业优化和行为变化的重要性，都高于为模型供电的那块电表。
Nathan 回忆，Jim Collins 的抗生素研究使用的模型，他认为只有数百万参数和数万条数据，在几台电脑上运行了几天；不过他明确表示记不清确切数字。类似的小型系统可能推动材料、电池、光伏或能效突破，而不需要接近前沿模型的资源投入。
Masley 做了一个“有点傻”的历史计算：假设1950年的电脑需要消耗美国一半能源才能运行 Minecraft，而现代个人电脑却能轻松完成同样的任务。经过70年的优化，计算已经能够以单位能源产出极高价值，因此其应用带来的影响很可能会主导其直接足迹。

20. 反弹效应让净结果确实难以确定

AI 可能让购物更有说服力、制造更便宜、消费更容易，从而在每项任务效率提高的同时推升总能耗。自动驾驶也可能减少浪费，却诱发更多出行——例如，在父母同意的情况下，让5岁孩子独自开车去朋友家。
Masley 将富裕国家的克制与发展问题分开看：他希望富裕用户推动脱碳，但认为让全球最贫困人口获得更多能源，几乎“无论通过什么方式”都至关重要。能源需求上升可能意味着福利改善，而不是政策失败。
在最极端的情况下，先进 AI 可能破坏地缘政治稳定或促成战争，而战争显然会造成环境破坏。他把这些“傻乎乎的科幻场景”暂时放在一边，因为自己的概率判断并不清晰，而且它们会掩盖眼下更容易处理的问题。
他给环保人士的收尾建议是：参与塑造 AI 的部署方式、清洁电网、严查严重的局部危害，而不是把数据中心能耗当成全部问题。在关于监控或危险能力的更强批评中，再加上一滴水，只会稀释批评本身：“人们很快就会察觉，你只是在抓任何能用的工具来凑数。”

E218｜Netflix与派拉蒙竞购华纳兄弟，好莱坞的洗牌时刻？2026 开年AI对谈：the year of R | 对谈真格基金戴雨森