根据服务器农场弹性智库Uptime Institute的研究显示,数据中心运营商在收集关键可持续性数据方面正在倒退,这一现象发生在多年进展之后。
该机构第15次年度全球数据中心调查显示,在过去12个月中,运营商在几乎所有指标上收集的可持续性数据量都出现停滞甚至下降。这一结论基于800名数据中心所有者和运营商,以及1000多名供应商和顾问参与今年调查的反馈。
报告详细显示,虽然数据中心的能源消耗仍然是最容易收集数据的指标之一,但监控这一指标的运营商数量相比2024年有所下降。例如,84%的受访者表示他们收集了设施的能源消耗数据,74%的受访者表示他们对站点的电能使用效率(PUE)评分进行同样的收集。
然而,尽管Uptime Institute承认这两个指标是运营商最常跟踪的指标,但收集这些数据的运营商百分比已从2024年的89%(能源消耗)和76%(PUE)下降。
"经过多年的逐步增长,Uptime的年度调查结果显示,自2024年以来,几乎所有指标的可持续性数据收集都停滞甚至下降。虽然PUE和能源消耗仍被广泛跟踪,但整体模式呈静态,"Uptime Institute在报告中表示。
"唯一显示可测量(但轻微)增长的指标是用水量,主要是欧洲增长了5个百分点,这可能是受到欧盟能效指令(EED)的推动,该指令要求报告用水量。"
与此同时,收集其他数据中心可持续性指标数据的运营商数量下降,被归因于世界其他地区采用了"更加放任自流的治理制度"。
"例如,美国证券交易委员会在2024年初放弃了要求气候风险报告(包括温室气体排放)的努力...欧盟委员会推迟了企业可持续性报告指令下的温室气体报告,并打算将许多组织排除在其范围之外,"报告继续说道。
Uptime表示,还有一些"实际考虑因素"可能阻碍运营商收集可持续性数据的努力。"大型扩张项目,如正在开发或最近投入使用的生成式AI数据中心,具有高资源消耗,"报告称。"这使得可持续性目标更难实现,并降低了运营商收集和报告数据的积极性。"
报告补充说,该行业依赖使用电力购买协议和能源属性证书来平衡或抵消其能源消耗和碳排放,这些成本也在不断上升。
报告继续承认,Uptime之前的报告发现的数据表明,许多数据中心运营商可能正在回退他们的可持续性承诺或推迟实现净零目标的截止日期。
"鉴于许多数据中心公司严重依赖抵消来实现这些目标,这些更高的成本可能导致一些运营商悄悄放弃净零目标或完全停止跟踪和报告排放,"报告补充道。
Q&A
Q1:数据中心运营商在可持续性数据收集方面出现了什么问题?
A:根据Uptime Institute的调查,数据中心运营商在收集关键可持续性数据方面正在倒退。在过去12个月中,运营商在几乎所有指标上收集的可持续性数据量都出现停滞甚至下降,包括能源消耗和PUE评分的收集率都有所下降。
Q2:为什么数据中心运营商减少了可持续性数据收集?
A:主要原因包括:世界其他地区采用了更加放任自流的治理制度,美国证券交易委员会放弃了气候风险报告要求;生成式AI数据中心等大型扩张项目资源消耗高,使可持续性目标更难实现;依赖电力购买协议和能源属性证书的成本不断上升。
Q3:哪个可持续性指标的数据收集有所增长?
A:用水量是唯一显示增长的指标,主要是欧洲地区增长了5个百分点。这可能是受到欧盟能效指令(EED)的推动,该指令要求报告用水量。而其他指标如能源消耗和PUE的收集率都出现了下降。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。