据加州大学河滨分校研究人员分析显示,与加州数据中心污染相关的潜在健康影响在2019年至2023年间增长了两倍。
这份由无党派智库Next 10发布的报告警告,如果不制定新的缓解政策,随着处理需求的加速,这些影响到2028年可能再攀升72%。
该研究将可能的不良健康后果激增与同期数据中心用电量近乎翻倍联系起来,全州消费量预计到2028年将达到2019年水平的三倍以上。
在高端估计下,数据中心每年可能消耗25.3太瓦时电力,大致相当于240万美国家庭的用电量。
环境影响加速
尽管加州电网相对可持续,但由于工作负载需求不断增长以及对天然气发电厂的持续依赖,数据中心运营产生的温室气体排放持续上升。
报告指出,广泛用于冗余和常规测试的柴油备用发电机也产生大量氮氧化物和颗粒物排放,这些与呼吸道和心血管疾病相关。
加州大学河滨分校马兰和罗斯玛丽·伯恩斯工程学院副教授、报告合著者任少雷告诉《数据中心知识》,这些发现突出了在数据中心增长加速时,制定州级政策管理排放和用水的必要性。
"已经有柴油发电机排放限制规定,但通常不直接基于健康影响评估,"他解释说。
"如果我们在考虑选址和柴油发电机限制时纳入公共健康影响,将立即带来健康益处。从长远来看,更清洁的电网将有所帮助。"
柴油逐步淘汰
报告呼吁逐步淘汰柴油发电机,转而使用长持续时间电池储能,采用更严格的选址和排放标准,并提高数据中心环境影响的透明度。
任少雷指出,替代备用系统在技术上已经可行,一些大型科技公司正在使用这些系统结合计算负载转移,将计算重新定位到其他位置以缓解电网不稳定或停电。
"然而,对于加州的托管数据中心,使用计算负载转移作为备用选项并不简单,因为数据中心运营商不直接控制服务器,"他说。
规模化满足需求
根据劳伦斯伯克利国家实验室的预测,在美国范围内,数据中心预计到2028年将占美国电力需求的12%,高于2023年的4.4%。
用水量也在攀升。与冷却和发电相关的总蒸发水量从2019年到2023年几乎翻倍,达到近500亿升,到2028年可能上升至1160亿升——这在这个容易干旱的州是一个持续关注的问题。
任少雷说,自然空气冷却配合夏季高峰期的水分蒸发辅助,可以帮助减少现场用水消耗。再生水是减少饮用水使用的另一个选择。
"废热再利用——将数据中心热量转移到附近的商业和住宅建筑——是减少冷却能源和用水的另一种方法,"他说。
与监管机构合作
随着数据中心电力需求预计到2028年将增长两倍,任少雷说监管机构应该努力更新排放透明度、报告要求和许可实践,以最大程度减少公共健康影响。
"公共健康影响不像碳排放那样被频繁讨论,"他说。
工具可以精确定位排放源,跟踪污染物传播路径,并测量健康影响,为数据中心的建设和运营提供指导。
"在讨论数据中心项目时,这应该是我们对话的一部分,"任少雷说。"如果有简单的修复方法可以缓解健康影响,我们为什么要忽视它们?"
Q&A
Q1:加州数据中心污染对健康的影响有多严重?
A:根据加州大学河滨分校的研究,与数据中心污染相关的潜在健康影响在2019年至2023年间增长了两倍,主要由柴油备用发电机产生的氮氧化物和颗粒物排放引起,这些污染物与呼吸道和心血管疾病相关。
Q2:数据中心用电量增长有多快?
A:加州数据中心用电量在2019年至2023年间近乎翻倍,预计到2028年将达到2019年水平的三倍以上。在高端估计下,数据中心每年可能消耗25.3太瓦时电力,相当于240万美国家庭的用电量。
Q3:如何减少数据中心的环境影响?
A:专家建议逐步淘汰柴油发电机,改用长持续时间电池储能;采用自然空气冷却和废热再利用技术;使用再生水减少饮用水消耗;实施更严格的选址和排放标准,并提高环境影响透明度。
好文章,需要你的鼓励
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
谷歌发布基于Gemini 3的快速低成本模型Flash,并将其设为Gemini应用和AI搜索的默认模型。新模型在多项基准测试中表现优异,在MMMU-Pro多模态推理测试中得分81.2%超越所有竞品。该模型已向全球用户开放,并通过Vertex AI和API向企业及开发者提供服务。定价为每百万输入token 0.5美元,输出token 3美元,速度比2.5 Pro快三倍且更节省token用量。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。