近期,新英格兰地区两个州对新建数据中心项目说"不",反映出从民众到地方政府对数据中心建设的日益抵制。
缅因州成首个暂停数据中心建设的州
据《华尔街日报》报道,缅因州提出的法案将暂停20兆瓦及以上的新项目,直至2027年11月,以便州政府研究这些项目对环境和电网的影响。该法案上月在缅因州众议院获得两党支持通过,预计将在参议院获得通过。据报道,州长珍妮特·米尔斯支持暂停令,不过她的办公室也支持为计划在杰伊的一个项目提供例外。
与此同时,位于95号州际公路南侧的罗德岛州史密斯菲尔德镇也准备禁止在镇内建设数据中心。镇议会已获得镇规划委员会的支持,推进禁止在史密斯菲尔德建设数据中心的提案。该条例还建议设立两年期限,供委员会或议会审查。条例生效后,开发商仍可向镇政府申请数据中心项目,但需要申请使用许可豁免。
全国范围内的抵制浪潮
这些举措反映了从民众到地方政府对数据中心的抵制情绪。据Stateline报道,本届会期至少有11个州的立法者提出了临时数据中心暂停法案。
专家表示,各级政府越来越难以忽视数据中心对社区的影响,这些设施消耗大量水资源并推高电价。根据皮尤研究中心的分析,2024年数据中心消耗了1830亿千瓦时电力,占美国总用电量的4%以上。预计到2030年,这一需求将增长一倍以上,达到4260亿千瓦时。
影响程度相当显著。2023年,数据中心消耗了弗吉尼亚州约26%的电力供应,不过弗吉尼亚州以拥有极其密集的数据中心集群而闻名。
Omdia基础设施高级分析师艾伦·霍华德表示,他对此并不感到意外。"全国媒体对数量有限的数据中心'恐怖'故事的大量报道,让许多司法管辖区和州政府对数据中心项目可能产生的潜在影响感到恐慌,"他说。
他认为,这是一种演变趋势,地方立法者已经接受了这样的理念:他们不想像其他人那样吃苦头才学会经验。
"话虽如此,似乎不太可能出现会严重损害行业发展的大范围数据中心建设禁令。美国有很多地方可以选择,开发商已经习惯于在适合其需求的地方选址项目,尽管可能不是最理想的便利位置,"霍华德表示。
Q&A
Q1:缅因州为什么要暂停新建数据中心项目?
A:缅因州提出法案暂停20兆瓦及以上的新数据中心项目至2027年11月,主要是为了研究这些项目对环境和电网的影响。该法案已在州众议院获得两党支持通过,反映了对数据中心建设影响的担忧。
Q2:数据中心对美国电力消耗有多大影响?
A:根据皮尤研究中心分析,2024年数据中心消耗了1830亿千瓦时电力,占美国总用电量的4%以上。预计到2030年这一需求将增长一倍以上,达到4260亿千瓦时。以弗吉尼亚州为例,2023年数据中心消耗了该州约26%的电力供应。
Q3:全美有多少州在考虑限制数据中心建设?
A:据Stateline报道,本届会期至少有11个州的立法者提出了临时数据中心暂停法案。专家指出,全国媒体对数据中心负面影响的报道让许多司法管辖区和州政府对数据中心项目的潜在影响感到担忧。
好文章,需要你的鼓励
亚马逊宣布向Anthropic追加50亿美元投资,分析师指出此举更多是为解决AI算力瓶颈。根据协议,Anthropic将锁定AWS最高5吉瓦的Trainium芯片算力,包括新一代Trainium 3和Trainium 4。此前Anthropic因容量不足被迫限流,此次扩容将提升用户并发支持能力。协议还涵盖亚欧地区推理算力扩展。分析师指出,此类交易已超越传统风险投资范畴,本质是"供应链融资"——将股权投资与云计算承诺捆绑,以锁定客户并确保资本回报。
这篇由清华大学、香港大学、美团LongCat团队等机构联合发布于2026年4月的综述(arXiv:2604.10098),是关于Transformer"注意力沉积"(Attention Sink)问题的首篇全面系统性研究。注意力沉积是指AI模型将大量注意力集中到语义无关的词上的普遍现象。综述梳理超过180篇研究,围绕"如何利用、如何解释、如何消除"三个维度构建了完整知识体系,涵盖大语言模型、视觉Transformer、多模态模型等多种架构,为AI推理效率、幻觉治理和低精度部署提供了系统性指导。
前微软工程师Dave Plummer是任务管理器的原始开发者,他近日解释了CPU使用率显示背后的原理。任务管理器并非实时读取CPU数值,而是通过定时器采样,计算两次采样间的CPU累计执行时间差来估算使用率。这一方法在早期静态时钟频率的CPU上表现良好,但在现代CPU动态调频、核心休眠等机制普及后,显示结果更接近"占用率"而非真实"生产力",导致数字有时显得不够精准。
这项由加州大学圣地亚哥分校等多家机构联合发布于2026年4月的研究(arXiv:2604.11201),推出了名为COCOABENCH的AI综合能力测试平台,包含153道需要同时运用视觉理解、网络搜索和编程三种能力的真实任务,并配套轻量级测试框架COCOA-AGENT。测试发现,当前最强AI系统成功率仅为45.1%,主要失败原因集中在推理规划、工具执行和视觉感知三大方面,揭示了现有AI距离"真正全能数字助手"仍有显著差距。