宾州选民跨党派抵制数据中心：AI算力扩张的民生代价

AI基建热潮下的社区反弹

随着人工智能进入爆发式增长期，超大规模数据中心正以前所未有的速度在美国各地扩张。然而，这场由科技巨头驱动的基础设施狂潮，正在地方社区遭遇越来越强烈的阻力。

近日，宾夕法尼亚州多地选民罕见地跨越党派界限联合起来，共同反对在其社区兴建数据中心。一句"人们最终会吃亏（People are going to get screwed）"道出了普通居民对这场AI繁荣的深切忧虑。

这一现象值得科技行业深思：当AI的算力需求以指数级攀升，其背后的物理成本——土地、电力、水资源——最终要由谁来承担？

数据中心为何成为众矢之的

电价上涨：居民账单上的直接压力

宾州居民反对数据中心的核心诉求之一，是对本地电网和电价的冲击。现代AI数据中心堪称"电老虎"，单个大型园区的用电量可能相当于一座中型城市。以典型的AI训练集群为例，一块NVIDIA H100 GPU的热设计功耗（TDP）高达700瓦，而一个大规模训练集群往往部署数万甚至数十万块GPU，仅GPU本身的功耗就可达数十至上百兆瓦。再加上存储系统、网络设备、冷却设施以及供配电损耗，一座超大规模AI数据中心的总功率需求可以轻松突破数百兆瓦甚至达到吉瓦级别。行业通常用PUE（Power Usage Effectiveness，电力使用效率）来衡量数据中心的能效水平，即总设施用电量与IT设备用电量之比。目前行业平均PUE约为1.5至1.6，意味着每消耗1度用于计算的电力，还需额外消耗0.5至0.6度用于冷却和配电等辅助系统。据美国能源信息署（EIA）估算，数据中心用电量已占美国总用电量的约4%，且这一比例正在快速攀升，预计到2030年可能翻倍。

当这些高耗能设施接入区域电网后，往往推高本地电力批发价格，而这部分成本最终转嫁到普通居民和小企业的电费账单上。宾夕法尼亚州所属的PJM电力市场是全美最大的区域输电组织，覆盖13个州和华盛顿特区。PJM的容量市场（Reliability Pricing Model, RPM）采用三年前瞻性容量拍卖机制：每年举行一次拍卖，锁定三年后的容量供给承诺，发电商竞价承诺在未来高峰时段提供可靠容量，系统根据供需曲线确定统一清算价格。当数据中心等大型负荷快速增加时，系统预测的容量需求随之上升，供需缺口扩大，清算价格被推高，并直接传导至零售电价。2024/2025交割年度拍卖结果显示，部分PJM受限子区域（如EMAAC、SWMAAC）的清算价格较前一交割年度暴涨约900%，引发行业广泛关注。数据中心需求的激增已经导致容量拍卖价格在近两年内出现显著上涨，部分区域的电力容量竞拍价格较此前上涨了数倍。这意味着所有接入该电网的用户——无论是否使用AI服务——都在为算力基础设施的扩张间接买单。

对于许多工薪家庭而言，这意味着在没有获得任何直接收益的情况下，每月的生活开支被动增加。"吃亏"的正是那些无法从数据中心获得就业或税收红利的普通居民。

水资源争夺与环境隐忧

除了电力消耗，数据中心的冷却系统还需要消耗大量水资源。要理解这一点，需要了解数据中心的主流冷却技术。目前最常见的方案是蒸发冷却（Evaporative Cooling），其原理与自然界中水分蒸发带走热量的过程相同：将水引入冷却塔，通过蒸发吸收服务器产生的热量，从而降低循环空气或冷却液的温度。这一过程中蒸发掉的水无法回收，构成了数据中心的"消耗性用水"。据估算，一座100兆瓦级别的数据中心每年消耗的水量可达数亿加仑，相当于数千户家庭的年用水总量。谷歌和微软的环境报告显示，2022年两家公司全球数据中心的用水量分别约为56亿加仑和64亿加仑，且随着AI业务扩张，用水量还在逐年攀升。

近年来，部分科技公司开始探索液冷技术来替代传统的风冷加蒸发冷却方案。液冷技术主要分为三个层次：直接接触式液冷（DLC）将冷板贴附在芯片表面带走热量，改造成本相对较低；浸没式单相液冷将服务器整机浸入非导电介电液中，液体吸热升温但不发生相变；浸没式两相液冷则利用介电液的沸点特性，液体接触高热芯片后汽化，蒸汽在冷凝器中液化并循环回流，利用相变潜热大幅提升换热效率，可将PUE降至接近1.02至1.03的理论极限。液体远高于空气约25倍的导热系数，使这类方案在芯片功耗持续攀升的趋势下（NVIDIA Blackwell B200的TDP已超过1000瓦）正从利基技术走向主流选项。DLC已进入规模化部署阶段，而两相浸没液冷因介电液成本高昂和系统密封复杂性，整体仍处于商业化早期，但其规模化部署预期将在2025至2027年间加速。

在部分地区，数据中心的巨量用水需求直接与当地农业灌溉、居民日常用水形成竞争关系。特别是在美国中西部和西南部水资源本就紧张的地区，这种竞争已经引发了激烈的社区冲突。此外，占地广阔的数据中心园区还会改变社区的土地利用格局，带来持续的噪音（主要来自大型冷却风扇和备用柴油发电机组）、光污染以及对当地生态环境的长期影响。

这些环境外部性很难被简单量化，却实实在在地侵蚀着社区居民的生活质量。

跨党派联合抵制：一个耐人寻味的政治信号

此次宾州抗议最引人注目之处，在于它打破了美国政治中根深蒂固的党派对立。无论保守派还是自由派选民，都在数据中心这一议题上找到了共同立场。

这背后反映的是一个更本质的结构性矛盾：科技资本的全国性乃至全球性收益，与基础设施成本的本地化承担之间存在严重错配。

数据中心创造的利润流向科技巨头及其股东，而承受代价的却是设施所在地的普通社区。就业方面，数据中心虽然投资巨大——一座大型数据中心园区的建设投资动辄数十亿乃至上百亿美元——但建成后的长期运营岗位其实相当有限，通常仅需数十到数百名全职运维人员。多数环节依赖自动化管理，包括智能温控系统、远程监控平台和机器人巡检等技术，大幅减少了对人工的依赖。真正的高薪技术岗位——如AI研究员、算法工程师、云架构师——并不会落在数据中心所在的偏远社区，而是集中在硅谷、西雅图、纽约等科技中心城市。

这种"高投入、低就业、外部成本本地化"的特征，使得社区的抵触情绪天然具备跨越政治光谱的普遍性。从保守派角度看，这涉及私有产权保护和地方自治；从自由派角度看，这关乎环境正义和社区公平。两种截然不同的意识形态框架在"不要把数据中心建在我家后院"这一诉求上实现了罕见的汇合。

AI算力扩张背后的隐性账单

算力的物理成本由谁承担

这场发生在宾州的抵制运动，实际上揭示了整个AI产业繁荣中一个常被忽视的命题：算力不是凭空而来的。每一次大模型的训练、每一个AI应用的推理调用，背后都对应着真实世界的电力消耗、水资源占用和土地征用。

为了直观理解这种消耗的规模，可以回顾近年来AI大模型训练算力的跃升趋势。2020年发布的GPT-3拥有1750亿参数，训练过程消耗的算力约为3640 PetaFLOP/s-day。而2023年的GPT-4，虽然OpenAI未公开详细参数，但业界估计其训练算力较GPT-3提升了至少50至100倍。这种增长遵循所谓的"Scaling Law"（缩放定律）——由OpenAI研究员Jared Kaplan等人于2020年在论文《Scaling Laws for Neural Language Models》中系统阐述，揭示了语言模型性能与模型参数量（N）、训练数据量（D）、计算预算（C）三个变量之间稳定的幂律关系（Power-law Relationship）。这意味着要将模型能力提升一个固定幅度，所需计算量往往需要增长10倍乃至更多，催生了"大力出奇迹"的行业共识。2022年DeepMind发布的Chinchilla论文进一步修正了最优参数与数据的比例（每个参数约需20个训练token），使"计算最优训练"成为行业共识。值得注意的是，近期DeepSeek^广告-R1等研究成果表明，通过推理时计算（Test-Time Compute Scaling）和强化学习等方法，可以在参数量不变的前提下大幅提升能力，暗示Scaling的边界可能正在从训练侧向推理侧迁移——这对数据中心的负载模式有深远影响：推理阶段的计算密度和持续时间大幅上升，对基础设施的压力从训练集群向推理集群扩散。但主流实验室仍在持续追加投入，Scaling Law依然是理解AI基础设施投资逻辑的核心框架。据国际能源署（IEA）的预测，到2026年，全球数据中心的电力消耗可能超过1000太瓦时，接近日本全国的用电总量。这还没有考虑到AI Agent（能够自主感知环境并执行多步骤任务的AI系统）、具身智能（部署在物理机器人中、算力需求是纯语言模型数倍的AI系统）、视频生成等新兴应用场景可能带来的额外算力需求爆发。

当行业热议参数规模、模型能力和商业估值时，很少有人认真讨论：谁在为这些庞大的物理基础设施付出代价？答案往往是那些既缺乏话语权、也无法参与收益分成的地方社区。

监管缺位与利益分配失衡

居民的不满不仅在于成本本身，更在于缺乏公平的利益分配机制和有效的社区参与渠道。许多数据中心项目在获得政府税收减免和优惠电价的同时，并未向所在社区提供相应的补偿或长期收益保障。

事实上，美国各州之间存在一场激烈的"数据中心招商竞赛"，其背后是公共经济学意义上典型的竞次效应（Race to the Bottom）——多个竞争主体为争夺同一稀缺资源，不断压低自身条件直至趋近于零甚至为负的博弈结构。这一博弈结构在经济学上等同于"囚徒困境"：如果本地不提供税收优惠，企业选择竞争对手地区，本地税基为零；如果提供优惠，税基有所增加但低于潜在值；理性个体决策导致所有地区都提供最大优惠的集体次优均衡。为了吸引科技巨头落地，弗吉尼亚州、得克萨斯州、俄亥俄州、印第安纳州等地纷纷推出了极具吸引力的税收减免方案，包括长达10至25年的房产税减免、销售税豁免、甚至直接的现金补贴。以全球最大的数据中心集群所在地——弗吉尼亚州劳登县为例，虽然数据中心贡献了该县约三分之一的房产税收入，但截至2023年，弗吉尼亚州为数据中心提供的销售税豁免每年损失税收超过13亿美元，相当于该州年度教育预算的相当比例，而当地居民也在承受日益加剧的交通拥堵、电网紧张和地下水位下降等问题。部分宾夕法尼亚州、俄亥俄州等地的立法者已开始推动立法要求数据中心缴纳"社区影响费"，或将优惠与本地就业比例挂钩——这些尝试是打破竞次均衡的制度性探索，但在缺乏联邦统一框架的情况下，其效果仍有待观察。税收减免的"竞次效应"导致地方政府实际获得的财政收入远低于预期，而社区承担的外部成本却丝毫没有减少。这种由制度设计本身造成的不对等，才是抗议情绪持续发酵的深层原因。

科技行业需要正视的三个方向

宾州选民的联合抵制，很可能只是全美乃至全球范围内类似冲突的一个缩影。从爱尔兰对数据中心新建项目实施临时禁令，到荷兰阿姆斯特丹暂停数据中心用地审批，再到新加坡一度冻结新数据中心建设——全球范围内的社区和政府正在重新审视AI基础设施扩张的真实代价。随着AI基础设施继续扩张，科技公司将不得不面对越来越多来自地方社区的阻力。

这对整个行业提出了迫切要求：

• 成本透明化：数据中心运营方需要更坦诚地披露其对本地电网、水资源和环境的实际影响，让社区在知情的基础上参与决策。这意味着不仅要提供环境影响评估报告，还应定期公布实际运营数据，包括用电量、用水量、碳排放量等关键指标，并接受独立第三方审计。

• 利益共享机制：通过合理的税收贡献、社区发展基金或电价保障措施，让本地居民真正分享到AI繁荣带来的红利。一些值得借鉴的模式已经出现：例如部分欧洲国家要求数据中心运营商将余热接入区域供暖管网，为周边居民提供低成本暖气；也有科技公司设立专项教育基金，资助数据中心所在社区的STEM教育和职业培训项目，试图在长期层面创造本地价值。

• 可持续技术投入：加大对绿色能源供给、高效冷却方案和水循环技术的研发投入，从根源上降低数据中心的外部成本。在这一方向上，行业前沿已经涌现出多项有前景的技术路径。微软正在测试将数据中心建在海底以利用海水自然冷却；谷歌在其芬兰数据中心采用海水冷却方案，完全避免了淡水消耗；Meta和多家初创公司正在大规模推进浸没式液冷技术，可将冷却能耗降低40%以上。在能源供给侧，微软签署了历史上最大的企业清洁能源采购协议（超过10吉瓦），并与核能初创公司合作探索小型模块化核反应堆（Small Modular Reactor, SMR）为数据中心供电。SMR的电功率通常低于300兆瓦，支持工厂预制和模块化现场组装，建设周期较传统核电站大幅缩短，且多数设计采用非能动安全系统（依靠重力和自然对流而非主动泵送来维持冷却）；作为零碳基荷电力，SMR能够24小时稳定输出、不受天气影响，完美契合数据中心全年满负荷运行的需求——这是风电和光伏无法单独满足的特性。目前商业进展最快的项目包括Kairos Power（已与谷歌签署采购协议）和TerraPower（微软联合创始人比尔·盖茨支持）；微软与Constellation Energy达成的核电采购协议计划于2028年重启三哩岛核电站，是这一趋势的最具标志性的近期实践。亚马逊则直接收购了核电站旁的数据中心园区，以获取稳定的零碳基荷电力。这些努力虽然方向正确，但距离从根本上解决AI算力扩张的环境代价还有相当距离。

结语：AI发展不应以牺牲社区为代价

"人们最终会吃亏"这句朴素的抗议，是对AI狂飙时代的一记警醒。技术进步的光环之下，是无法回避的能源消耗、水资源紧张和社区公平问题。

真正可持续的AI发展，不应该建立在牺牲普通社区利益的基础之上。如何在算力扩张与社区福祉之间找到平衡点，将成为科技企业和政策制定者必须严肃面对的长期课题。这不仅关乎技术伦理，也将直接影响AI基础设施建设的推进速度——当越来越多的社区对数据中心说"不"时，算力扩张的物理瓶颈可能比芯片短缺更加难以逾越。