论文互动版 · 阅读约15分钟
巴西的人工智能数据中心：机遇与风险
人工智能让数据中心变成了一种新型的电力和水资源大用户：集中在少数地点，而且增长迅速。本页通过图表和一个模拟器，解读原论文发表的文献综述：关于这些设施的影响，目前已知哪些情况，以及这对巴西意味着什么。
一分钟读懂论文
论文结论：巴西数据中心的可持续性取决于建在哪里、如何冷却、 能源消费模式、是否计入间接用水、数据是否透明，以及长期的商业与战略收益是否清晰。
这个话题为何现在爆发
直到2010年代中期，数据中心的用电量每年只略有增加：能效提升抵消了需求增长。从2017年起，用于人工智能的 GPU 服务器改变了曲线。在美国，2014至2016年用电量稳定在约60 TWh，到2023年达到 176 TWh（占全国电力的4.4%）。全球2024年约为415 TWh，自2017年以来每年增长约12%。
2028年的浅色柱为预测区间（325至580 TWh，即预测用电量的6.7%至12%）。来源：LBNL [3]。
2030年为预测值。来源：IEA [8]。
占总量的比重：IEA 预计到2030年，数据中心在全球电力需求增长中的占比不到10%。问题不在总量，而在集中：美国近一半的容量集中在五个区域集群。在爱尔兰，数据中心2022年已消耗全国18%的电力。
数据中心并非都一样
企业自建（enterprise）
由企业自行运营、供自身使用，通常为中等规模。
托管（colocation）
向自带服务器的客户出租空间、电力、制冷和网络连接。模块面积约1,000平方米。
超大规模（hyperscale）
属于以超大规模运营互联网服务的企业。模块面积约2,800平方米；Amazon、Microsoft 和 Google 占一半以上。
一个用 GPU 服务器训练和运行模型的人工智能数据中心有何不同？论文指出了三个实际差异：
已有72 GPU机柜（GB200）发布。这种密度超出了风冷的能力，推动行业转向液冷。来源：LBNL [3]。
数据中心如何冷却
从根本上说，数据中心是一座把电力转化为计算、并必须排出由此产生的热量的建筑。它每平方米的能耗是办公楼的 5倍，冷却可占总能耗的约40%。这是影响水和能源的主要工程杠杆。选择一种技术：
- 工作原理
- 通过水的蒸发预冷空气。
- 用水
- 高，尤其在炎热气候下。
- 能耗
- 在干燥气候下高效。
- 风险与局限
- 蒸发和排污（blowdown）需要补充水。
- 工作原理
- 与室外空气换热（节能器或干式冷却器）。
- 用水
- 低。
- 能耗
- 炎热气候下耗电更多。
- 风险与局限
- 性能取决于当地气候。
- 工作原理
- 液体（例如75%水、25%丙二醇）流经芯片表面。
- 用水
- 蓝水消耗比风冷低31%（电网电力）至50%（可再生能源）。
- 能耗
- −15%。
- 风险与局限
- 铜部件随每一轮服务器更换而更换。
- 工作原理
- 服务器浸没在介电流体中，通常为碳氢化合物。
- 用水
- −45%（电网电力）至−80%（可再生能源）。
- 能耗
- −15%。
- 风险与局限
- 流体易燃；含油废物；泄漏时有污染土壤的风险。
- 工作原理
- 流体在30-50 °C沸腾后重新冷凝。
- 用水
- −48%（电网电力）至−82%（可再生能源）。
- 能耗
- −20%。
- 风险与局限
- 流体通常为 PFAS，在欧盟和美国受到监管限制：存在资产搁浅风险。
相对于风冷数据中心、按每个虚拟核心每年计算的降幅。论文表1；Alissa et al.（Microsoft）的生命周期评估 [5]。
闭环 ≠ 零消耗
在蒸发式系统中，水蒸发后留下盐分，需要排污和补水。关键指标是蓝水消耗：从河流取走且不再返回的水。
气候与技术同样重要
同一系统在高温下耗水耗能更多。美国平均 PUE 从1.6（2014年）降至1.4（2023年）。
总有取舍
两相浸没节水节能，但带来化学风险（PFAS）。干式冷却节水，但耗电更多，进而在电厂消耗更多水并产生更多排放。
设备淘汰与电子垃圾
建筑寿命约15年；服务器约6年（LBNL 统计的平均寿命：2019年前为4.4年，2023年为5.7年）。同一栋建筑中，服务器会更换两到三轮。Wang et al. 估计，2020至2030年间与大语言模型相关的电子垃圾为120万至500万吨；循环经济可将其减少16%至86%。
水：究竟衡量的是什么
继续之前，先猜一猜：与美国数据中心相关的水中，有多少用于现场冷却？
不到8%。2023年，美国数据中心直接消耗660亿升水，但在为其发电的电厂中消耗了近8,000亿升（每千瓦时4.52升）。超过92%的水足迹发生在数据中心之外。
来源：LBNL [3]；占比由论文计算。
约550 MW IT 负载；相当于超过10万户家庭的用水量。来源：Liang [12]。
很多混淆源于把衡量不同事物的指标混为一谈。点击每个术语：
取水（withdrawal）
从河流、含水层或公共管网抽取的水量。影响短期可用量和水质，但其中一部分会返回。
蓝水消耗
取水量减去以可用形式返回的部分（即蒸发或被吸收的部分）。这是可在各行业之间比较的指标。
直接用水（on-site）
设施自身冷却的耗水（现场 WUE）。影响本地流域。
间接用水（source）
生产所用电力的耗水：火电厂和水库的蒸发。通常是最大的部分，并影响其他流域。
饮用水与再生水
所取水的来源。它改变的是与居民供水的竞争，而不一定是实际消耗。
绿水
作物和牧场消耗的雨水。与农业相关；不能与取水量相比较。
再生水有帮助，但不能解决一切。用处理后的污水替代饮用水已有规模化实践（美国 Quincy，补水中仍有约5%为饮用水）。但再生水改变的是来源，而不是消耗：蒸发的水不会回到本地循环。它也不涉及最大的部分——间接用水。在美国，服务器直接用水的五分之一来自中度或高度水资源压力的流域，而全球只有不到三分之一的运营商测量其用水量。
模拟器：一个100 MW的数据中心
为了让数字更直观，论文采用了一个假设情景：IT 设备全年8,760小时持续消耗100 MW。选择冷却系统和能效（PUE），并与一座巴西城市进行比较。
PUE 越高，用于 IT 之外的冷却和基础设施的能源就越多。1.2-1.4的区间是论文采用的范围。间接用水固定为135万立方米：用电量的变化不会反映在这一估算中。
折合2,500立方米的泳池，每天 （3.6个）
数据中心内 发电环节
现场用水约相当于一座百万人口城市中按假设不会回流到流域的水量的18%。
柱：中心值；横线：近似区间。虚线为 Redata 限值（0.044）。来源：LBNL [3]。
"你的情景"一栏随所选 PUE 变化。来源：EPE（Empresa de Pesquisa Energética，巴西能源研究公司）与 IBGE（Instituto Brasileiro de Geografia e Estatística，巴西地理与统计研究所）[78, 79]。
发电环节的部分保持不变，仅用于比较各系统。来源：LBNL [3] 与 Liang [12]。
以表格查看模拟器数据（论文表3、表5和表6）
| 系统 | 现场 WUE（升/每千瓦时 IT） | 百万立方米/年 | 泳池/年 | 泳池/天 | 等效人数 |
|---|---|---|---|---|---|
| 蒸发冷却塔 + 水侧节能器 | ≈2.2 (1.7-2.8) | 1.93 | 771 | 2.1 | ≈2.9万（2.3万-3.7万） |
| 风侧节能器 + 绝热（水冷冷水机组） | ≈0.5 (0-1.5) | 0.44 | 175 | 0.5 | ≈7千（0-2万） |
| 芯片直接液冷 + 蒸发冷却塔 | ≈2.0 (1.6-2.5) | 1.75 | 701 | 1.9 | ≈2.7万（2.1万-3.3万） |
| 芯片直接液冷 + 带绝热辅助的干式冷却器 | ≈0.1 (0-0.3) | 0.09 | 35 | 0.1 | ≈1.3千（0-4千） |
| 芯片直接液冷 + 无水干式冷却器（闭环） | ≈0 | 0.00 | 0 | 0.0 | 运行中≈0 |
| Redata 法定限值 | 0.05 | 0.044 | - | - | ≈700 |
| 发电过程中消耗的水（Liang [12]） | - | 1.35 | 542 | 1.5 | ≈2.1万 |
等效人数：仅按年用水量计算，每人每天180升（约65.7立方米/年，SINISA（Sistema Nacional de Informações em Saneamento Básico，巴西国家基本卫生信息系统）2025年数据）。不代表供水能力，也不代表同一流域。在持续100 MW 的负载下， 1升/千瓦时相当于每年87.6万立方米。电力：876 GWh IT × PUE。100万人口城市：每年2,656 GWh（所有用户类别）以及每年1,090万立方米按假设不会回流到流域的水。这些是 LBNL 针对美国气候的情景，而非对巴西某一设施的预测。
与其他行业比较有帮助吗？
从全球看，人工智能与粮食生产相比规模很小。粮食生产每年排放约17.3 Gt 二氧化碳当量，其中57%来自动物源食品。人工智能2025年的排放估计在32.6至79.7 Mt 之间，与纽约市相当。选择人工智能的估计值，数一数方格：
2025年的人工智能 1个方格
动物源食品 （约9.9 Gt 二氧化碳当量，占粮食生产17.3 Gt 的57%） 120个方格
方格共300个：采用人工智能的高估计值时，空格显示的是采用低估计值时比值能达到的位置。120至300倍的比值应理解为数量级。食品的数字包括甲烷、氧化亚氮和土地利用变化，对应约2010年；人工智能的数字不含服务器制造的碳排放。来源：Xu et al. [21] 与 de Vries-Gao [7]。
但风险是局部的
畜牧业的需求是分散的；数据中心的需求则是集中且持续的，而该行业的全球用电量自2017年以来每年增长约12%。关键在于它所在的流域和电网。
覆盖面不同
畜牧业提供全球16%的热量和36%的蛋白质。2026年6月，15至64岁人群中有18.8%（约10亿人）使用过生成式人工智能。这些是不同的衡量方式，没有一种能衡量每立方米水的社会效益。
警惕换算
即使是同行评审的论文也会使用不可靠的系数：有一项研究用约1,600立方米/吨将 São Paulo 集群与牛肉比较，与参考值15,400立方米/吨不符。
能源：IEA 预计，到本十年末，美国数据中心的用电量将超过铝、钢、水泥、化工以及所有其他电力密集型产品的生产用电总和。但这只是电力：重工业直接燃烧的燃料更多。食物与计算不可互换，权衡二者是一种规范性选择，而非经验性选择。
巴西的现状
在拉丁美洲举足轻重，在全球则规模较小。来源：世界银行 [4]。
可再生但依赖降雨的电力结构
互联电网中化石燃料火电的排放比2020年高出75%。来源：IEMA（Instituto de Energia e Meio Ambiente，能源与环境研究所）[33]。
部分亚马逊低地水坝的排放可能超过化石燃料电厂。水库也会因蒸发而耗水。来源：Almeida et al. [13]。
稀土：本身变不成芯片的王牌
储量，以百万吨氧化物计。来源：USGS [24]。
USGS 将巴西储量取整为1,100万吨，仅次于中国（4,400万吨）；ANM（Agência Nacional de Mineração，巴西国家矿业局）登记为1,140万吨。全国23个州共有2,777项采矿申请。永磁体约占稀土用量的35%，却占其价值的83%。
在 Minaçu（Goiás 州），Serra Verde 自2024年起生产含 Nd、Pr、Dy 和 Tb 的碳酸盐，以15年期合同出售给一家由美国政府支持的机构。在 Lagoa Santa（Minas Gerais 州），MagBras 项目正在中试规模上测试"从矿山到磁体"的产业链。
拥有储量和碳酸盐并不意味着能制造 GPU。这种战略重要性可以用来争取在本国开展精炼、研究、人才培养和产业发展，但这些收益取决于谈判达成的对等承诺。
巴西面临的风险
2014-2015年巴西东南部的水危机使4,000万人面临风险；在 São Paulo，管网压力被降低，有人连续数小时乃至数天无水可用。这场危机是否归因于气候存在争议，但双方都同意：脆弱性源于供给波动加需求增长，而大型持续负载会进一步推高需求。
São Paulo 集群（约550 MW IT 负载）位于 Alto Tietê 流域，水资源压力高至极高，为超过2,000万人供水。若在2021年电力结构下发生干旱，间接用水将增加27.2%。
结果取决于水电用水的归属方法；用电量为估算值，而非实测值。来源：Liang [12]。
2015年的干旱使水力发电减少了110 TWh。巴西发电存在10至15年的周期，干旱期往往与供电危机重合； 2015年，火电的额外成本被转嫁给了消费者。
干旱期间接入的新增持续负载，往往由边际电源满足，而边际电源常常是火电厂。可再生能源合同改善的是账面平衡，但并不决定哪些电厂开机。核电是值得研究的选项，但只有在属于新增发电时才能减少火电。
作者在总损失中重点指出的组成部分。来源：Hunt et al. [17]。
2026年2月，ONS 确认了43项接入 Rede Básica（高压输电主网）的申请，其中38项来自数据中心，合计约7,040 MW；São Paulo 占20项、3,914 MW。
并非每项申请都会变成实际用电。按 ONS 的预测，数据中心将从2026年的304平均MW增至2030年的3,457平均MW，约占系统的3.5%，接近美国2023年的4.4%。电动汽车带来另一部分需求：从627 GWh（2025年）增至7.8 TWh（2035年）。
第12.772/2025号法令规定，当同一接入点的申请超过容量时进行竞争性分配。而把一半以上的新增负载集中在一个州，需要的是地理冗余，而不仅仅是物理防护。
数据中心申请的负载（2026年2月）
ONS 预测：Rede Básica 上数据中心的平均用电
来源：ONS [83, 23]。
数据中心的生命周期通过三种途径排放受监管的污染物（PM2.5、SO₂、NOₓ）：服务器制造、化石燃料发电和备用柴油发电机。证据来自美国：
目前没有找到关于巴西数据中心备用柴油发电机，或为这类负载供电的火电厂对健康影响的研究：这是一个研究空白。来源：Han et al. [9]。
Redata（第15.504/2026号法律）是一项为期五年的制度，暂停征收设备的联邦税，但其中部分优惠仅适用至 2026年12月31日。2026年估计税收减免52亿雷亚尔，换取以下承诺：
- 100%可再生或清洁能源
- 用水效率：WUE ≤ 0.05升/千瓦时，每年测定
- 2%投入研究、开发与创新
- 至少10%的容量供应国内市场，可用额外的研究、开发与创新投资替代（并非有保障的预留容量）
- 在法律指定的地区，国内供应和研究承诺降低20%
论文指出的漏洞：
- 不计间接用水。现场 WUE 忽略了发电用水：在美国占总量的90%以上，在 São Paulo 集群占46%。
- "可再生"缺乏标准。如果合同和证书都算数，那么实际负载在干旱时可能由火电满足。
- 以能耗换水耗。在热带气候下达到0.05升/千瓦时需要干式冷却，而干式冷却在炎热天气耗电更多，可能把影响转移到间接用水和排放上。
要证明面向人工智能的扩张是合理的，就必须看它带来了什么：
这并不说明人工智能无用；它说明计算能力本身并不能保证带来收益。水和能源的成本留在当地；收益则可能流向远方。没有任何来源计算过巴西承载面向外部需求的基础设施的净收益。每个项目都应把就业、税收、研究和数据自主权，与当地在水、能源、电网和激励措施方面的成本放在一起衡量。
机遇
土地与选址
选址是对水和碳影响最大的单一变量：在美国，同样的服务器因所在位置不同，水足迹会在这一范围内变化。巴西可以选择。
能源
使用可再生能源而非美国平均电网时的排放降幅。风电和太阳能已占发电量的近四分之一，一项研究表明东北部的风能可在干旱时补充水电流域。
水
液冷相对于风冷的蓝水消耗降幅；再生污水几乎可以一比一地替代饮用水。国家可以把这作为获得激励的条件。
投资与电网
EPE 建议的电网加固将在 São Paulo 释放约4 GW 的接入裕度。只要明确加固成本，该行业已经能吸引国际资本。
就业与培训
最大的潜力在于施工和技术培训：电工、暖通空调、基础设施工程。研发承诺若方向得当，可以资助人才培养。
服务地区的算力
为巴西以及目前因缺乏基础设施而无法利用人工智能的邻国，提供配备 GPU、价格可负担并有培训支持的可及算力。这是一种可能性，而非必然结果。
典型设施约2万平方米；50个长期岗位中一半为外包。在美国一个典型的县，Brookings 估计可带来100至200个岗位，工资几乎不变。来源：JLARC [29] 与 Brookings [28]。
生活质量：PBIA 规划了在医疗、教育和公共服务方面的应用，但没有找到证据表明承载数据中心能改善当地居民的生活。收益取决于使用，而不是承载。
论文建议衡量和要求什么
巴西具备有利条件：2025年电力供应中可再生能源占86.6%，有可供选址的国土，也有规划机构。要让这些转化为发展，对大型数据中心的许可和激励应当要求：
- 完整的用水核算：披露设施现场以及发电环节的用水。
- 实际碳排放：按实际输送到该地区的能源计算排放，而不仅仅依据证书。
- 新增能源：签约额外的清洁发电，且发电时段与用电时段相近。
- 干旱中的流域：在干旱情景下评估本地流域及供电流域的水资源压力。
- 危机预案：像爱尔兰那样，在危机期间临时削减用电。
- 柴油与火电：限制并监测柴油发电机和火电的使用。
- 服务器：设定再利用和负责任处置的目标。
- 真正的可及性：披露向国内市场提供的 GPU、价格、服务的用户和成果。
- 开放数据：建立匿名化运营数据的公共数据库。
简明术语表
PUE
Power Usage Effectiveness（电能使用效率）：设施总能耗 ÷ 输送给 IT 的能耗。它衡量的是基础设施，而不是服务器效率：出色的 PUE 也可能伴随巨大的能耗。
WUE
Water Usage Effectiveness（水资源使用效率）：每千瓦时 IT 用电所耗水的升数。 "现场"WUE 不包括电厂消耗的水。
TWh、GWh、平均MW
1 TWh = 1,000 GWh = 100万 MWh。"平均MW"是全年的平均功率： 100平均MW × 8,760小时 = 876 GWh。
Rede Básica
巴西互联电网的高压输电线路，在 ONS 协调下运行。大型数据中心申请直接接入。
额外性
指签约的能源来自新增发电。预订现有电厂的发电量，可能只是把其他用户推向火电。
基于位置 vs. 基于市场
"基于位置"的排放采用所接入电网的实际电力结构；"基于市场"的排放采用所购买的证书。本地污染无法用在别处生产的清洁能源抵消。
GPU
图形处理器：用于训练和运行人工智能模型的处理器，其功率和发热远高于普通服务器。
Redata
Regime Especial de Tributação para Serviços de Datacenter （数据中心服务特别税收制度，第15.504/2026号法律）。
原论文与引用方式
本页对论文进行概述和图解，论文以葡萄牙语撰写；数字取自论文的表格和正文。如有出入，以原文为准：原文包含109条参考文献、完整的方法论和全部限定说明。
APA
Damico, J. (2026). Data Centers de IA no Brasil: Oportunidades e Riscos [巴西的人工智能数据中心：机遇与风险] (Version 1). Zenodo. https://doi.org/10.5281/zenodo.23092193
ABNT（Associação Brasileira de Normas Técnicas，巴西技术标准协会）
DAMICO, José. Data Centers de IA no Brasil: Oportunidades e Riscos. Zenodo, 2026. DOI: 10.5281/zenodo.23092193. Disponível em: https://zenodo.org/records/23092193.