标签
对AI行业的环境成本及聊天机器人能力的过度宣传的批判性反思，指出许多危害被忽视，并且不使用AI仍然是一个轻松的选择。
2025年，爱尔兰数据中心的用电量占全国电力的23%，较2024年增长了10%，尽管对新电网连接实施了暂停。新法规要求大型数据中心运营商提供备用发电，并将电力回馈至电网。
本文讨论了因环境和能源问题而对AI数据中心日益增长的本地反对声浪，重点介绍了爱尔兰的一个历史案例以及当前广泛的抵制情况。
谷歌的电力消耗从2024年到2025年激增了12 TWh，达到43 TWh，这由生成式AI基础设施驱动，导致排放呈指数级增长，并破坏了气候目标。
作者认为，尽管当前AI的扩展方法是工程的巅峰，但其效率极其低下，未来会被视为原始，就像我们现在看待1960年代的大型主机一样。
弗吉尼亚州亨里科县拥有37个数据中心，在数据中心电力需求导致电价上涨25%之后，要求学校和政府雇员节约用电，凸显了科技基础设施与当地社区之间日益加剧的矛盾。
联合国一份报告揭示，到2030年，AI数据中心消耗的水量可能相当于13亿人基本年需求量，其中80-90%的能源用于日常运营而非训练。生成一张AI图像所用的能源是执行一项基本文本任务的1000多倍。
本文系统性地研究了使用LoRA对Qwen2.5-3B进行参数高效微调用于电信客户支持，比较了16种LoRA配置的传统指标与能耗分析。发现定量与定性性能之间存在分歧。
在居民、活动人士和州政府官员的压力下，Kevin O'Leary 同意将其在犹他州规划的 40,000 英亩 Project Stratos 数据中心规模缩减约一半。缩减后的项目仍将覆盖约 20,000 英亩，面积超过曼哈顿岛。
据活动人士称，人工智能的崛起正在推动数据中心繁荣，其所需能源可能比之前估计的多40%，这可能会导致家庭能源费用上涨。
在美洲信息系统会议上发表的一项学术研究，描绘了AI数据中心繁荣带来的五大系统性矛盾，包括能源悖论、水资源压力、超大规模运营商主导、主权侵蚀和城市迁移，凸显了日益增长的环境和社会成本。
本文提出使用 Ensemble Score Filter (EnSF)（一种基于评分的扩散数据同化方法），利用部分含噪声的观测数据来校正预训练的时空能耗模型的预测。数值实验表明，EnSF 在状态估计上显著优于开环传播，并且在非线性观测条件下优于集成卡尔曼滤波（Ensemble Kalman Filter）。
文章认为，AGI的物理功耗需求极为巨大，以至于可能永远无法实现，并将潜在AGI系统的能源需求与日本整个国家的电力消耗进行了比较。
本文利用各种来源的数据，将AI数据中心的电力、水和噪音消耗与其他美国行业及日常活动进行比较，从而将数据中心的资源使用置于具体背景中。
盖洛普民调显示，70%的美国人反对在本地建设AI数据中心，原因是对资源使用、公用事业成本和环境影响的担忧，自2025年底以来反对声音急剧上升。