加载失败
这场讨论源自一篇刊登在IOPscience的研究，结论称美国因AI应用每年额外排放约90万吨CO₂。评论者把该数字与美国与全球总排放（美国≈4.77 Gt/年、全球≈37.8 Gt/年）及人均/车辆排放进行比较，并对媒体在语境化上提出批评。讨论延伸到数据中心如何供能（天然气/燃气轮机、专用燃气电厂、可再生与核能）、研究是否用平均电网碳强度替代边际碳强度、以及具体案例（如Grok孟菲斯的燃气轮机争议与宾州拟建4.5GW燃气电厂）对结论的影响。总体争论集中在短期现实（可及能源与本地影响）与长期能耗经济与低碳转型之间的张力。
多位评论者把90万吨放在国家与全球排放背景下量化：2024年全球约37.8 Gt、美国约4.77 Gt，因此约占美国产量的0.019%（≈0.02%）。按人均与车辆对比，评论里提到相当于约64,000人或约18万辆汽车的年排放，故在全国层面被很多人视为相对较小的增量。评论强调把孤立数字当作单独危机来报道会产生误导，正确的比较对象应是其他工业级别排放（如交通、工业加热、农业）而非只拿家庭或私家车做对照。
多条评论关注AI数据中心短期内倾向以天然气与燃气轮机满足大规模算力的迅速需求，并指出这带来的本地污染和监管套利风险。有人举例Grok在孟菲斯用被归为“mobile”的燃气轮机以规避污染控管，以及宾夕法尼亚拟建的4.5GW燃气电厂专供AI数据中心，这类设施会产生百万吨级别的CO₂。评论还指出天然气需求上升会推高国内能源价格、燃气轮机稀缺且厂商往往优先选择“最易获得”而非最便宜的能源，短期内居民可能为接入与基础设施承担成本。
若干评论质疑论文的估算方法与不确定性，直言是“很多猜测相乘”的结果并指出关键假设问题。最常被提及的弱点是研究使用全国平均的电网碳强度来估算数据中心排放，而实际新增负荷应以边际碳强度或本地电网结构来计入，二者差别可能导致系统性偏差。另一类批评指出行业发展迅速（如新燃气电厂与数据中心项目），使得原始数据很快过时，需更细致的局部与边际核算来得出稳健结论。
许多评论批评新闻标题以孤立排放数字制造恐慌，认为这是在煽动“反数据中心/反AI”情绪而非提供决策信息，也有人怀疑此类报道在筛选易感受众或引导长期舆论。讨论进一步延伸到企业与管理层如何借助LLM自动生成报告或评估员工（例如用AI排序团队成员），凸显技术既能简化流程也可能被滥用或掩盖实务判断。评论中还出现讽刺与冷嘲热讽（如“bill says its ok”类反应），显示公众对权威与媒体叙事的怀疑。
另一些评论把关注点放在长期市场与技术路径：电力是AI算力的主要成本，长期竞争会迫使厂商寻求更廉价的能源（太阳能、风能与电池等可再生+储能方案），否则难以在价格战中存活。反对者提醒转型并不简单，太阳能的分布式特性带来传输与季节性储能成本（有评论以澳大利亚为例说明输配成本推高电价），核能与其他替代方案也被提及作为可靠补充。总体观点是短期以天然气为主的现实与长期向低碳可再生能源竞争并存，关键取决于成本、基础设施与政策时序。
数据中心 (data center): 托管大量服务器与存储的设施，包含计算、制冷与供电系统。AI训练与推理对算力与冷却需求极高，因此数据中心能耗和局部用电性质是本次排放争论的核心。
LLM (Large Language Model): 基于大规模神经网络的语言模型（如GPT系列），训练与推理过程非常耗算力，频繁被提及为推动新增数据中心负荷与能源需求的主要应用之一。
电网碳强度 (grid carbon intensity): 单位电力生产所产生的CO₂排放（常以gCO₂/kWh计）。研究中使用平均碳强度与实际的边际碳强度差异会显著影响对新增负荷（如AI算力）产生的排放估算。
燃气轮机 / 燃气发电厂 (gas turbine / gas-fired power plant): 利用天然气驱动的涡轮机发电设备，包括可移动和地面固定机组。短期内常被用于迅速增加发电供给以满足新建数据中心负荷，但会带来显著CO₂排放与局部污染问题，并可能通过法规分类规避某些排放控制。