复合年均增长率高达20.89%。谷歌在其2024年可持续发展报告中解释了数据中心耗电量增加的原因，主要是发展Gemini大模型AI等技术所致（Google，2025）。
相比之下，IEA的估算更加接近图2的下限情景。根据IEA的估计，全球数据中心的耗电量将从2024年的415太瓦时（4150亿度）增至2030年的945太瓦时（9450亿度），如图3所示。
（二） 水资源消耗：数据中心散热的隐性成本
AI数据中心计算、存储、网络、散热与供电设施在运算、运转过程中产生的热量需大量水资源冷却，AI大模型训练期间和响应用户查询提问的推理过程耗水量惊人。绿色和平组织报告表明，在AI发展的推动下，全球数据中心的耗水量将从2024年的2390亿升（2.39亿吨）增至2030年的6640亿升（6.64亿吨），其中全球AI数据中心的耗水量更是从430亿升（0.43亿吨）猛增至2030年的3380亿升（3.38亿吨），复合年均增长率高达40.99%，远高于全球数据中心18.35%的复合年均增长率，详见图4。
除了AI数据中心，用于AI计算的GPU等芯片制造对水资源的消耗更加惊人。以2024年第四季度在全球晶圆制造的市场份额高达67%的台积电为例，其耗水量和超纯水用量分别从2020年的5690万吨和7970万吨增至2024年的12880万吨和13961万吨，如表4所示。假设台积电三分之一的耗水量与AI芯片制造有关，则其2024年耗水量将高达4250万吨，与同期全球AI数据中心4300万吨的耗水量相差无几。
在水资源匮乏或用水压力大的地区，AI芯片制造、模型训练和推理运行过程中的高耗水极易引发社会矛盾。水是维持生命的基本要素，但在全球范围内水尤其是淡水是一种十分稀缺的资源。虽然地球70%的表面被水覆盖，但97%的水都是咸水，在剩余3%的淡水中，仅有不到1%的淡水可以从降雨以及河流和湖泊中获取（黄世忠和叶丰滢，2024）。因此，AI与人和动植物争水的问题是一个必须高度关注的环境议题，AI相关产业的水资源消耗情况和由此导致的生态环境压力，理应在可持续发展报告中予以充分披露。
（三） 碳排放：全生命周期的环境足迹
AI的碳足迹覆盖硬件生产与模型运行全链条。GPT-3训练要排放552吨CO2当量（Stanford，2025），假设一辆小汽车每百公里消耗10升95号汽油，每升产生2.3公斤CO2，则训练GPT-3产生的552吨CO2当量相当于480辆这种小汽车每年行驶5000公里的碳排放。高科技、高耗能、高排放的特性由此可见一斑。
IEA报告显示，全球数据中心生产需要的电力预计将从2024年的460太瓦时（4600亿度）增加至2030年的1000太瓦时和2035年的1300太瓦时（13000亿度），假设2024 ~ 2030年增加的电力中一半来自可再生能源，其余来自煤炭和天然气，2030 ~ 2035年新增电力主要通过核电解决，则2030年全球数据中心的碳排放将达到3.2亿吨的峰值，2035年随着核电和其他可再生能源的普及，全球数据中心的碳排放有望回落至3亿吨，如图5所示。按照绿色和平组织报告，以AI数据中心耗电量占全部数据中心耗电量53%测算，到2030年AI数据中心的碳排放约为1.696亿吨［这与绿色和平组织测算的1.66亿吨相当接近（见图6）］。我国三大航空公司披露的2024年碳排放（只披露范围1和范围2排放，未披露范围3排放）合计为8112.39万吨CO2当量（其中国航2788.2万吨、南航2927.06万吨、东航2397.13万吨），这意味着，2030年全球AI数据中心的碳排放相当于我国三大航空公司2024年碳排放总和的209%。而根据All About AI的数据可知，截至2025年8月的12个月里，美国AI和其他数据中心的碳排放占美国碳排放总量的2.18%，略微超过美国航空业同期的碳排放占比。
（四） 矿物消耗与废弃物：提升效率的资源代价
现有研究鲜有直接涉及与AI相关的矿物消耗和废弃物，但UNCTAD报告提供的数据足以让我们管窥AI发展可能产生的资源足迹和废弃物足迹。诚如该报告所指出的，许多人误以为数字经济是虚拟无形的，或发生在“云端”，但数字化其实严重依赖物质世界和原材料。AI的普及离不开数字设备、其他硬件和基础设施，而这些设备、硬件和设施中包含着数十种矿物和金属。据估计，制造一台2千克重的电脑需要消耗800千克的原材料（UNCTAD，2024）。
值得关注的是，以AI为代表的数字化使用的关键矿物和金属包括铝、钴、铜、金、锂、锰、天然石墨、镍、铂、稀土元素、金属硅，与向绿色化转型所需的矿物和金属高度重叠。全球正掀起的数字化和绿色化双转型浪潮，极大刺激了对这些矿物和金属的需求。到2050年石墨、锂和钴等矿物的消耗量预计将增加500%，铂族矿物的消耗量预计比2022年高出120倍（UNCTAD，2024）。在数字化和绿色化双转型的刺激下，这样的资源消耗显然超过了整个星球的承载力，故而不可持续。再加上数字化和绿色化双转型所需的矿物和金属分布及其加工制造很不均匀（如刚果民主共和国钴产量占全球产量的68%；澳大利亚和智利的锂产量占全球产量的77%；加蓬和南非的锰产量占全球产量的50%；中国的天然石墨、金属硅、稀土元素产量的全球占比分别为65%、78%和70%，铝、钴和锂矿物加工量占全球的一半以上，锰和稀土元素加工量的全球占比更是高达90%），这一方面可能使具有资源禀赋优势的国家在转型中获得发展先机，另一方面可能导致这些国家在矿物开采和加工过程中产生大量碳排放，还可能引发地缘政治和经贸摩擦。
以AI为代表的数字化技术不断迭代，由此产生的废弃物的处理成为另一个值得高度关注和迫切需要加以解决的环境问题。UNCTAD报告显示，2010 ~ 2022年，全球废弃的智能手机、笔记本电脑、显示屏和其他电子设备增加了30%，达到1050万吨，但2022年全球只有24%的电子废弃物得到正式收集。对这类废弃物的回收和循环利用任重道远。
三、AI的社会（S）风险：技术红利的分配失衡
AI在社会议题上的风险集中体现为劳动力市场重构与收入分配恶化，其创造性破坏（Creative Destruction）③效应不仅未能实现包容性增长，反而导致就业挤出效应、薪资与生产力脱钩、社会公平受损等社会问题。AI发展进程中的公正转型（Just Transition）任重道远。
（一） 就业挤出效应：劳动力市场的结构性失衡
AI对就业的挤出效应呈现“跨技能层级”扩散特征。传统观点认为，AI主要替代低技能岗位，但生成式AI的发展已将替代范围扩展至中高技能领域。
麦肯锡的研究认为，生成式AI及其他AI技术有望将如今占据员工60%~70%时间的工作任务自动化。自动化潜力的加速提升，主要源于生成式AI理解自然语言的能力显著增强，而自然语言理解能力正是完成很多工作任务所必须具备的。因此，生成式AI对知识型工作岗位的影响更大，这类工作岗位通常对应教育程度要求和薪资水平更高的职业。根据沈愷等（2025）的研究，在中国，包括会计、审计和财务分析师在内的十大职业首当其冲受到生成式AI的影响，具体如图7所示。
鉴于AI特别是生成式AI和具身AI（Embodied AI）带来的技术自动化的大幅跃升，劳动力转型的速度可能高于预期，就业挤出效应将从白领岗位逐步向蓝领岗位蔓延。采用涵盖了技术发展、经济可行性及推广时间线的最新技术应用场景研究显示，当下50%的工作任务有望在2030年至2060年间实现自动化，未来将导致3亿个工作岗位被AI替代（McKinsey，2023）。
值得注意的是，AI对就业市场的冲击呈现阶段性演进特征。在技术应用初期，AI更多以效率增强工具的角色融入工作场景，例如辅助数据整理、优化流程效率或自动化重复性操作，这一阶段不仅不会直接挤占岗位，反而可通过提升人均产出间接创造新的协作型岗位需求。但随着算法迭代、多模态能力突破及行业渗透率提升，AI对