GCRI · 人工智能与自主系统
算力与能源
Training and running AI requires specialised chips, data centres, electricity, cooling water and network capacity. Demand is growing quickly and concentrating in particular places, with effects on power grids, water resources and emissions. This page sets out how AI compute uses energy and water, how those uses are measured, and what evidence serves the grid operators, planners and policymakers who must accommodate them.
工作如何开展。
模型注册库
Compute and energy · Model registry · Release gate
模型
| M-904 triage assistant | 公共服务 | 高 | 19 of 24 suites | 已阻止 |
| M-890 flood nowcast | 科学 | 中 | 10 of 12 | 已发布 |
| M-955 document search | 内部 | 低 | 8 中的 7 | 已发布 |
| M-242 agent planner | 智能体式 | 高 | 13 of 16 | 评估中 |
模型卡
- 预期用途
- 分诊辅助，由人决定
- 不在范围内
- 资格决定
- 已知局限
- 在罕见案例上的准确率较低
- 负责人
- 模型所有者
事件日志
- D-28INC摘要中出现虚构引用
- D-6MIT已增加检索依据
- D-4INC通过上传文件的提示注入
- D-1MIT工具权限已收窄
Evaluation scores
vs release threshold
图Model registry: example names and illustrative values, not a record or a live system.
Compute and energy: how the risk develops.
Compute concentration, efficiency and demand. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Training and inference both use energy
Training a large model uses a large amount of electricity once; inference uses less per query but runs continuously at scale, and can dominate over a model’s life.
Data centres strain local grids
Large data centres need connections comparable to industrial plants. Clusters in one region can outpace grid and generation build-out.
Cooling uses water
Evaporative cooling and electricity generation consume water. Where water is scarce, data centre siting competes with other uses.
Efficiency and demand move together
Hardware and software efficiency improve quickly, but lower costs can raise total use. Net energy demand depends on both.
Energy now in East Asia.
Night lights, population density and land cover over East Asia, from NASA GIBS. Each layer carries its own date.
交互式地图需要JavaScript；图层列表和来源见下文。
图层 3
本页当前的能源状况
关于本图层
- 证据
- 观测
- 来源
- VIIRS Black Marble（VNP46A2）（NASA LAADS DAAC）
- 提供方
- NASA LAADS DAAC
- 许可协议
- NASA 开放数据
- 年份版本
- 每日；卫星辐射亮度，已校正月光和大气影响
- 构建时的最新内容
- 2026-10-12
- 处理结果
- 约 500 米网格
- 不确定性
- 所示日期的卫星夜间辐射亮度；灯光是用电和停电的替代指标，并非对供应或获得电力情况的测量。
- 经由以下途径到达
- gibs.earthdata.nasa.gov，仅在您允许实时地图后访问
关于本图层
- 证据
- 估计值
- 来源
- 世界网格化人口 v4.11（NASA SEDAC（哥伦比亚大学 CIESIN））
- 提供方
- NASA SEDAC（哥伦比亚大学 CIESIN）
- 许可协议
- CC BY 4.0
- 年份版本
- null；基于人口普查的估算，静态（2020）
- 处理结果
- 约 1 公里网格
- 不确定性
- 基于人口普查的 2020 年每平方公里人口估算，作为风险暴露背景展示；不是受任何危害影响的人数。
- 经由以下途径到达
- gibs.earthdata.nasa.gov，仅在您允许实时地图后访问
关于本图层
- 证据
- 模型生成（GIBS 发布的最新月份）
- 来源
- MERRA-2（NASA GMAO / GES DISC）
- 提供方
- NASA GMAO / GES DISC
- 许可协议
- NASA 开放数据
- 年份版本
- 每月；再分析模型；GIBS 发布的最新月份
- 构建时的最新内容
- 2026-07-01
- 处理结果
- 约 2 公里网格
- 不确定性
- 再分析模型对陆地月平均入射太阳辐射的估算；是太阳能资源的指标，并非场址发电量评估。
- 经由以下途径到达
- gibs.earthdata.nasa.gov，仅在您允许实时地图后访问
关于本图层
- 证据
- 观测
- 来源
- VIIRS NOAA-20 校正反射率（NASA LANCE）
- 提供方
- NASA LANCE
- 许可协议
- NASA 开放数据
- 年份版本
- 每日；卫星图像
- 构建时的最新内容
- 2026-10-14
- 处理结果
- 约 250 米网格
- 不确定性
- 卫星图像。卫星或模型栅格数据，按提供方发布的原样呈现。云层、条带缺口和反演误差会造成缺口和噪声；数值是指标，而非某地的测量值。
- 经由以下途径到达
- gibs.earthdata.nasa.gov，仅在您允许实时地图后访问
关于本图层
- 证据
- 模型生成（GIBS 发布的最新年份）
- 来源
- MODIS Terra 和 Aqua 土地覆盖（MCD12Q1）（NASA LP DAAC）
- 提供方
- NASA LP DAAC
- 许可协议
- NASA 开放数据
- 年份版本
- 每年；卫星分类；GIBS 发布的最新年份
- 构建时的最新内容
- 2024-01-01
- 处理结果
- 约 500 米网格
- 不确定性
- 所示年份的卫星土地覆盖类别，含农田；该分类存在已知误差，并非农场登记册。
- 经由以下途径到达
- gibs.earthdata.nasa.gov，仅在您允许实时地图后访问
关于本图层
- 证据
- 观测（云层造成缺口）
- 来源
- VIIRS NOAA-20（NASA LANCE）
- 提供方
- NASA LANCE
- 许可协议
- NASA 开放数据
- 年份版本
- 每日；卫星反演；云层造成缺口
- 构建时的最新内容
- 2026-10-14
- 处理结果
- 约 1 公里网格
- 不确定性
- 所示日期地表的卫星皮肤温度，是制冷需求的指标；不是气温，也不是高温预警。
- 经由以下途径到达
- gibs.earthdata.nasa.gov，仅在您允许实时地图后访问
键盘操作，地图获得焦点时
按住 Ctrl 或 ⌘ 并滚动以缩放
最新可用
NASA GIBS / EOSDIS · ASTER GDEM (METI, NASA) · Blue Marble (NASA) · © OpenStreetMap贡献者 (ODbL) · Natural Earth
正在加载最新的NASA影像。
拖动以移动。按住 Ctrl 或 ⌘ 并滚动、双指缩放或使用按钮缩放；悬停可查看指针下的数值；重置可返回该区域。
Energy now, framed on East Asia.NASA 发布的卫星和模型产品，各带自己的日期。它们是指标，而非对任何地点的评估。
数据：NASA GIBS · ASTER GDEM · Blue Marble · © OpenStreetMap 贡献者 · Natural Earth · NASA EONET · NASA/NOAA VIIRS · NASA JPL OPERA DIST-ALERT来源与许可
- We acknowledge the use of imagery provided by services from NASA’s Global Imagery Browse Services (GIBS), part of NASA’s Earth Science Data and Information System (ESDIS). Colours redrawn from the published colour map; values averaged into hexagonal cells where shown (modified). NASA 开放数据
- We acknowledge the use of imagery provided by services from NASA’s Global Imagery Browse Services (GIBS), part of NASA’s Earth Science Data and Information System (ESDIS). Colours redrawn from the published colour map; values averaged into hexagonal cells where shown (modified). NASA 开放数据
- VIIRS Black Marble 夜间灯光，NASA 戈达德航天中心；由 NASA Level-1 与大气档案和分发系统（LAADS DAAC）分发；影像来自 NASA GIBS。颜色依据已发布的色标重绘；显示处的数值已按六边形网格平均（经修改）。 NASA 开放数据
- Center for International Earth Science Information Network (CIESIN), Columbia University. 2018. Gridded Population of the World, Version 4 (GPWv4): Population Density, Revision 11. NASA Socioeconomic Data and Applications Center (SEDAC). 采用 CC BY 4.0 许可。颜色依据已发布的色标重绘；显示处的数值已按六边形网格平均（经修改）。 doi:10.7927/H49C6VHW. CC BY 4.0
- MERRA-2 再分析，NASA 全球建模与同化办公室；由 NASA GES DISC 分发；影像来自 NASA GIBS。颜色依据已发布的色标重绘；显示处的数值已按六边形网格平均（经修改）。 NASA 开放数据
- VIIRS 近实时产品（洪水、地表温度、积雪覆盖、校正反射率），NASA LANCE；影像来自 NASA GIBS。颜色依据已发布的色标重绘；显示处的数值已按六边形网格平均（经修改）。 NASA 开放数据
- MODIS 陆地产品（植被指数、总初级生产力、土地覆盖），NASA LP DAAC 和 LANCE；影像来自 NASA GIBS。颜色依据已发布的色标重绘；显示处的数值已按六边形网格平均（经修改）。 NASA 开放数据
- ASTER GDEM 是 METI 和 NASA 的产品（ASTER Global Digital Elevation Model V003，NASA LP DAAC）；影像来自 NASA GIBS。颜色依据已发布的色标重绘；显示处的数值已按六边形网格平均（经修改）。引用格式：NASA/METI/AIST/Japan Spacesystems and U.S./Japan ASTER Science Team (2019). ASTER Global Digital Elevation Model V003. doi:10.5067/ASTER/ASTGTM.003. NASA 开放数据
- 使用 Natural Earth 制作。免费矢量和栅格地图数据，见 naturalearthdata.com。 公有领域
- © OpenStreetMap 贡献者（ODbL），经由 NASA GIBS（海岸线、边界、道路和地名）。颜色依据已发布的色标重绘；显示处的数值已按六边形网格平均（经修改）。 ODbL
- Blue Marble，NASA Earth Observatory；影像来自 NASA GIBS。颜色依据已发布的色标重绘；显示处的数值已按六边形网格平均（经修改）。 NASA 开放数据
- 地球仪和平面地图上的背景信息：海岸线、边界、道路和地名来自 NASA GIBS 参考图层（OpenStreetMap 数据，ODbL，© OpenStreetMap contributors）；Blue Marble 影像可作为可选底图；3D 地形和高程读数来自 ASTER GDEM 高程色彩指数（5 m 至 200 m 分级，为便于辨识而作了夸张处理）。边界按已发布的样式绘制，不代表对任何领土的立场。
- 实时事件：NASA Earth Observatory Natural Event Tracker（EONET）；事件仅供参考，并保留其原始来源链接。
- Observed (EO): NASA/NOAA VIIRS (Suomi NPP). We acknowledge the use of imagery provided by services from NASA’s Global Imagery Browse Services (GIBS), part of NASA’s Earth Science Data and Information System (ESDIS).
- Observed (EO): NASA JPL OPERA DIST-ALERT (contains modified Copernicus Sentinel data 2026). We acknowledge the use of imagery provided by services from NASA’s Global Imagery Browse Services (GIBS), part of NASA’s Earth Science Data and Information System (ESDIS).
- NASA GIBS: We acknowledge the use of imagery provided by services from NASA’s Global Imagery Browse Services (GIBS), part of NASA’s Earth Science Data and Information System (ESDIS).
- 过去一年的每日气温（ERA5，经由 Open-Meteo）：包含经修改的 Copernicus 气候变化服务 2026 年信息。
- 过去一年的每日气温和日照（NASA POWER）：这些数据来自 NASA 兰利研究中心（LaRC）POWER 项目，该项目由 NASA 地球科学/应用科学计划资助。
- 天气数据来自 Open-Meteo.com (https://open-meteo.com/), 依据 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). 授权。
- 可选图层（图层列表中共 10 个来源：实时、预报、观测和背景）启用后会在地图上和此处显示其提供方署名；预报为模型输出，衍生指数为估计值。
图层与日期
- 夜间灯光，每日：VIIRS Black Marble（VNP46A2），NASA LAADS DAAC · 2026年10月12日
- 人口密度，2020 年：人口：哥伦比亚大学 CIESIN，世界网格化人口 v4.11（2018），NASA SEDAC， CC BY 4.0 · 静态
- 陆地地表入射太阳辐射，月均值：MERRA-2，NASA GMAO / GES DISC · 2026年7月
- 真彩色：VIIRS NOAA-20 校正反射率，NASA LANCE · 2026年10月13日
- 土地覆盖类型（IGBP），年度：MODIS Terra 和 Aqua 土地覆盖（MCD12Q1），NASA LP DAAC · 2024
- 白天地表温度：VIIRS NOAA-20，NASA LANCE · 2026年10月13日
AI compute couples to energy and water.
Compute and energy analyses are designed for the 前瞻展望系列. The IEA’s Energy and AI report (2025) gives scenario ranges for data-centre electricity demand.
- Measured energy and water use of computing facilities.
- Grid connection studies.
在相互依存的网络中的一次级联。
A 危害足迹 takes out co-located assets in every layer; fragmentation, dependency between layers and overload of the survivors then spread the failure. The 3D view separates the layers by depth. Teaching model with stated illustrative values, not a prediction. The map on this page shows East Asia; the model itself is not tied to a place.
控制措施
- 每个图层的资产
- 18
- 危害足迹
- 占面积的 8%
- 依赖其他图层的资产
- 60%
- 备用容量（容差）
- 30%
读数
- 受危害冲击的资产
- 6%
- 仍在运行的资产
- 20%
- 初始损害的放大
- 14.3 times
- 结算步数
- 4
数字、方法与来源
| 步骤 | 运行中的数据中心（%） | 运行中的网络（%） | 电力运行（%） |
|---|---|---|---|
| 0 | 89 | 94 | 100 |
| 1 | 44 | 44 | 100 |
| 2 | 6 | 22 | 78 |
| 3 | 6 | 22 | 39 |
| 4 | 6 | 22 | 33 |
方法
- 相互依存网络 Buldyrev 等（2010），Catastrophic cascade of failures in interdependent networks，Nature 464
- 过载级联 Motter and Lai (2002), Physical Review E 66
- 介数负载 Brandes (2001), Journal of Mathematical Sociology 25
- 多层网络 Kivela and others (2014), Journal of Complex Networks 2
- 基础设施相互依赖 Rinaldi, Peerenboom and Kelly (2001), IEEE Control Systems 21(6)
- 不确定性扇形图（参数蒙特卡罗） Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- 单因素敏感性（龙卷风图） Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
数据
The model runs on the teaching values set by the controls. To calibrate it for a place, read it against these admitted layers and series, which this page’s map can draw:
- 主要道路 Natural Earth
- 铁路 Natural Earth
- 海港 Natural Earth
- 机场 Natural Earth
- 城市范围 Natural Earth
- 今晚的夜间灯光、停电（VIIRS 昼夜波段） NASA/NOAA VIIRS（Suomi NPP）· 登记 nasa.gibs.context-live-layers
- 自然事件（NASA EONET） NASA EONET · 登记 nasa.eonet.events
贯穿六大支柱，由 Nexus Consortium 牵头
衡量什么，以及衡量得如何。
每个指标都注明其单位、频率、背后的来源类型以及数值将附带的证据标签。此处不显示数值：数值由计划依据其自身权限提供。
| 指标 | 单位 | 节奏 | 来源类型 | 标签 |
|---|---|---|---|---|
| Data centre electricity consumption | terawatt hours per year | 年度 | Energy agency estimates | 估算 |
| 电能利用效率 | ratio of facility to IT energy | 年度 | Operator disclosures | 已声明 |
| Water usage effectiveness | litres per kilowatt hour | 年度 | Operator disclosures | 已声明 |
| Grid connection requests from data centres | megawatts requested | 每季度 | Grid operator queues | 已发布统计 |
| Training compute of notable models | floating point operations | per model | Compiled model databases | 估算 |
| Energy per inference | watt hours per query | per measurement | Measurement studies | 估算 |
Model compute and energy as a system. Run the cascade.
Assembled from the Nexus Standards area profile 人工智能与自主系统风险标准: the hazards it names, the 系统 and sectors that carry the loss, the controls that dampen it and the data that observe it. Choose the components, pick an initiating hazard and step through the cascade. The Map view places the run on an example geography with open data. Every coupling weight is a stated assumption you can change. A teaching model, not a forecast, an assessment or a certification. To model a place of your own choosing, open the full System Builder.
灾害
- 溃坝
- Sea-ice loss
- Coastal erosion （在下游引发）
- 河流洪水（在下游引发）
- Flash flood (set off downstream)
- 大规模流离失所（在下游引发）
- Biodiversity loss (set off downstream)
- 大范围停电（在下游引发）
- 供水短缺（在下游引发）
- Arctic winter sea-ice collapse (set off downstream)
- Polar vortex disruption (set off downstream)
系统与耦合
- 人工智能与自主系统风险标准
- 网络与数字风险标准 共同驱动因素
- 信息完整性与信任 级联
- 前沿技术风险标准 反馈
- 金融稳定与审慎风险 共同驱动因素
控制措施
NS-0章程与原则NS-10政策和条款（机器可读的义务：定义、约束、评估和执行）NS-11验证与监测（证据、证明、零信任符合性观测）NS-12软件、模型和 AI/ML 制品（供应链、模型卡、数据集说明）NRS-H100危害类别：机器人、自主化与自主武器（NHS-1 tech.autonomy-weapons）NRS-H53危害类别：信息物理系统中断（NHS-1 cyber.cyber-physical）NRS-H61危害族：级联失效（NHS-1 sys.cascade）NRS-H113危害类别：金融体系脆弱性（NHS-1 soc.financial-system）NRS-A8面向人工智能的风险数据与模型打包NRS-H54危害类别：信号与平台中断（NHS-1 cyber.platform）
观测
- OSV open source vulnerability database (listed for reference)
- Our World in Data datasets (listed for reference)
- Research and development expenditure as a proportion of GDP
示例地理范围
- North America: 243 hexagonal cells
- 今夜夜间灯光与停电（VIIRS 昼夜波段），NASA GIBS
- 穿透云层的地表水，30 m（OPERA DSWx-S1 雷达），NASA GIBS
- 过去半小时降雨率（IMERG），NASA GIBS
- Vegetation disturbance alerts, 30 m (OPERA DIST-ALERT), NASA GIBS
证据来自何处。
具名公共数据集与机构记录，各自注明许可类别。依协议获得的来源仅按其条款使用，绝不再次发布。
| 来源 | 它提供什么 | 许可类别 |
|---|---|---|
| IEA Energy and AI analysis and data centre electricity estimates | Global and regional data centre electricity demand | Licence per product (to check) |
| Epoch AI data on notable models and compute | Training compute and hardware trends | 开放，CC BY 4.0 |
| TOP500 and Green500 lists | Performance and energy efficiency of supercomputers | Public, TOP500 terms |
| Grid operator interconnection queues and planning reports | Requested connections and load forecasts | Public records, terms per operator |
| Operator sustainability reports | Energy, water and emissions disclosures | Public documents, terms per operator |
The sector signature of compute and energy.
The sectors compute and energy touches and how strongly they depend on each other: what a study has to observe and model together.
签名
能源及其合作伙伴
能源为基础设施提供交通和电信用电（0.8），为水提供泵送和处理用电（0.5），为粮食提供化肥、机械和冷链（0.5）。
W · E · I · F · H · B
- 部门
- 4 共 6
- 关系
- 6 共 15
- 耦合
- 0.46 占总量份额
当前最强的关系
- 能源 → 基础设施 · 为交通和电信供电0.8
- 水 → 能源 · 冷却水与水电0.6
- 水 → 粮食 · 灌溉0.8
- 基础设施 → 水 · 管道、水坝和处理设施0.6
由谁决定，以及证据服务于什么。
人工智能与自主 系统 prepares evidence. The decisions below are taken by the authorities named, under their own rules, and never by the platform.
| 谁来决定 | 问题 | 本页面服务的证据 |
|---|---|---|
| Grid operators and energy regulators | How to plan generation and connections for data centre load | Load analyses; connection queues |
| Water authorities and planners | Where data centre water use is acceptable | Water footprint evidence |
| Organisations deploying AI | How to reduce the footprint of their AI use | Estimation methods; efficiency evidence |
该主题产生的产出
- Energy and water footprint estimation methods for AI workloads
- Regional data centre load analyses
- Efficiency trend summaries
- Evidence notes for grid and water planning
How compute and energy is modelled, measured and tested.
模型、其假设、数据和不确定性，以科学家或工程师会核查的形式呈现。结构遵循已发表的方法。所取数值仅为示意，不是研究发现。
系统模型
The couplings between the systems in compute and energy: signs of influence, a reinforcing and a balancing loop, and cross-links where stress jumps.
What researchers ask about compute.
- How concentrated are chip manufacturing, cloud capacity and frontier model training, and what follows from that?
- How much energy and water do training and inference use, and how is that changing?
- How much do efficiency gains offset growth in demand?
- Who has access to compute for research and public-interest uses?
Concentration, efficiency and demand.
Advanced chip fabrication is concentrated in very few facilities, and a small number of cloud providers supply much of the compute for AI. That concentration creates shared exposure to disruption, from natural hazards to export controls, and shapes who can build large models.
Hardware and algorithms become more efficient over time, but cheaper computation tends to increase total use, an effect known as the rebound or Jevons effect. Data centres draw large, steady electricity loads that can strain local grids and, where they use evaporative cooling, water supplies. Inference, the everyday use of models, can come to outweigh training in total energy use.
Measuring compute and its footprint.
- 01
Energy accounting
Estimating energy per training run and per query, using 高性能、云与边缘计算. Providers disclose little, so estimates carry wide uncertainty.
- 02
Supply-chain mapping
Tracing chips, materials and facilities to identify concentration and single points of failure.
- 03
情景分析
Projecting demand under different assumptions about efficiency and adoption, with 概率与统计. Projections are scenarios, not forecasts.
- 04
Access studies
Assessing which researchers and institutions can obtain compute, and on what terms.
Where this page’s references lead.
阅读本页时所对照的机构和文件。状态和版本会变化；每个链接都指向发布机构。
问题与解答。
How much energy does AI use?
What is power usage effectiveness?
Why does AI use water?
Will efficiency gains reduce AI’s energy use?
Why does water matter for data centres?
Does the platform allocate compute?
Can energy figures be trusted?
从本页贡献证据。
报告 is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
- 电子邮件网关 GW-GCRI从本页发送证据、更正、案例、方法、审查、翻译或概况投稿。它会带上本页标签送达，由负责的编辑接收。
- Zenodo开放存缴存缴并提交到社区用您的 ORCID iD 在 Zenodo 上发布您自己的记录，然后提交到那里的 Reports 社区。由策展人审核；DOI 仍归您所有。
- 报告GCRI查看所有贡献方式贡献类型、各自的评审方式、您获得的署名、许可协议，以及绝不接受的内容。
切勿发送个人数据、敏感基础设施细节或您无权分享的任何内容。贡献在使用前会经过审查；发送贡献不赋予署名权或编辑权，赞助也绝不能换取研究结论。
法律文件。
本网站上的地图、数据和图表仅作为背景和一般信息展示。它们不是建议、预测或预警；信息的局限见免责声明和数据说明。