数据中心的用电需求已经达到了堪比美国整个州的规模。以Meta公司的Hyperion AI数据中心为例,该数据中心建成后的用电量将与南达科他州整个州的用电量相当。
上周,Meta宣布将为这座价值270亿美元的数据中心提供资金支持,在已承诺建设的3座天然气发电厂基础上,再增加7座天然气发电厂。这10座位于路易斯安那州的发电厂总装机容量约为7.5吉瓦,略高于整个南达科他州的发电容量。
与许多科技公司一样,Meta多年来一直在宣传其在气候和环保方面的承诺。该公司定期发布可持续发展报告,经常宣传其可再生能源采购成果,甚至实际上购买了一座核电站的20年使用权。
Meta位于路易斯安那州的Hyperion数据中心项目将检验该公司的气候承诺。
天然气一直被誉为"过渡燃料"——在可再生能源、电池储能和核能技术成熟之前,先建设一些天然气发电厂。这几乎肯定是Meta在内部为这一举措辩护的理由。
但人们提出过渡燃料论点已经有几十年了,这个说法正在变得越来越站不住脚。可再生能源和电池的价格大幅下降,而燃气轮机的价格却大幅上涨。Meta近年来一直是太阳能、电池储能和核能的主要购买者,这使得其大举投资天然气的决定更加令人困惑。
TechCrunch联系了Meta公司,但该公司未回复多次置评请求。
根据TechCrunch基于美国能源部数据的计算,路易斯安那州这些大型燃气轮机每年将向大气中排放1240万吨二氧化碳,比Meta 2024年整个碳足迹高出50%。
这个数字还低估了对气候的影响,因为它没有包括天然气供应链中的泄漏。
甲烷是天然气的主要成分,其温室效应是二氧化碳的84倍。即使供应链中仅有0.2%的泄漏率,也会使天然气对气候的影响比煤炭更严重。在美国,天然气生产和管道的甲烷泄漏率接近3%,这很难说是清洁能源。
该公司最新的可持续发展报告完全没有提及甲烷泄漏问题,甚至没有提到甲烷或天然气。然而,这种燃料在未来几年可能成为Meta碳足迹的最大贡献者之一。
Meta公司很可能会坚持其气候承诺,通过碳清除信用额度等方式抵消这些排放。但现在它需要更多的信用额度,以及对为其新发电厂服务过程中实际泄漏到大气中的甲烷量进行诚实核算。
Q&A
Q1:Meta的Hyperion AI数据中心用电量有多大?
A:Meta的Hyperion AI数据中心建成后用电量将与南达科他州整个州相当。为支持这座价值270亿美元的数据中心,Meta将建设10座天然气发电厂,总装机容量约7.5吉瓦。
Q2:这些天然气发电厂会产生多少碳排放?
A:根据计算,路易斯安那州这些燃气轮机每年将向大气排放1240万吨二氧化碳,比Meta 2024年整个碳足迹高出50%。而且这还没包括天然气供应链中的甲烷泄漏影响。
Q3:为什么Meta选择天然气而不是可再生能源?
A:Meta可能将天然气视为"过渡燃料",但这个理由越来越站不住脚。近年来可再生能源和电池价格大幅下降,燃气轮机价格却上涨,而Meta本身就是太阳能、电池和核能的主要购买者。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。