數據中心利用不同的信息技術（IT）設備來提供這些服務，所有這些設備均由電力供電。服務器提供響應信息請求的計算和邏輯，而存儲驅動器容納滿足這些請求所需的文件和數據。網絡設備將數據中心連接到Internet，以實現傳入和傳出的數據流。這些IT設備使用的電能最終會轉化為熱量，必須通過也依靠電力運行的冷卻設備將熱量從數據中心清除。
平均而言，服務器和冷卻系統在數據中心的直接用電量中占最大份額，其次是存儲驅動器和網絡設備（圖1）。世界上一些最大的數據中心每個都可以包含成千上萬的IT設備，并且需要超過100兆瓦（MW）的電力容量-足以為大約80,000個美國家庭供電（US DOE 2020）。
隨著全球互聯網用戶數量的增長，對數據中心服務的需求也隨之增長，引起了人們對數據中心能源使用量增長的擔憂。在2010年至2018年期間，全球IP流量（通過Internet的數據量）增長了十倍以上，而全球數據中心的存儲容量并行增長了25倍（Masanet等，2020）。在同一時間段內，在全球服務器上運行的計算實例數量（衡量托管的應用程序總數）增加了六倍以上（見圖3）（Masanet等，2020）。
隨著全球使用越來越多的數據，預計這些強勁的增長趨勢將繼續。特別是計算密集型的新型信息服務形式（如人工智能（AI））可能會進一步加速需求增長。因此，量化和預測數據中心能源使用的能力是關鍵的能源和氣候政策重點。
數據中心能源使用估算：兩種方法的故事
目前尚未在國家或全球層面上就數據中心能源使用情況編制官方統計數據。因此，必須使用數學模型來估算這種能源消耗。所謂的“自下而上”模型考慮了不同數據中心中IT設備的已安裝存量及其能耗特征，從而估算了總能耗。自下而上的研究為能源使用的驅動因素提供了許多見解，但它們也非常耗費數據和時間。因此，它們不會經常出現。例如，過去十年中最權威的自下而上的研究出現在2011年（Koomey，2011年），據估計，數據中心在2010年占全球用電量的1.1％至1.5％。
相比之下，基于外推的模型通過采用以前的自下而上的值并根據數據中心市場增長指標（例如全球IP流量（Andrae和Edler，2015年）或數據中心投資（Belkhir和Elmeligi 2018）。由于基于外推的方法非常簡單，因此已使用它們來填補零星的自下而上研究留下的時間空缺。
但是，鑒于這些推斷所依賴的市場指標也迅速增長，因此這種推斷往往會估計數據中心能源使用量的大幅增加。例如，一些經常被引用的推斷表明，自2010年以來，全球數據中心的能源可能翻了一番，并且通過擴展這一歷史邏輯，未來它將繼續快速增長（Andrae和Edler 2015，Andrae 2017，Belkhir和Elmeligi 2018） ，鮑迪（Bawdy）2016）。這些估計值受到了極大的關注（Jones 2018），強化了人們普遍的信念，即對數據的需求快速增長等于對數據中心能源使用的快速增長。
然而，從下至上的新結果表明，情況并非如此：盡管在過去十年中對信息服務的需求快速增長，但全球數據中心的能源使用量可能在2010年至2018年期間僅增長6％（Masanet等人，2020年）。這些新結果基于大量近期數據集的整合，與過去的研究相比，這些數據集更好地表征了數據中心IT設備的已安裝存量，運行特性和能源使用以及數據中心行業的結構性變化。
全球數據中心在2018年可能消耗約205太瓦小時（TWh）的發現，占全球用電量的1％，這與之前的基于推斷的估計形成鮮明對比，后者的估計顯示了過去十年來數據中心的能源使用量迅速上升（圖2）。
三個主要的效率影響解釋了能源使用中的這一近乎平穩的階段：首先，由于IT制造商的技術進步，IT設備（尤其是服務器和存儲驅動器）的能源效率已大大提高。其次，更多地使用服務器虛擬化軟件可以使多個應用程序在單個服務器上運行，從而大大降低了每個托管應用程序的能耗。第三，大多數計算實例已遷移到大型云和超大規模數據中心，這些數據中心利用超高效冷卻系統（以及其他重要的效率實踐）來最大程度地減少能源消耗（圖2）。
由于缺乏技術和結構細節，這些效率效果在基于外推的方法中無法很好地體現。換句話說，盡管基于推斷的方法通常捕獲了數據中心需求的驅動因素，這將推動能源使用量上升（圖3的上半部分），但它們無法充分反映出保持能源消耗的強大的抵消效率趨勢（圖3的下半部分）。在檢查中使用。
二氧化碳排放量如何？
數據中心的大量用電也引起了人們對其二氧化碳（CO 2）排放的擔憂。不幸的是，由于缺乏有關絕大多數全球數據中心的位置及其實際排放強度（以每千瓦時的CO 2克數為單位）的數據，因此尚無法準確估算CO 2的總排放量。電源。僅有少數公司，包括Google，Apple，Switch和Facebook公開報告了此類數據，這表明全球一些最大的數據中心運營商在可再生能源采購方面的增長趨勢。
但是，了解全球數據中心的用電量為測試有關數據中心服務的CO 2含義的主張提供了有用的基準。例如，一個經常重復的要求是，世界數據中心發出盡可能多的CO 2作為全球航空業（皮爾斯2018），這是了大約900公斤的十億的CO 2（航空運輸行動小組2020年）。考慮到全球數據中心最近的耗電量約為2050億千瓦時，要使這一說法成立，其平均電力排放強度將必須約為4.4 kg CO 2 / kWh。
然而，普通的燃煤發電廠（可利用的碳排放量最大的一種）的排放強度不到該值的四分之一，約為1千克CO 2 / kWh（美國EIA 2020）。顯然，世界上所有數據中心都不在煤炭上運行，特別是考慮到一些大型數據中心對可再生能源的使用占了全球計算實例份額的增加。
最近的另一個說法是：“觀看Netflix 30分鐘（1.6千克CO 2）所產生的排放量與行駛近四英里的排放量相同。” 假設提供Netflix流服務的數據中心每年將消耗約370 TWh（Kamiya 2020），這一說法得到了支持。但是，該值是全球所有數據中心總和估計的205 TWh的1.8倍，這不僅為流媒體Netflix視頻提供了社會上的其他信息服務。（有關更完整的評估，請參見Kamiya2020。）
因此，這些最新的自下而上的估計已提高了全球數據中心的使用率的清晰度，也可以實現“真實性檢查”，從而揭露了一些引人入勝且廣為流傳的關于數據中心對氣候變化的貢獻的說法。
前進的道路
就是說，在未來十年中，存在著巨大的風險，即對信息服務（尤其是AI等計算密集型應用程序）的快速增長的需求將開始超過過去一直限制數據中心能源使用的效率提升。仍然有可能大幅提高效率，但是將需要對下一代計算，存儲和除熱技術進行投資，以避免本十年后期能源使用量的急劇增長。并且需要對可再生能源進行并行投資，以最大程度地減少不可避免的數據中心能源使用對氣候的影響（Masanet等，2020）。
決策者需要更好的建模能力來自信地評估未來的效率和緩解方案，因此開發更強大和更具預測性的方法來增加自下而上的見解的頻率并克服基于推斷的預測的局限性是能源分析的關鍵優先事項社區。
決策者和能源計劃者將需要這些模型來監視未來數據中心的能源使用趨勢，了解關鍵的能源使用動因并評估各種政策干預措施的有效性，以管理可能的能源增長。由于數據中心幾乎無處不在，因此在國家和全球范圍內都將需要這種功能，特別是對于數據中心容量正在迅速擴展的中國。
分析師應考慮幾個關鍵優先事項。首先，開發并公開共享有關已安裝的存貨，配置以及IT設備和冷卻/電源系統的能源使用特性的可靠數據源，將使跨模型的技術更通用，更準確。這種技術細節還將確保適當考慮重要的效率趨勢。其次，應該共享模型并進行模型間比較，以便分析師可以制定最佳實踐，從而增加對模型輸出的信心。第三，分析師必須共同努力，為新興趨勢建模，例如人工智能，5G的推出以及邊緣計算的增加，從而使決策者及早了解其潛在的能源使用影響。第四，應該為亞太地區（尤其是數據中心需求迅速增長的中國）公開開發和共享更可靠的數據。最后，需要更好的方法來對下一代計算，存儲和散熱技術進行前瞻性分析，以加快對可能避免未來能源使用增長的技術的投資。
編譯 陳講運
