摘要：ASME论文与亚利桑那州立大学新闻稿提示，在凤凰城都会区四处特定数据中心的移动实测中，下风向气温平均比上风向高1.3—1.6华氏度，约合0.7—0.9℃；峰值达到4华氏度，影响最远约三分之一英里。这不是所有数据中心的通用结论，却足以推动AI基础设施从电力与用水议题进入城市热治理。
数据中心消耗的电力最终几乎都会变成热。过去，这句话通常只出现在机房制冷、PUE和服务器可靠性的讨论中；现在，它开始具有城市规划意义。
亚利桑那州立大学（ASU）围绕这篇ASME论文发布的研究介绍显示，研究人员在2025年6月18日至10月25日期间，用安装高精度快速响应温度传感器的车辆，对凤凰城都会区四处数据中心的上风向和下风向温度进行同步移动测量。四处设施从36兆瓦的单体数据中心到169兆瓦的共址园区，均以空气冷却为主。结果是：下风向气温平均比上风向高1.3—1.6华氏度，约合0.7—0.9℃；峰值差异达到4华氏度，约合2.2℃；热影响最远可辨识到约三分之一英里，也就是约五个街区、约500米。
Horizon摘要还引用了论文中的一个具体观测场景：上风向平均气温约42.7℃，园区东侧下风向街区约43.5℃，差值约0.8℃。这两个数值应理解为特定路线、时段、风向和天气条件下的上风向—下风向对照，而不是“无数据中心”与“有数据中心”的模型开关，更不是两座城市或两个街区的年均温。
因此，“约0.8℃”更接近本研究多个测量中的平均下风向增温量级，而不是最大值；“约500米”是影响仍可辨识的最远量级，不代表这一范围内每一点都稳定升温0.8℃。研究的真正意义，不在于提供一个可到处套用的常数，而在于以现场同步测量证明：大型计算设施的废热羽流可以越过地块边界，成为需要在许可、选址和社区健康中评估的外部性。
一、0.8℃、500米、42.7℃和43.5℃究竟说明什么
理解这项研究，首先要把“测到了什么”和“能够推断什么”分开。
研究者使用多辆车同步记录四处设施上风向与下风向的近地空气温度，并用可部署气象站确定局地风场。ASU新闻稿报告，下风向相对上风向的平均增温为1.3—1.6华氏度，峰值为4华氏度，信号最远延伸到约三分之一英里。42.7℃与43.5℃则是摘要引用的一个具体高温观测对照。这里的“约500米”是案例中影响随风衰减的空间量级，不是统一的安全退界线；“约0.8℃”是平均增温量级的摄氏近似，不是研究记录到的最大值。
还应注意四个限制。
第一，风向决定谁处在影响路径上。同一栋数据中心在风向改变后，下风向街区也会改变；低风速时热量可能在设施附近积聚，较高风速会加强稀释，却可能把信号输送得更远。第二，背景温度决定健康意义。从22℃升到22.8℃与从42.7℃升到43.5℃，物理增量相同，人体热风险完全不同。第三，建筑和地表会重塑羽流。仓库、隔声墙、道路、裸地、停车场、树冠和街谷都会改变湍流、辐射与通风。第四，设施并非同质设备。IT负荷、机架密度、排风温度、冷却技术、备用发电机运行及昼夜调度都在变化。
因此，论文支持的严谨表述是：在所研究的四处设施和测量条件下，下风向近地层平均比上风向高约0.7—0.9℃，个别测量峰值约2.2℃，影响尺度最远约数百米。它没有证明“每个数据中心都会让500米内升温0.8℃”，更没有给出全球统一影响系数。
二、为什么AI数据中心的热问题会从机房走向街区
服务器不会消灭能量。芯片执行计算、电源转换、网络传输、风扇和水泵运行所消耗的电，最终绝大部分以热的形式离开设备。一个持续消耗100兆瓦电力的园区，从能量守恒看，最终也在持续向环境输出近似同量级的热，只是热量可能通过热空气、温水、冷却塔蒸发或其他路径释放。
传统企业机房的热排放较小且分散，常被城市背景噪声掩盖。生成式AI改变了三件事：一是单体园区用电规模快速上升；二是GPU集群功率密度高、负荷持续性强；三是项目往往成片集聚在电网、光纤和土地条件合适的区域。多个设施的排热若在同一主导风向上叠加，就不再只是每个地块内部的工程问题。
这与城市热岛又不是同一个概念。城市热岛主要来自不透水表面吸热、植被减少、街谷辐射、建筑与交通人为热等长期综合效应；数据中心废热是其中一种集中、可定位、随负荷变化的人为热源。它可能叠加在已经偏热的工业区、物流走廊和低绿量社区上，也可能因夜间持续排热而削弱城市降温。研究若只看下午最高温，可能遗漏夜间最低温和热浪恢复时间，而后两者恰恰与健康风险密切相关。
三、冷却方式决定热量以什么形态进入城市
讨论数据中心“散热”，不能只问排了多少热，还要问以什么温度、湿度和高度排出。
直接或间接空气冷却主要把热量交给空气。屋顶或侧墙排风口的温度、速度、高度和朝向决定羽流是迅速抬升，还是被建筑下洗带回行人高度。排风口朝向住宅区、学校或户外劳动场所，即使满足地块内设备标准，也可能造成地块外不均等暴露。
蒸发冷却和冷却塔通过水的蒸发带走热量，可以降低显热排放温度，却增加耗水和局地湿度。在干旱地区，较高湿度会抬升湿球温度并改变人体蒸发散热条件。因此，“空气温度增量较小”不能自动等同于“热健康影响较小”，还需同时观察湿度、湿球黑球温度和热指数。
液冷提高了从芯片到冷却液的传热效率，为高密度AI机架提供更稳定的热管理，也使较高品位的温水更适合回收。但液冷并不让热消失：如果末端仍通过干冷器或冷却塔向室外排放，城市热负荷只是换了一条路径。真正改变外部性的，是末端散热设计、可利用热温度以及是否存在稳定热用户。
冷却技术评估不能只追求更低PUE。一个PUE更优的方案，可能因为总负荷更大而排出更多绝对热量；一个节水方案，可能把更多显热直接排入空气。城市治理需要把PUE、WUE、总耗电、总排热、排风参数和热回收率放在同一张表里。
四、选址不能只看电、地、网，还要增加“热受体”
当前数据中心选址通常优先考虑变电容量、可再生能源、网络时延、水资源、土地和税收。ASU研究提示，审批部门还应增加一张“热受体地图”：主导风向下有哪些住宅、学校、养老机构、医院、公交站、工地和户外活动空间？这些区域本来是否已是城市热岛热点？居民是否普遍缺少空调、树荫和医疗资源？
热影响不是简单的同心圆。合理的选址分析至少应使用逐时风玫瑰、极端高温日气象、建筑三维形态、地表反照率、植被和地形，模拟不同负荷及冷却工况。退界距离也不宜机械套用“500米”：本案的约500米是观测和模型呈现的影响尺度，其他项目可能更短，也可能在稳定大气、建筑下洗或多设施叠加时更远。
设计层面可采取的措施包括：提高排热口高度并优化方向，避免热空气短路回流和吹向敏感受体；利用扩散器降低局部射流热点；在不妨碍设备安全的前提下配置高反射屋面、遮阴、透水地表和耐旱树冠；把停车场、变电设施等高热表面与社区边界隔开；对园区集群开展累积影响评估，而不是逐项目切割审批。
五、废热回收值得做，但不能被写成万能答案
数据中心的热量稳定、集中，理论上很适合区域供热、生活热水、温室、工业预热和吸收式制冷。北欧已有数据中心接入城市供热网络的实践，欧盟能效政策也在推动大型数据中心披露能耗并评估余热利用。
难点在于，数据中心排出的往往是低品位热。传统风冷回路温度不高，要送入供热网络通常需要热泵抬升温度；管网距离、季节需求、备份热源和合同责任都会影响经济性。在炎热地区，冬季供热需求有限，而数据中心全年排热，供需时间并不匹配。热回收系统本身还会耗电，若热用户很远，基础设施成本可能高于收益。
所以应使用两个指标而非一句口号：一是可回收热潜力，即温度和流量条件下理论可利用多少；二是实际有益利用率，即扣除热泵、输送和季节错配后，多少热真正替代了其他能源。无法回收的部分仍须接受微气候评估，不能用一份未来供热意向书抵消当前排热责任。
六、环境影响评估应把社区公平放到定量指标里
数据中心常建在工业用地或城市边缘，但工业用地并不等于无人区。很多低收入社区、租户、少数族裔聚居区和户外劳动者恰好位于仓储、快速路、变电站和大型设施周边。他们同时承受交通污染、噪声、缺少树荫和能源负担，新增0.8℃即使只在特定时段出现，也可能成为热浪中的风险放大器。
环境影响评估应至少覆盖以下指标：
- 设施总耗电、IT负荷和逐小时废热功率，而不只报告PUE；
- 排风口温度、流量、高度、方向以及冷却塔耗水和羽流参数；
- 地块边界及下风向100米、250米、500米、1公里的气温、相对湿度、风速和湿球黑球温度；
- 午后峰值、夜间最低温、连续热夜和热浪期间的增量；
- 不同风向下学校、养老院、医院、住宅和户外岗位的人口暴露；
- 与相邻数据中心、道路、工业源叠加后的累积影响；
- 热回收量、实际替代能源量及系统额外用电；
- 投运前至少一个完整暖季的基线，以及投运后的连续公开监测。
监测设备应同时设置在上风向对照点和多个下风向点，并明确传感器高度、遮阳、防辐射罩、校准和缺测处理。只在屋顶放一个气象站，或只公布月平均值，很容易把行人高度的短时高风险抹平。数据最好以小时级开放，附带IT负荷和冷却工况，允许社区、监管者和研究者复核因果关系。
公平还意味着程序公平。居民应在选址早期而不是项目基本确定后看到风场与热影响图；监测点位要吸收社区意见；超过许可阈值时，应触发降载、调整排热、增加遮阴绿化或社区降温投资，而不是只提交一份年度说明。
七、从“绿色机房”走向“热责任基础设施”
AI基础设施治理过去聚焦三张账：电从哪里来、用了多少水、碳排放多少。ASME论文和ASU新闻稿提示，城市还需要第四张账——热量在什么时间、以什么形式、沿什么方向进入了谁的生活环境。
这并不意味着应因一项案例研究停止建设数据中心。约0.8℃与约500米是一个值得重视、但必须保持边界的证据：它证明局地影响可能达到规划尺度，却不足以替代每个项目的现场基线、流体模拟和长期监测。下一步最合理的政策不是规定“所有项目统一退让500米”，而是把逐时排热清单、极端高温情景、累积影响、敏感受体、热回收可行性和投运后验证写入许可条件。
当算力成为城市基础设施，数据中心就不能只按“建筑里的大型电器”管理。它同时是电力负荷、水资源使用者、低品位热源和微气候扰动源。真正成熟的AI城市，不只是拥有更多GPU，也要有能力回答一个朴素问题：这些机器产生的热，最终由谁承担？
参考资料
- Soroush Samareh Abolhassani, Eli Martin, David Sailor, Data Center Waste Heat as an Emerging Urban Thermal Hazard: First Field Measurements and Community Exposure Implications，Journal of Engineering for Sustainable Buildings and Cities，2026。
- Arizona State University News, Turning down the heat from data centers，2026-05-18。
- ASHRAE Technical Committee 9.9，Thermal Guidelines for Data Processing Environments：https://www.ashrae.org/technical-resources/bookstore/datacom-series
- International Energy Agency，Energy and AI，数据中心电力需求与AI基础设施分析：https://www.iea.org/reports/energy-and-ai
- U.S. Department of Energy，数据中心能源效率与热管理资源：https://www.energy.gov/femp/data-centers-and-servers
- Lawrence Berkeley National Laboratory，数据中心能耗与用水研究资源：https://datacenters.lbl.gov/
- European Commission，Energy Efficiency Directive及数据中心能源绩效、余热利用相关政策：https://energy.ec.europa.eu/topics/energy-efficiency/energy-efficiency-targets-directive-and-rules/energy-efficiency-directive_en
- U.S. Environmental Protection Agency，Heat Island Effect：https://www.epa.gov/heatislands
- World Health Organization，Heat and health：https://www.who.int/news-room/fact-sheets/detail/climate-change-heat-and-health
- IPCC，第六次评估报告关于城市、极端高温与适应的综合资料：https://www.ipcc.ch/assessment-report/ar6/