研究：63篇数据中心AI节能论文中半数仅经仿真验证，无一计入水资源消耗
一项对约194篇文献的系统性筛选显示，数据中心AI节能研究存在验证不足与报告指标缺失问题；作者据此提出CLEAR-DC报告框架。
AI解读：数据中心既用AI优化能耗，又被AI负载推高能耗，但现有研究把这两件事分开处理，导致节能效果可能被高估。这篇arXiv预印本筛选了约194篇文献、编码63篇后发现，28篇控制类主研究中18篇只在仿真环境验证，仅5篇到硬件或生产设施，而且没有一篇计入水资源消耗或隐含碳。作者据此提出CLEAR-DC框架，要求研究同时建模控制策略和工作负载需求，并输出包含能源、碳、水、隐含碳占比和验证场所的标准化记录。对读者来说，这意味着以后评估数据中心节能方案时，不能只看论文宣称的省电比例，而应检查它是否在真实硬件上验证、是否算清了AI负载本身带来的额外能耗和水碳成本；CLEAR-DC目前只是方法论建议，并非可直接部署的节能系统。
arXiv预印本（2609.03716v1）发布的一项系统性文献分析显示，数据中心人工智能节能研究存在验证不足与指标缺失：在编码的63篇论文中，28篇以控制为导向的主要研究里，18篇仅在仿真环境中验证，5篇触及物理硬件或生产设施，且没有一篇计入水资源消耗或隐含碳。
研究团队筛检了通过记录在案的系统性方法检索到的约194篇论文，并对其中63篇进行编码。报告指出，四种技术家族报告出的节能区间几乎完全重叠，意味着该领域目前无法对自身方法进行排序。
CLEAR-DC框架与数据可用性
作者提出CLEAR-DC框架，该框架通过显式弹性项将控制策略分支与工作负载需求分支耦合，读取净收益而非直接收益，并输出符合模式的记录，涵盖能源、碳、水、隐含碳占比及验证场所。
作者明确表示，该框架是架构和方法论上的提议，而非经过训练的系统；其实证贡献在于语料库分析及由此推导出的报告模式。相关编码表、衍生统计数据和所有结果工件已在GitHub上公开。