AI 耗水量之谜：数据揭示技术与水资源的博弈

您是否好奇，每次向 ChatGPT 提问背后，究竟隐藏着多少水资源的消耗？

事实是：大约 20 到 50 轮的对话，其耗水量相当于一瓶 500 毫升的瓶装水。

这并非夸大其词。随着大型人工智能模型广泛应用于实际生产，一个长期被忽视的议题正逐渐显现——人工智能的「水足迹」。

谷歌在 2025 年发布的环境影响报告，引发了不小的讨论。报告指出，用户每次向 Gemini 模型发送文本请求，平均仅消耗 0.26 毫升水（约等于 5 滴水），能耗为 0.24 瓦时（低于观看 9 秒电视节目），碳排放量为 0.03 克。

乍一看，这些数字似乎表明 AI 是相当环保的，对吗？

然而，问题在于谷歌的统计方法仅计算了数据中心现场用于冷却系统的水量，却遗漏了为数据中心提供能源的发电厂在发电过程中所需的水资源。加州大学河滨分校的副教授 Shaolei Ren 的研究表明，训练一个类似 GPT-3 的大型模型，在美国顶级数据中心可能消耗多达 70 万升水；即使是与 ChatGPT 进行一次 20-50 轮的对话，间接用水量也可能达到 500 毫升。

这并非一个关于「节约用水」的故事，而是一个关于「水被隐匿」的故事。

根据 2023 年的一项研究预测，到 2027 年，全球范围内对人工智能的需求可能导致消耗 66 亿立方米的水资源——这几乎相当于美国华盛顿州一整年的用水量。

另外，根据摩根大通引用的 Bluefield Research 数据，从 2017 年到 2022 年，全球数据中心的年用水量增长了 6%。预计到 2030 年，其日均用水量可能飙升至 4.5 亿加仑，这意味着每天需要大约 681 个奥运标准尺寸的游泳池容量的淡水来为全球数据中心进行冷却。

更为严峻的是，世界资源研究所的预测显示，到 2030 年，全球约 40% 的云服务数据中心容量将面临高或极高的水资源压力。人工智能的飞速发展被认为是导致用水量激增的主要因素，预计到 2027 年，仅人工智能的加速应用就可能额外增加 40 亿至 70 亿立方米的用水量。

在水资源匮乏的地区，数据中心对水的巨大需求，可能会加剧「资源竞争，导致供水紧张，甚至可能迫使数据中心停运」。

人工智能的训练和推理过程需要 GPU 集群长时间处于高负荷运行状态，这些芯片的功耗密度已超过 50kW/机柜。传统的风冷散热方式已难以应对。

目前，多数数据中心采用蒸发冷却或水冷技术来降低运行温度。水被用来吸收 GPU 产生的热量，然后通过冷却塔蒸发到大气中——这部分水不会再循环回数据中心，而是被直接「消耗」了。

截至目前，全球数据中心的数量已超过 11,200 座，而专门用于人工智能的计算能力在过去 18 个月内增长了三倍。预计到 2030 年，全球数据中心的整体容量有望翻一番，达到 200GW。

以下一组数据对比，或许能让您更直观地感受：

训练一个大型人工智能模型可能产生 62.6 万磅的二氧化碳排放，这相当于一辆汽车在其整个生命周期内的排放量的 5 倍以上。到 2026 年，人工智能数据中心所需的电力将达到 40GW，这相当于纽约市总用电量的 8 倍。

谷歌在 2025 年的报告中强调，在 2024 年 5 月至 2025 年 5 月期间，每次人工智能请求的总排放量已降至之前的 1/44。然而，其坚持只计算「直接冷却用水」的做法，让学术界普遍认为该公司存在「选择性披露」的问题。

微软则在 2026 年初宣布了一项以社区为导向的新计划，承诺承担其数据中心运营的全部电力成本，并实现水资源的净补充。在亚利桑那州等缺水地区，微软的数据中心项目曾引发当地居民的强烈反对——居民们担心数亿加仑的用水会挤占本已紧张的市政供水。

亚马逊 AWS 和 Meta 也同样面临着数据中心用水的紧迫问题。最新数据显示，到 2030 年，全球范围内高达 40% 的云服务数据中心容量将面临高或极高的水资源压力。

好消息是，技术本身也在寻求解决方案。

液冷技术正迅速普及。据 TrendForce 的数据，液冷技术在人工智能数据中心的渗透率将从 2024 年的 14% 大幅提升至 2025 年的 33%，并在 2026 年突破 50%。液冷方案可以将 PUE（能源使用效率）从风冷的 1.4 降低到 1.1，同时显著减少 20% 至 90% 的用水量。

冷却分配单元 (CDU)、快速接头和冷却液——这三大组件已成为市场上的抢手货。以 H100 机柜为例，采用液冷方案的 PUE 仅为 1.1，相比风冷降低了约 27%，在三年的使用周期内可节省约 6 万美元的成本。

到 2026 年，一场关于「冷却」的变革正在数据中心领域悄然发生。

值得注意的是，Ecolab 在 2025 年发布的 Watermark 研究显示，在美国，只有 46% 的消费者意识到人工智能的运行过程会消耗水资源，而意识到其能源消耗的消费者比例为 55%。在亚太和拉丁美洲等地区，这种认知差距更为明显。

人工智能被寄予厚望，用于解决气候变化和环境保护等重大挑战，但其自身的运行却加剧了资源消耗。这便是人工智能所面临的「环保悖论」。

根据国际能源署 (IEA) 的数据，2022 年全球数据中心消耗了约 460 太瓦时的电力，约占全球总发电量的 2%，预计到 2026 年这一数字将翻倍。而美国银行预计，到 2027 年，全球超大规模云服务提供商（包括微软、谷歌、亚马逊、Meta）在人工智能方面的总资本支出可能超过 1 万亿美元。

在算力飞速增长的同时，水和电的成本迟早需要被清算。

对于普通用户而言，每一次人工智能查询都在消耗资源——但这种「消耗」远小于个人日常的活动。真正的问题不在于个体使用，而在于基础设施的可持续性。

对于企业和开发者而言：

▸ 选择绿色数据中心：优先选择使用可再生能源和液冷方案的数据中心。

▸ 优化模型效率：更高效的模型意味着更少的计算需求，从而减少水资源消耗。

▸ 关注供应商披露：要求云服务提供商公开其数据中心的用水效率和