喂饱AI，需要多少水？

和AI聊上几句，究竟会消耗多少水？

在科技公司的账本上，答案可能只有几滴；但在研究者的测算中，却是一整瓶矿泉水。

近两千倍的差距，可不是什么统计误差，它背后站着两套截然不同的核算逻辑。前者只盯着数据中心那点事，后者则沿着电力、芯片和服务器一路追溯上去。

别以为这只是给数据中心降降温那么简单。它的消耗，从发电的那一刻起，甚至从芯片尚在工厂里“洗澡”时，就已经开始了。

悬殊的答案

跟ChatGPT唠个20到50轮，到底要喝掉多少水？

加州大学河滨分校的任少磊副教授算了一笔账：大约500毫升。没错，就是一瓶市面上常见的矿泉水那么多。

20到50轮，算不上重度使用。也就够让AI帮你润色封邮件、规划个周末出行，再顺手回答几个日常问题。

谷歌在其环境影响报告里提到，Gemini处理一次文本请求，大约只消耗0.26毫升水。也就是大概5滴的量。

微软则援引《Joule》期刊的研究称，一次典型的AI查询，其冷却用水量在0到0.067毫升之间，中位数甚至连一滴都算不上。

一边是一瓶水，一边是几滴水，这差距可不是一星半点，快两千倍了。

这差异的根源，在于统计口径。任少磊指出，谷歌披露的数据，主要算的是数据中心现场冷却的“水账”，压根没把发电环节的消耗算进去。

而研究者的测算，则把服务器运行所耗电力背后的间接用水也一并打包了。所以两组数字看似在回答同一个问题，其实各说各话，统计的根本不是同一部分。

把用水量粗暴地折算成“单次查询”，本身就带着局限性。

数据中心的冷却系统可不是那种按一下按钮才启动的玩意儿。它是常年累月不停运转的。

把一整座设施的用水量均摊到每次查询上，得到的只是一个粗放的数字，根本没法告诉你某一次对话到底多喝了多少水。

所以，“一次AI对话消耗多少水”这个问题，本身就没有统一答案。统计范围、设施所在地、当地的能源结构，甚至你用的计算方式，都会让最终结果天差地别。

与其纠结单次查询的估算，不如看看数据中心用水总量的变化，这才更能说明问题。

两家公司都承认，AI业务和相关算力需求的上升，是主要原因之一。

这就跟那句“每次查询不足一滴水”的官方口径放在一起看，味道就有点耐人寻味了。单次消耗被压得再低，也架不住总量在蹭蹭往上窜啊。

水到底都流向了哪儿？数据中心的冷却塔，仅仅是其中一个出口。

被忽略的上游

AI的用水胃口，主要集中在三个地方：数据中心冷却、电力生产，以及芯片制造。

科技公司披露的数据，通常只盯住数据中心内部。而研究者的笔，则会更进一步，把供电和芯片制造的过程也纳入进来。

算盘打得不一样，数字自然就长着不同的脸。

最直观的，当属数据中心冷却。服务器一开，热量呼呼地冒，很多数据中心就靠蒸发水来降温。水带走热量后变成水汽飘走，再也回不来了。

美国内华达大学拉斯维加斯分校的斯蒂芬·雷曼教授测算过，一座传统大型数据中心，每天光冷却就要用掉500万加仑水。这个量，相当于一座两万到五万人口城镇的日用水量。

火力发电厂为了蒸汽循环和冷却，也得喝掉大量水。所以，就算数据中心把机房里的冷却水省下来了，只要它用的电还是来自高耗水的电源，上游的“水债”就不会凭空消失。

还有一个更隐蔽的环节，是芯片制造。

AI芯片在“出生”前，得在工厂里反复“洗澡”——清洗晶圆，去除各种颗粒、金属离子和有机残留。

一块晶圆往往要经历几十次甚至上百次清洗。任何一点微小的残留，都可能导致线路短路或功能失效。

任少磊的测算显示，仅仅是训练GPT-3这一个模型，数据中心现场用于散热的用水就高达70万升。这还没算上供电环节的用水，更没算制造GPU芯片时消耗的那些超纯水。

数据中心的地理分布，又把这个问题进一步放大了。

内华达、亚利桑那、得克萨斯、犹他、加利福尼亚和科罗拉多这几个州，都面临着不小的水资源压力。但偏偏，这六个州里仍有437个数据中心在建或规划中。

数据中心选址时，通常更关心土地、电力和政策条件，水资源承载能力往往不是首要考量。

预计到2030年，全球数据中心全产业链的总用水量将达到9.3万亿升。这个数字有多大？大概相当于13亿撒哈拉以南非洲居民一年的基本生活用水需求。

这个数字背后反映的，早已不只是机房怎么降温的小问题，而是从芯片生产、能源供应到数据中心运行的一整条产业链。

技术之外的缺口

在上海临港的小洋山以东，海面上矗立着一座高出海平面20多米的钢铁平台。

平台下方，192个机柜、约2000台服务器被安放在海底，承担着日常网络服务和AI应用所需的算力。

这是全球首个投入运行的海风直连海底数据中心。平台约500米外，50多座海上风机通过光电复合电缆直接给它供电。

项目采用无动力冷媒循环技术，利用年均约15摄氏度的海水来带走服务器热量，再也不用靠蒸发淡水来降温了。

项目负责人陈希怡算过一笔账：这座2.3兆瓦的数据中心，要是用传统冷却方式，一年得消耗约4万吨淡水。改用海水冷却后，这部分淡水消耗直接降到了零。

陆地上的数据中心，也在尝试各种新花样。

英伟达的GB200 NVL72机架，把72颗GPU和36颗Grace CPU塞进全液冷系统里，通过紧贴芯片的冷板和密闭循环的冷却液带走热量，大大减少了对蒸发式冷却的依赖。

液冷技术加速普及，跟AI芯片功耗快速飙升直接相关。英伟达A100芯片功耗是400瓦，到了B200，已经涨到1000瓦了。

单机柜发热量越来越大，传统风冷越来越力不从心。

此外，还有多伦多利用深层湖水来降温，都柏林则把数据中心产生的余热接进城市供暖系统。

这些技术的价值不容低估。就拿海底数据中心来说，一年省下4万吨淡水，是实打实的节水成果。

但它们主要解决的，还是数据中心的冷却问题。

别忘了，AI的用水还发生在电力生产和芯片制造环节。数据中心运营商可以改造自己的冷却系统，却很难直接撼动电网的发电结构。

如果上游的电力依然主要来自那些“水老虎”发电方式，那么数据中心每用一度电，背后就可能伴随着相应的水消耗。

芯片制造也一样。晶圆在进入数据中心之前，早就洗过好几轮超纯水澡了。

不论服务器最终用的是风冷、液冷，还是海水冷却，这部分用水都不会因此减少分毫。

所以，数据中心节水是必须的，但光靠它，对付不了AI产业的全部用水问题。

预计到2030年，全球数据中心全产业链的用水量将达到9.3万亿升。在这个量级面前，光优化机房冷却，能砍掉的也只是冰山一角。

要真正降低AI对水资源的消耗，除了改进冷却方式，还必须同时做两件事：减少发电环节的用水，并大幅提高芯片制造过程中的水循环利用率。

当AI以越来越快的速度融入社会，衡量它资源代价的方式，也必须跟着变一变了。

只有先把账算清楚，节水才不会只停留在最容易看到的地方。