AI 每回答一個問題，要消耗多少水？答案令人震驚

請打開你的任意一款 AI 工具，問問它生產一瓶 500 毫升的可口可樂需要消耗多少水？

不同的 AI 可能會給出不同的答案，但生產者給出的官方答案是 690 毫升。可口可樂公司在 2024 年的環境報告里提到，當年的用水比是 1.38，意味著每生產 1 升飲料需要 1.38 升水，多出來的水用來清洗設備、冷卻系統，最后被當做工業廢水排掉。值得注意的是，這個數字是工廠生產本身的用水情況，還未考慮全生命周期的水消耗。

現在，你再問 AI 第二個問題：“回答完剛才的問題，你自己消耗了多少水？”

你或許會覺得是 0，畢竟只是一個電子程序，會和水扯上什么關系？

但很遺憾，你錯了。

AI 的耗水量遠比你想象得多

OpenAI 的 CEO 奧特曼說 GPT 回答一次問題的耗水量是 0.3 毫升，聽起來微不足道，也就幾滴眼淚。但加州大學河濱分校的研究者說一次查詢怎么也得有個十幾毫升，夠你喝一口的了。還有的研究者會更精細，比較了一堆 AI 后告訴你，目前當紅的這些好用 AI，每次回答都得消耗一百多毫升水，嗯，夠裝一小杯了。

數據差距如此之大，誰說得對？

答案是：都是對的，只是各自都耍了一些花招。

圖庫版權圖片，轉載使用可能引發版權糾紛

為了理解這些數據，我們要從為什么會消耗水開始談起。

你一定經歷過手機發燙的時刻，在信號不好的地方開著導航，或者玩了一小時游戲，手機燙得好像要爆炸。這是因為芯片消耗電能進行運算時，一部分的電能會被轉換成熱能。當運算量突然增大，比如信號太差需要不斷搜索基站或者游戲畫面過于復雜時，原本只靠背板的散熱就不夠用了，手機會變得越來越燙。

AI 數據中心亦如此。

成千上萬臺服務器 24 小時運行，單臺機柜的功率從幾十千瓦到數百千瓦不等，它們的運算能力驚人，但產生的熱量也同樣驚人。只靠風冷？散熱效率遠遠不夠。

電視劇《疑犯追蹤》里服務器過熱警告

所以他們用水。不管具體的冷卻系統如何設計，是冷卻塔、閉環水冷還是把整個數據中心都建到海底，其核心原理都差不多：用水帶走熱量。

但這些水不會永遠待在散熱系統里。一部分水會在吸收熱量后蒸發掉，剩余的水雖然可以循環回收利用，但撐不了多久，循環水中的雜質會越來越濃，需要及時排除處理廢水，更新清潔的循環水來保證系統的正常運行。

蒸發和排放，這是數據中心最直接的水消耗，但還沒算完。

另一部分的消耗來源于電。數據中心要運轉得用電，而發電廠不管是燒煤燒氣還是核能，也需要消耗水來輔助生產。這部分隱形的水消耗很容易被忽略，但它其實是大頭。大多數情況下，發電用的水比數據中心直接用的還多。

不同數據中心和電廠的技術有些差異，以美國平均數據為例，數據中心本身的耗水大約是每度電 0.55 升，而發電廠的耗水大約是每度電 3.142 升，加起來也就是每耗一度電，差不多要消耗 4 升水。

現在我們可以來算賬了。

加州大學河濱分校的研究者認為，一次 AI 查詢會消耗 4 瓦時（0.004 度）的電，乘上數據中心和發電廠的耗水量，計算出的結果就是十幾毫升（16 毫升）。這個數據比較粗糙。

而最新的研究中，研究者們將不同模型的耗電分別作了估算。一條長提示詞下，GPT4.5、Deepseek R1 們能消耗 100 多毫升的水。

至于 OpenAI CEO 給出 0.3 毫升的答案，則是他玩了個小花招。他引述了同一篇文章，只不過是研究列表里 GPT 系列中最小的模型 GPT-4.1 nano 在短提示詞下的耗水量。理論上沒錯，但不是所有用戶都只會用 nano。

那如果我們來平均一下，根據 OpenAI 和 Google 所公布的報告，一條請求的平均耗電量大概在 0.3 瓦時，所以一條請求消耗 1 毫升水可能是比較合理的估算。

真的要繼續較真細算，還要引入水足跡的概念，不光算直接用水，還要算間接用水。制造一片 AI 芯片需要幾千升超純水清洗，運輸、包裝、建廠，每個環節都在消耗水。

這就像計算一瓶可樂的完整水足跡，不光是瓶子里的 500 毫升和工廠里用掉的 190 毫升，還要算甘蔗的種植，制糖，運輸……算完你會發現一瓶使用古巴蔗糖的可樂的水足跡高達幾百升。相比之下，零度可樂因為用人工甜味劑，水足跡要小得多（看來喝無糖可樂不光可以少攝入糖，還能減少水債務）。

但誰能這么算？理論上統統都要算，實際上又龐大又算不清，所以當討論 AI 的水消耗時，大部分研究者都默契地停在了發電廠這一步。再往上追溯，里面的數字會大到讓資本市場的投資人不想面對。

AI 消耗的水有什么影響？

一個新的問題：就按 AI 回答一次問題消耗 1 毫升水算，這是多還是少？

人工智能公司會告訴你，不用擔心，你努力用 AI 查一天也不過喝一瓶可樂。而環保主義者會警告大家，一個谷歌公司一年消耗了 265 億升水，已經能和可口可樂公司一年的耗水量差不多了，這還得了。

都是事實，然而，這個問題本身問得對嗎？

耗水和耗電有一個根本性的差別。電用完就沒了，燒的煤也不會再生。但水不一樣，它是可循環資源。從地球物理學角度看，地球上的水總量幾乎恒定，今天從數據中心蒸發的水，明天可能就是太平洋上的一朵云，后天可能是西雅圖的一場雨。

人工智能所消耗的水資源看起來數字不小，但即使它在未來的十幾年里增長幾倍，其影響也遠不如電力消耗對環境的影響大。雖然取水和凈化也需要能量和碳排放，但這部分消耗和數據中心的電力消耗相比可謂九牛一毛。

所以從全局上看，AI 消耗點水沒有問題。但問題恰恰在于，水并不是一個全球問題，它從來都是局部問題。水資源的議題中最重要的永遠不是地球上有多少水，而是水在哪里。

大公司們當然也明白這個道理，所以他們永遠都在強調綠色、環保、可持續的未來。他們的環境報告中還頻繁出現一個詞：水資源中和。他們聲稱每年都在完成生態補水，爭取達到“補充比我們消耗更多的水”，聽起來很負責任，對吧。

這方面，飲料公司是經驗豐富的老手，可口可樂公司在被罵了幾十年搶奪水資源后，終于在 2016 年宣告完成了“100% 水回饋”。問題在于，生態補水的實際舉措通常是恢復濕地或是增加儲水設備回灌地下水，而這些舉措的地點通常不在工廠建設地上。賬面上是中和了，當地居民所面臨的缺水問題仍然存在。

科技公司們也覺得這個詞很好，紛紛表示要努力達到這一目標，但他們對數據中心的選址又是另一套邏輯。

修數據中心需要什么？

便宜的地：也就是人少的地方。

便宜的電：需要新修的電廠，還是同樣需要地。

寬松的監管：一般來說經濟欠發達，需要更多的投資機會。

幾個條件加起來，從結果上看就是，接近一半的新數據中心都修在了高度甚至極度缺水的地區。這些地區通常經濟并不發達，新的數據中心會為當地帶來投資和工作機會，從政府的角度是歡迎的。但它們也會讓原本就稀缺的用水變得更加稀缺，一座數據中心的修建，甚至能讓居民的水井干涸，無法保證正常的生活用水。

在這種情況下，去巴西保護雨林聽起來只是一個美好的愿景。

我們可以做些什么？

終于，有人對數據中心說：“不。”

在亞利桑那州的 Tucson 市 Pima 縣里，議會在算過水賬之后決定拒絕亞馬遜的“藍色計劃”。

在這個案例中，新的數據中心會使用超過 4 個高爾夫球場的用水量。雖然建筑公司提出了擴建本地的廢水回收系統以彌補增加的用水量，以及“最終達到零凈消耗”的合同條款，但居民仍然不買賬。問題在于建筑公司的這些許諾缺乏詳細可靠的配套計劃，加入合同條款對公司雖然有一定約束力，但就算達不到也只是賠錢——產生的缺水問題可不是賠錢就能解決的。

本地的議員在聽取居民的意見后，以 7-0 的投票結果一致否決了該計劃。

這可能是人類第一次在水和 AI 之間，選擇了水。但我們之后還將面臨許多次選擇。

圖庫版權圖片，轉載使用可能引發版權糾紛

水的歷史很長，它們來自 45 億年前與地球相撞的忒伊亞行星，在星間穿行，在海洋與云層間相變輪回?？铸埡冗^，你我喝過。

AI 的歷史很短，短到現在我們還沒有完全適應它的到來。

我們向 AI 提問，AI 向水提問，而水不知道答案。

它只知道，在所有的問題消失之后，它還會在那里。

就像 45 億年前那樣。