安装程序教程“微乐河北麻将小程序万能挂免费版”(详细透视教程)

请打开你的任意一款AI工具 ，问问它生产一瓶500毫升的可口可乐需要消耗多少水？

不同的AI可能会给出不同的答案
，但生产者给出的官方答案是690毫升。可口可乐公司在2024年的环境报告里提到，当年的用水比是1.38 ，意味着每生产1升饮料需要1.38升水，多出来的水用来清洗设备
、冷却系统
，最后被当做工业废水排掉 。值得注意的是，这个数字是工厂生产本身的用水情况 ，还未考虑全生命周期的水消耗
。

现在
，你再问AI第二个问题：“回答完刚才的问题，你自己消耗了多少水？
”

你或许会觉得是0 ，毕竟只是一个电子程序
，会和水扯上什么关系？

但很遗憾，你错了。

AI的耗水量远比你想象得多

OpenAI的CEO奥特曼说GPT回答一次问题的耗水量是0.3毫升 ，听起来微不足道
，也就几滴眼泪 。但加州大学河滨分校的研究者说一次查询怎么也得有个十几毫升，够你喝一口的了。还有的研究者会更精细 ，比较了一堆AI后告诉你
，目前当红的这些好用AI，每次回答都得消耗一百多毫升水 ，嗯，够装一小杯了
。

数据差距如此之大
，谁说得对？

答案是：都是对的，只是各自都耍了一些花招。

为了理解这些数据 ，我们要从为什么会消耗水开始谈起 。

你一定经历过手机发烫的时刻
，在信号不好的地方开着导航，或者玩了一小时游戏 ，手机烫得好像要爆炸
。这是因为芯片消耗电能进行运算时
，一部分的电能会被转换成热能。当运算量突然增大，比如信号太差需要不断搜索基站或者游戏画面过于复杂时 ，原本只靠背板的散热就不够用了
，手机会变得越来越烫 。

AI数据中心亦如此
。

成千上万台服务器24小时运行，单台机柜的功率从几十千瓦到数百千瓦不等 ，它们的运算能力惊人
，但产生的热量也同样惊人。只靠风冷？散热效率远远不够 。

所以他们用水
。不管具体的冷却系统如何设计，是冷却塔、闭环水冷还是把整个数据中心都建到海底 ，其核心原理都差不多：用水带走热量。

但这些水不会永远待在散热系统里 。一部分水会在吸收热量后蒸发掉，剩余的水虽然可以循环回收利用
，但撑不了多久，循环水中的杂质会越来越浓 ，需要及时排除处理废水
，更新清洁的循环水来保证系统的正常运行
。

蒸发和排放，这是数据中心最直接的水消耗 ，但还没算完。

另一部分的消耗来源于电 。数据中心要运转得用电
，而发电厂不管是烧煤烧气还是核能，也需要消耗水来辅助生产。这部分隐形的水消耗很容易被忽略 ，但它其实是大头
。大多数情况下
，发电用的水比数据中心直接用的还多。

不同数据中心和电厂的技术有些差异，以美国平均数据为例 ，数据中心本身的耗水大约是每度电0.55升
，而发电厂的耗水大约是每度电3.142升，加起来也就是每耗一度电 ，差不多要消耗4升水 。

现在我们可以来算账了
。

加州大学河滨分校的研究者认为，一次AI查询会消耗4瓦时(0.004度)的电
，乘上数据中心和发电厂的耗水量，计算出的结果就是十几毫升(16毫升)。这个数据比较粗糙 。

而最新的研究中 ，研究者们将不同模型的耗电分别作了估算
。一条长提示词下
，GPT4.5 、DeepseekR1们能消耗100多毫升的水。

至于OpenAICEO给出0.3毫升的答案，则是他玩了个小花招 。他引述了同一篇文章 ，只不过是研究列表里GPT系列中最小的模型GPT-4.1nano在短提示词下的耗水量
。理论上没错
，但不是所有用户都只会用nano。

那如果我们来平均一下，根据OpenAI和Google所公布的报告 ，一条请求的平均耗电量大概在0.3瓦时
，所以一条请求消耗1毫升水可能是比较合理的估算 。

真的要继续较真细算，还要引入水足迹的概念 ，不光算直接用水
，还要算间接用水
。制造一片AI芯片需要几千升超纯水清洗，运输、包装
、建厂 ，每个环节都在消耗水。

这就像计算一瓶可乐的完整水足迹，不光是瓶子里的500毫升和工厂里用掉的190毫升
，还要算甘蔗的种植，制糖 ，运输……算完你会发现一瓶使用古巴蔗糖的可乐的水足迹高达几百升 。相比之下
，零度可乐因为用人工甜味剂，水足迹要小得多(看来喝无糖可乐不光可以少摄入糖 ，还能减少水债务)。

但谁能这么算？理论上统统都要算
，实际上又庞大又算不清，所以当讨论AI的水消耗时 ，大部分研究者都默契地停在了发电厂这一步
。再往上追溯
，里面的数字会大到让资本市场的投资人不想面对。

AI消耗的水有什么影响？

一个新的问题：就按AI回答一次问题消耗1毫升水算，这是多还是少？

人工智能公司会告诉你 ，不用担心
，你努力用AI查一天也不过喝一瓶可乐 。而环保主义者会警告大家，一个谷歌公司一年消耗了265亿升水 ，已经能和可口可乐公司一年的耗水量差不多了，这还得了
。

都是事实
，然而，这个问题本身问得对吗？

耗水和耗电有一个根本性的差别。电用完就没了 ，烧的煤也不会再生 。但水不一样
，它是可循环资源
。从地球物理学角度看，地球上的水总量几乎恒定 ，今天从数据中心蒸发的水
，明天可能就是太平洋上的一朵云，后天可能是西雅图的一场雨。

人工智能所消耗的水资源看起来数字不小 ，但即使它在未来的十几年里增长几倍
，其影响也远不如电力消耗对环境的影响大 。虽然取水和净化也需要能量和碳排放，但这部分消耗和数据中心的电力消耗相比可谓九牛一毛
。

所以从全局上看 ，AI消耗点水没有问题。但问题恰恰在于
，水并不是一个全球问题，它从来都是局部问题 。水资源的议题中最重要的永远不是地球上有多少水 ，而是水在哪里
。

大公司们当然也明白这个道理，所以他们永远都在强调绿色、环保 、可持续的未来。他们的环境报告中还频繁出现一个词：水资源中和 。他们声称每年都在完成生态补水
，争取达到“补充比我们消耗更多的水”，听起来很负责任 ，对吧。

这方面
，饮料公司是经验丰富的老手，可口可乐公司在被骂了几十年抢夺水资源后 ，终于在2016年宣告完成了“100%水回馈 ”
。问题在于
，生态补水的实际举措通常是恢复湿地或是增加储水设备回灌地下水，而这些举措的地点通常不在工厂建设地上。账面上是中和了 ，当地居民所面临的缺水问题仍然存在 。

科技公司们也觉得这个词很好
，纷纷表示要努力达到这一目标，但他们对数据中心的选址又是另一套逻辑
。

修数据中心需要什么？

便宜的地：也就是人少的地方。

便宜的电：需要新修的电厂 ，还是同样需要地 。

宽松的监管：一般来说经济欠发达
，需要更多的投资机会
。

几个条件加起来，从结果上看就是 ，接近一半的新数据中心都修在了高度甚至极度缺水的地区。这些地区通常经济并不发达，新的数据中心会为当地带来投资和工作机会
，从政府的角度是欢迎的 。但它们也会让原本就稀缺的用水变得更加稀缺，一座数据中心的修建 ，甚至能让居民的水井干涸
，无法保证正常的生活用水
。

在这种情况下，去巴西保护雨林听起来只是一个美好的愿景。

我们可以做些什么？

终于 ，有人对数据中心说：“不 。
”

在亚利桑那州的Tucson市Pima县里
，议会在算过水账之后决定拒绝亚马逊的“蓝色计划”
。

在这个案例中，新的数据中心会使用超过4个高尔夫球场的用水量。虽然建筑公司提出了扩建本地的废水回收系统以弥补增加的用水量 ，以及“最终达到零净消耗 ”的合同条款
，但居民仍然不买账 。问题在于建筑公司的这些许诺缺乏详细可靠的配套计划，加入合同条款对公司虽然有一定约束力 ，但就算达不到也只是赔钱——产生的缺水问题可不是赔钱就能解决的。

本地的议员在听取居民的意见后
，以7-0的投票结果一致否决了该计划
。

这可能是人类第一次在水和AI之间，选择了水。但我们之后还将面临许多次选择 。

水的历史很长 ，它们来自45亿年前与地球相撞的忒伊亚行星，在星间穿行
，在海洋与云层间相变轮回
。恐龙喝过，你我喝过。

AI的历史很短 ，短到现在我们还没有完全适应它的到来 。

我们向AI提问
，AI向水提问，而水不知道答案
。

它只知道 ，在所有的问题消失之后
，它还会在那里。

就像45亿年前那样 。

作者丨antares计算机图形学硕士
、游戏行业从业者、科普作家

(来源：科普中国微信公众号)【