你可能听说过那条广为流传的说法：每一次 ChatGPT 查询都会“喝掉”半瓶水。如果你正在运营或规划面向 AI 负载的基础设施，真正的问题并不在于这种恐慌是否有道理——而在于你的AI 数据中心实际上消耗了多少水、这个数字从何而来，以及你能为此做些什么。
根据联合国大学 2026 年 6 月的一份报告，到 2030 年，支撑全球人工智能负载的 AI 数据中心预计每年消耗的水量，相当于 13 亿人的基本生活用水。这不是按单次查询统计的数据，而是一幅整体图景，需要我们更仔细地审视这些水究竟流向了哪里。
为什么 AI 数据中心需要这么多水
AI 数据中心耗水有两个原因：冷却服务器，以及发电来为这些服务器供电。每一个运行大语言模型的 GPU 集群都会产生巨大的热量。大多数数据中心依赖蒸发冷却系统，将水喷洒到热气流中——水蒸发进入大气，永远不会回到当地的流域。
第二个、且往往规模更大的来源在数据中心之外。为 AI 数据中心供电的热电厂会用水进行蒸汽生产和冷却。根据加州大学河滨分校被广泛引用的 2023 年研究《让 AI 少“渴”一点》(Making AI Less Thirsty)，电厂消耗的水可占单次 AI 查询背后总水足迹的 75%。当你把直接冷却用水加上间接的电力用水一并核算时，AI 数据中心耗水的全貌就会变得更加清晰——也远大于那些只统计站内用水的估算。
除了冷却和供电，芯片制造还增加了另一个上游环节。经合组织（OECD）估计，生产一颗 AI 级芯片大约需要 2,200 加仑超纯水。虽然这是一次性的成本，但如今部署在 AI 数据中心中的 GPU 数量庞大，使其成为生命周期核算中不可忽视的一部分。
单次查询的水成本分解
单次提示的水耗数字确实很小——但不同来源给出的结果差异极大。加州大学河滨分校的研究人员估计，一段 10 到 50 个问题的简短 ChatGPT 对话，在计入数据中心冷却和区域电厂用水之后，大约消耗 500 毫升水，约等于一瓶标准瓶装水。这相当于每次查询大约消耗 10 到 50 毫升。
OpenAI 首席执行官 Sam Altman 随后提出了一个低得多的数字：每次查询约 0.32 毫升，大约相当于 1/15 茶匙。独立分析师此后指出，许多广为流传的估算把真实数字放大了 50 到 250 倍，而且在高效冷却条件下，每次提示的直接站内耗水可低至 0.5 毫升。中国经济网 2026 年的一份分析参考最新研究数据计算得出：向 GPT-4.5 或 DeepSeek R1 这类模型发起一次复杂的长提示查询，可能消耗超过 100 毫升水；而向 GPT-4.1 Nano 这类更小模型发起的简单查询，耗水量则远低于 1 毫升。
对你而言，这里的启示很简单：单次查询的数字更多地取决于模型规模、查询复杂度和数据中心地理位置，而不是你使用哪个 AI 品牌。你单条消息本身不是问题——数十亿条消息的累积才是。
AI 数据中心的大规模用水
在设施层面，数字从茶匙跃升到数百万加仑。布鲁金斯学会 2026 年 6 月报告称，一座典型的 AI 数据中心每天大约使用 30 万加仑水，而超大规模设施每天可消耗高达 500 万加仑——相当于一个 1 万到 5 万人口小镇的用水量。
企业年度披露描绘了一幅触目惊心的图景。亚马逊披露，其 AWS AI 数据中心 2025 年全球消耗约 25 亿加仑水。谷歌报告 2024 年超过 61 亿加仑，微软约 27.5 亿加仑，Meta 约 14 亿加仑。这四家公司合计在一年内就用掉了超过 127 亿加仑——而且趋势线正急剧上扬。在生成式 AI 走向主流的这一年里，微软的耗水量跃升了 34%，谷歌则上升了 20%。
世界资源研究所预测，到 2030 年，与 AI 相关的数据中心基础设施每年可能消耗 1.1 万亿到 1.7 万亿加仑淡水。作为参照，整个美国所有行业每年的总用水量约为 117 万亿加仑。AI 数据中心不会抽干海洋，但它们在特定区域的集中用水需求确实令人担忧。
训练与推理：水用在了哪里
你可能会以为训练阶段最耗水。训练 GPT-3 估计消耗了 70 万升淡水，联合国大学的报告预测训练 GPT-5 将需要大约 10 亿升水和 100 吉瓦时的电力。这些一次性成本往往抢占头条。
然而，推理——即响应用户提示的持续过程——在模型整个生命周期中占 AI 总能耗和水耗的 80% 到 90%。根据联合国大学的报告，ChatGPT 目前每天处理约 25 亿条用户提示，由此带来每年约 383 吉瓦时的电力需求。相应的水足迹，相当于撒哈拉以南非洲约 50 万人口的最低家庭用水需求。
如果你要大规模部署 AI 推理，这个数字对你的运营规划最为关键。一次训练运行能上新闻。持续不断的推理才真正决定账单——也让水表飞速转动。
哪些 AI 数据中心用水最多
没有任何一家 AI 公司公布按查询计的水耗数据，因此直接对比只能依赖估算。你真正能够衡量的是水利用效率（WUE）指标。AWS 报告约每千瓦时 0.25 升水，在主要云服务商中最低。根据其 2022 年的报告，谷歌的全球平均约为每千瓦时 1.1 升，Meta 为 1.26，微软约为 1.8。微软此后宣布了到 2030 年实现零耗水的目标。
这些差异很重要，但地理位置更重要。一座位于亚利桑那州、在 40°C 高温下运行蒸发冷却的数据中心，比一座位于芬兰、采用免费空气冷却的同规格设施消耗的水要多得多。根据 2025 年一份工业委员会报告，全球计划中的 AI 数据中心有超过 40% 位于被归类为高或极高水压力的地区。
数据中心选址为何重要
选址不仅仅是一个 WUE 变量——它决定了你的 AI 数据中心是否会成为社区的冲突焦点。Meta 位于佐治亚州牛顿县的数据中心目前消耗该县约 10% 的总供水量。弗吉尼亚州劳登县——全球最密集的数据中心枢纽——数据中心已经占用了约 8% 的市政用水，预计到 2050 年这一比例将升至 29%。
得克萨斯州呈现出最刺眼的规模：该州的数据中心 2024 年预计用水量在 25 亿到 490 亿加仑之间，分析师预测到 2030 年这一数字可能飙升至 3,990 亿加仑。在易旱地区，单一行业这种集中的用水需求会带来你无法忽视的政治风险。2023 年，爱尔兰的数据中心消耗了全部计量电力的 21%，超过所有城市家庭的总和，用水量也随之同步上升。
如果你正在为 AI 推理负载评估托管或云区域，当地的水压力指数应该与延迟和成本一起，出现在你的决策矩阵中。
如何降低 AI 数据中心的水足迹
你有几个切实可行的抓手。第一个是冷却技术。闭环液冷和浸没式冷却会循环利用水，而不是让其蒸发，从而大幅削减站内耗水。谷歌最新的 TPU v5 AI 数据中心通过采用这些方式，每计算单位耗水量比前几代显著降低。
第二个是负载调度。加州大学河滨分校的研究证明，在更凉爽的夜间时段或更凉爽的季节运行高耗水的 AI 负载，可以显著减少蒸发损失。如果你的编排层支持按时间和地理位置感知的调度，你可以在不更换硬件的情况下削减用水。
第三个是透明度和监控。大多数设施缺乏精细的用水计量，这意味着你无法优化无法衡量的东西。部署实时用水监控工具——能让你获得每个机架、每个负载的可见性，把模糊的可持续目标变成可追踪的运营指标。
在技术之外，水资源补给项目正成为准入标准。亚马逊承诺了 50 个水修复项目，预计每年向当地流域回补 58 亿加仑。谷歌已启动 165 个水管理项目，目标是到 2030 年每年实现 190 亿加仑的补给。这些并不能解决消耗问题——它们是抵消手段——但它们预示了监管和社区期望正在走向何方。
归根结底，AI 数据中心的用水量既比头条报道所说的更小，也更大。你的单次查询成本只有几分之一茶匙。而你在水资源紧张地区运行数十亿次查询的整套基础设施，则是另一回事。那些现在就测量、披露并主动管理耗水的运营商，将能够避开从佐治亚到爱尔兰已经上演的审批之争、社区反对和运营中断。AI 数据中心还会继续增长。至于它们是否以负责任的方式增长，则是你每一次选择区域、冷却架构和监控技术栈时都要做出的抉择。
发表回复