☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
和ai聊上几句，究竟会消耗多少水？在科技公司的计算里，答案可能只有几滴；在研究者的账本上，却是一整瓶矿泉水。
近两千倍的差距，不是统计误差，而是两套截然不同的计算方式。前者把目光停留在数据中心，后者则沿着电力、芯片和服务器一路追溯。
随着AI应用不断扩大，其对水资源的消耗也在持续增加。
这种消耗并不只来自数据中心的冷却，而是在电力生产和芯片制造环节就已经开始累积。
悬殊的答案
和ChatGPT进行20至50轮对话，会消耗多少水？
加州大学河滨分校副教授任少磊的研究给出的答案是：约500毫升，相当于一瓶常见的矿泉水。
20至50轮并不算重度使用，它可能只是让AI润色一封邮件、规划一次出行，再回答几个日常问题。
但科技公司公布的数据远低于这一数字。
谷歌在环境影响报告中称，Gemini处理一次文本请求约消耗0.26毫升水，大约只有5滴。
微软援引《Joule》期刊的研究数据称，一次典型AI查询所需的冷却用水为0至0.067毫升，中位数甚至不到一滴。
同样是使用AI，一边是一瓶水，一边只有几滴，结果相差近两千倍。
差异首先来自统计范围。任少磊指出，谷歌披露的数据主要计算了数据中心现场冷却所消耗的水，没有计入发电环节的用水。
研究者的测算则覆盖了服务器运行所需电力带来的间接消耗。两组数字看似在回答同一个问题，实际统计的并不是同一部分用水。
将用水量折算到“单次查询”，本身也存在局限。
数据中心的冷却系统不会随着一次请求单独启动或关闭，而是长期持续运行。
把一座设施的总用水量除以查询次数，只能得到一个平均值，无法准确反映某一次对话实际增加了多少用水。
因此，“一次对话消耗多少水”很难有一个统一答案。不同机构选取的统计范围、设施所在地、能源结构和计算方式，都会影响最终结果。
相比单次查询的估算，数据中心用水总量的变化更能说明问题。
2021年至2022年，微软数据中心的用水量增长34%，全年超过64亿升；同期，谷歌的用水量增长20%。
两家公司都将增长原因之一归结为AI业务和相关计算需求的上升。
这和"每次查询不足一滴水"的官方口径放在一起，就显得耐人寻味。
单次消耗可以被压得很低，总量却在攀升。
水到底消耗在了哪里？数据中心的冷却塔只是其中一个出口。
要看清全貌，需要沿着产业链往上走。
被忽略的上游
AI带来的用水主要发生在三个环节：数据中心冷却、电力生产和芯片制造。
科技公司披露的数据通常集中在数据中心内部，而研究者的测算往往还会纳入供电和芯片生产过程。
统计范围不同，最终得出的数字自然存在巨大差异。
最直观的是数据中心冷却。服务器持续运行会产生大量热量，不少数据中心通过蒸发水来降温，水在带走热量后进入空气，无法直接回收。
美国内华达大学拉斯维加斯分校教授斯蒂芬·雷曼测算，一座传统大型数据中心每天用于冷却的水可达500万加仑，相当于一座两万至五万人口城镇的日用水量。
但冷却并不是全部，数据中心需要大量电力，而部分发电方式同样高度依赖水资源。
火力发电厂在蒸汽循环和冷却过程中需要消耗大量的水。因此，即使数据中心减少了机房内的冷却用水，只要所用电力仍主要来自高耗水电源，上游的用水就不会随之消失。
另一个更容易被忽视的环节，是芯片制造。
AI芯片在生产过程中需要反复清洗晶圆，以去除颗粒、金属离子和有机残留。
一块晶圆往往要经历数十次甚至数百次清洗。任何细微残留，都可能造成线路短路或器件失效。
也就是说，在芯片进入数据中心之前，水资源的消耗就已经发生。
任少磊的测算显示，仅训练GPT-3一个模型，数据中心现场的散热用水就达到70万升。这一数字尚未包括供电环节的用水，也未计入制造GPU芯片时消耗的超纯水。
数据中心的地理分布，又进一步放大了这一问题。
内华达、亚利桑那、得克萨斯、犹他、加利福尼亚和科罗拉多均面临较大的水资源压力，但这六个州仍有437个数据中心处于建设或规划阶段。
数据中心在选址时通常更关注土地、电力和政策条件，水资源承载能力未必是首要因素。
当越来越多算力设施落在缺水地区，AI产业的用水需求便会与当地居民、农业和其他产业争夺有限的水资源。
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，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。
这个数字所反映的，已不只是机房如何降温，而是从芯片生产、能源供应到数据中心运行的整条产业链。
技术之外的缺口
在上海临港小洋山以东的海面上，一座高出海平面20多米的钢铁平台正在运行。
平台下方，192个机柜、约2000台服务器被安置在海底，承担日常网络服务和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。距离平台约500米，50多座海上风机通过光电复合电缆为其直接供电。
项目采用无动力冷媒循环技术，利用年均约15摄氏度的海水带走服务器产生的热量，无需再通过蒸发淡水降温。
项目负责人陈希怡测算，这座功率为2.3兆瓦的数据中心，如果采用传统冷却方式，每年约需消耗4万吨淡水。
改用海水冷却后，这部分淡水消耗可以降为零。
陆上数据中心也在寻找新的降温方案。
英伟达GB200 NVL72机架将72颗GPU和36颗Grace CPU置于全液冷系统中，通过紧贴芯片的冷板和密闭循环的冷却液带走热量，减少对蒸发式冷却的依赖。
液冷技术的加速应用，与AI芯片功耗快速上升直接相关。英伟达A100芯片的热设计功耗为400瓦，B200已经升至1000瓦。
随着单机柜发热量不断增加，传统风冷越来越难以满足散热需求。
此外，多伦多利用深层湖水为数据中心降温，都柏林则将数据中心产生的余热接入城市供暖系统。
无论是海底数据中心、液冷机架，还是区域供冷和余热回收，都在提高能源和水资源的利用效率。
这些技术的价值不应被低估。以海底数据中心为例，每年减少4万吨淡水消耗，是明确而具体的节水成果。
但它们解决的主要仍是数据中心的冷却问题。
AI带来的用水，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冷却系统，却很难直接改变电网的发电结构。
如果电力仍主要来自需要大量用水的发电方式，数据中心每消耗一度电，上游就可能伴随相应的水资源消耗。
芯片制造也是同样的道理。晶圆在进入数据中心之前，已经经历了多轮超纯水清洗。
无论服务器最终采用风冷、液冷还是海水冷却，这部分用水都不会因此减少。
因此，数据中心节水是必要的，却不足以解决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。
在这一规模下，仅优化机房冷却，能够减少的仍只是其中一部分。
要真正降低AI对水资源的消耗，除了改进数据中心的冷却方式，还需要减少发电环节的用水，并提高芯片制造过程中水资源的循环利用效率。
当AI以越来越快的速度进入社会生活，衡量其资源代价的方式也需要随之改变。
比“每次对话用了几滴水”更重要的，是整个产业能否建立一套完整、透明且可比较的用水标准。
只有先把消耗算清楚，节水才不会停留在最容易被看见的地方。
本文来自微信公众号“摩登AI”，作者：图图，36氪经授权发布。
