您可以使用任何一款人工智能工具，询问其生产一瓶 500 毫升可口可乐所需消耗的水量。不同的人工智能可能会给出不同的答案，但可口可乐官方公布的数据是 690 毫升。
可口可乐公司在其 2024 年环境报告中指出，该年度的用水比为 1.38，这意味着每生产 1 升饮料需要消耗 1.38 升水。多余的水用于设备清洗、冷却系统，并最终作为工业废水排出。需要强调的是，这个数字仅反映了工厂生产过程中的直接用水情况，并未包含产品全生命周期的水消耗。
现在，您可以尝试询问人工智能第二个问题：“回答完以上问题，你自己消耗了多少水？”您可能会认为答案是零，因为人工智能只是一个电子程序，与水似乎毫无关联。然而，这个想法是错误的。
人工智能的耗水量远超您的想象
OpenAI 的首席执行官山姆·奥特曼曾表示，GPT 模型回答一次问题的耗水量约为 0.3 毫升，听起来微不足道，仅相当于几滴眼泪。然而，加州大学河滨分校的研究人员估算，一次查询至少需要消耗十几毫升的水，这足以让您喝上一小口。
其他研究者则进行了更为细致的比较，并指出目前市面上广受欢迎的先进人工智能模型，每次回答可能需要消耗一百多毫升的水，相当于一小杯的量。如此悬殊的数据差异，究竟哪种说法更准确？答案是：它们都可能包含部分事实，但可能在统计方法上有所侧重。
为了理解这些数据的差异，我们首先需要探讨人工智能耗水的原因。您或许有过手机发烫的经历，例如在信号不佳的环境下持续使用导航，或者长时间玩游戏，导致手机温度急剧升高，仿佛快要散架。
这是因为芯片在进行运算时会消耗大量电能，其中一部分电能会转化为热能。当运算负荷突然增加时，比如信号极差需要不断搜索基站，或者游戏画面极其复杂，单纯依靠手机背板的散热已不足以应对，手机温度自然会升高。
人工智能的数据中心也面临着类似的挑战。成千上万台服务器需要 24 小时不断运转，单台机柜的功率从几十千瓦到数百千瓦不等，这带来了惊人的运算能力，同时也产生了巨大的热量。单纯依靠风冷散热，其效率远远不够。
电视剧《疑犯追踪》中数据中心过热警告的场景
因此，数据中心普遍采用水冷系统来散热。不论具体的冷却系统设计如何，例如冷却塔、闭环水冷，甚至是将整个数据中心建在海底，其核心原理都是利用水来吸收和带走热量。然而，这些水并非永不流失。一部分水在吸收热量后会蒸发，剩余的水虽然可以循环利用，但长期运行后，循环水中的杂质会逐渐累积，需要定期排放并补充新鲜的循环水，以保证系统的正常运行。这个蒸发和排放的过程，构成了数据中心最直接的水消耗。
此外，还有一部分水消耗来源于电力生产。数据中心的运行离不开电力，而发电厂，无论是通过燃烧煤炭、天然气还是核能，在生产过程中都需要消耗水作为辅助。这部分“隐形”的水消耗很容易被忽视，但实际上它是耗水的主要部分。
在大多数情况下，发电过程中的用水量甚至超过了数据中心直接使用的水量。不同数据中心和发电厂的技术存在差异。以美国的平均数据为例，数据中心自身的耗水大约为每度电 0.55 升，而发电厂的耗水则约为每度电 3.142 升。两者相加，每消耗一度电，大约就需要消耗 4 升水。现在我们可以进行一个简单的计算：
加州大学河滨分校的研究人员估算，一次人工智能查询会消耗 4 瓦时（即 0.004 度）的电。将此数值乘以数据中心及发电厂的单位耗水量，计算出的结果便是十几毫升（约 16 毫升）。然而，这个数据可能不够精确。
最新的研究则对不同模型各自的耗电量进行了更精细的估算。在处理一条长提示词的情况下，GPT4.5、Deepseek R1 等模型可能消耗超过 100 毫升的水。
至于 OpenAI CEO 提出的 0.3 毫升的数字，他可能引用了研究列表中 GPT 系列中最小的模型 GPT-4.1 nano 在处理短提示词时的耗水量。虽然理论上准确，但这并不能代表所有用户的使用情况，因为并不所有人都仅使用最小模型。
如果我们进行一个平均估算，根据 OpenAI 和 Google 公布的报告，一条请求的平均耗电量约为 0.3 瓦时。因此，一条请求消耗 1 毫升水可能是一个相对合理的估算。如果需要更严谨地计算，则需要引入“水足迹”的概念，不仅计算直接用水，还要考虑间接用水。例如，制造一片人工智能芯片需要数千升超纯水进行清洗，生产、运输、包装、建造工厂等每一个环节都在消耗水。
这与计算一瓶可乐的完整水足迹类似。这不仅仅是瓶中的 500 毫升以及工厂生产中消耗的 190 毫升，还包括甘蔗的种植、制糖、运输等。当所有环节计算完毕，一瓶使用古巴甘蔗糖制作的可乐，其水足迹可能高达几百升。
相比之下，零度可乐由于使用人工甜味剂，水足迹要小得多（由此可见，饮用无糖可乐不仅能减少糖分摄入，还能在一定程度上减轻水资源负担）。然而，谁又能做到如此全面的计算？理论上，所有环节都应该被纳入考量，但实际上，其庞大和复杂的程度使得精确计算几乎不可能。因此，在讨论人工智能的水消耗时，大多数研究者会默契地将计算止步于发电厂这一环节。如果继续向上追溯，涉及的数字将变得极其庞大，可能会让资本市场的投资者望而却步。
人工智能消耗的水会带来哪些影响？
让我们提出一个新的问题：按照一次人工智能回答消耗 1 毫升水的标准，这个数值是多还是少？人工智能公司可能会告诉您，无需担忧，您一天使用人工智能查询，所消耗的水量也仅相当于一瓶可乐。而环保主义者可能会警告您，一家谷歌公司一年就消耗了 265 亿升水，这已经与可口可乐公司一年的总耗水量相当，情况令人担忧。
这些都是事实。然而，这个问题本身是否问对了方向？耗水与耗电存在一个根本性的区别。电能一旦使用便会消失，燃烧的煤炭也不会再生。但水不同，它是一种可循环利用的资源。从地球物理学的角度来看，地球上的水总量几乎是恒定的。今天从数据中心蒸发的水，明天可能就会以太平洋上空一朵云的形式出现，后天则可能化作西雅图的一场降雨。
人工智能所消耗的水资源，虽然数字看起来不少，但即便在未来几十年内增长几倍，其对环境的影响也远不如电力消耗来得大。尽管取水和净化过程也需要消耗能量并产生碳排放，但与数据中心的整体电力消耗相比，这部分消耗微不足道。因此，从宏观角度来看，人工智能消耗少量水资源并非不可接受。
然而，关键问题在于，水资源问题并非全球性问题，它本质上是一个局部性问题。在水资源议题中，最重要的并非地球上总共有多少水，而是这些水集聚在哪里。大型科技公司当然深谙此道，因此它们总是强调绿色、环保和可持续的未来。在其环境报告中，一个词反复出现：“水资源中和”。
它们声称每年都在进行生态补水，力求实现“补充比我们消耗更多的水”的目标，听起来似乎非常负责任。在此方面，饮料公司无疑是经验丰富的“老手”。可口可乐公司在被指责多年来过度攫取水资源后，终于在 2016 年宣布实现了“100% 水回馈”。
问题在于，所谓的生态补水措施通常包括恢复湿地或增加储水设备以回灌地下水。然而，这些措施的实施地点往往与工厂的建设地点相距甚远。账面上是实现了“中和”，但当地居民所面临的缺水问题并未得到根本性解决。科技公司也热衷于使用“水资源中和”这一概念，并纷纷表示要努力达成此目标。但它们在选择数据中心选址时，却遵循着另一套逻辑。
建设数据中心需要什么？
廉价土地：通常选择人口稀少、地价较低的地区。
廉价电力：需要新建发电厂，这同样需要土地资源。
宽松的法规：通常选择经济欠发达、对外来投资机会需求更大的地区。
综合以上几个条件，结果往往是：将近一半的新建数据中心都选址在水资源极度匮乏的地区。这些地区通常经济发展水平不高，新的数据中心能够为当地带来投资和就业机会，从政府角度来看是受欢迎的。然而，它们同时也加剧了本已稀缺的水资源紧张状况。一座数据中心的建设，甚至可能导致居民的水井干涸，无法保障正常的生活用水。在这种情况下，提及“保护巴西雨林”之类的倡议，听起来就显得有些空泛。
我们可以做些什么？
终于，有人站出来对数据中心的选址说“不”。在美国亚利桑那州的图森市皮马县，议会经过审慎的水资源评估后，决定否决亚马逊的“蓝色计划”。在此案例中，拟建的新数据中心预计将消耗相当于四个高尔夫球场大小的水量。
尽管建筑公司提出了扩建本地废水回收系统以弥补新增用水量，并承诺“最终实现零净消耗”，但居民们对此并不买账。核心问题在于，建筑公司的这些承诺缺乏详细、可靠且可执行的配套计划。虽然将这些承诺写入合同条款能对公司形成一定约束，但即便未能达标，最多也只是产生经济赔偿。而由此引发的缺水问题，并非赔钱就能轻易解决。
当地议员们在听取了居民的意见后，以 7:0 投票结果一致否决了该计划。这可能是人类历史上首次在水资源与人工智能之间，做出了优先选择水资源的决定。然而，未来我们将面临更多类似的抉择。
水的历史悠久，它们源自 45 亿年前与地球相撞的忒伊亚行星，历经星际旅行，在海洋与云层之间不断循环。恐龙饮用过它们，我们每个人也同样饮用过。人工智能的历史则相当短暂，以至于我们尚未完全适应它的到来。
我们向人工智能提问，人工智能又向水索取答案，而水本身却不知道答案。它只知道，在所有问题都消失之后，它依然会存在，就像 45 亿年前那样，永恒不息。
