人工智能的每一次对话、每一次图像生成，背后都离不开数据中心的支持，而数据中心不仅耗电，也耗水。随着生成式AI大规模普及，其水足迹正引起越来越多关注。一项来自加州大学河滨分校的研究估算，OpenAI训练GPT-3时直接消耗约70万升水，而训练GPT-4的用水量可能是前者的数十倍。更令人警惕的是，如果这些模型部署在全球范围并持续推理，其年度用水量可能相当于一个中型城市的需求。
不过，简单将“AI”与“巨大水耗”画等号，可能过于片面。正如最新的行业分析所指出的，数据中心的水消耗高度依赖所在地的气候条件和冷却技术。在炎热干燥的地区，蒸发冷却系统需要大量补水；而在温带或水资源丰富地区，采用风冷或闭环水冷系统，实际耗水量可以大幅降低。
水到底用在了哪里？
数据中心用水主要有两个去向：一是服务器散热，二是发电环节。传统风冷系统虽然不直接耗水，但效率有限；而蒸发冷却塔通过水蒸发带走热量，效率高却会让大量水进入大气。另一种常见方式是水冷系统，即通过循环冷水为服务器降温，但循环水的补充和更新仍会消耗可观的水资源。
以美国为例，弗吉尼亚州北部是全球数据中心最密集的区域，但当地气候相对温和，不少设施采用高效冷却塔与自然冷却结合的方式，单位算力用水低于炎热地区。而在美国西南部，如亚利桑那州和得克萨斯州，数据中心的扩张正与当地居民争夺本已紧张的水资源，引发社区反对。
AI的选址困境
科技巨头们并非没有意识到问题。微软、谷歌和亚马逊均承诺在未来几年内实现“水正效益”——即回补的水量超过消耗量。然而，现实中的选址决策往往优先考虑土地成本、电力供应和网络基础设施，水资源只是后续方案的一部分。一个典型的例子是谷歌在智利的数据中心项目，原计划位于首都圣地亚哥附近，但因其可能威胁当地含水层而遭受抗议，最终项目被迫重新评估。
“AI水足迹不是一个恒定数字，它是一种选择。你可以把数据中心建在沙漠，也可以建在雨水充沛的北欧。”——某数据中心可持续发展顾问如是说。
编者的思考：需要更透明的报告标准
当前主要云服务商发布的环境报告尚未统一公开水资源消耗的详细口径，外部研究者只能依赖估算模型。部分企业将“取水量”与“耗水量”混用，使得公众难以准确评估实际影响。未来，建立统一的、分地区的水足迹报告标准，并把水资源纳入AI可持续性评估的核心指标，或许是比单纯指责AI更有效的路径。
另一方面，创新的冷却技术在逐步落地。例如，浸没式液冷技术将服务器直接浸泡在绝缘液体中，能显著减少蒸发损失；使用再生水或海水冷却的方案也在探索中。这些技术若能规模化推广，将极大缓解AI的用水压力。
总而言之，AI带来的水资源挑战真实存在，但并非无解。关键在于数据中心选址时对水风险的审慎评估，以及冷却技术的合理选择。而作为用户，每一次AI请求背后的水资源成本，也值得我们共同关注。
本文编译自Ars Technica
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接