夜雨聆风
S-Future专题文章
AI革命的隐藏代价
第一期：AI为什么需要喝水？
一场被忽视的全球水资源争夺战
前言
AI的环保争议，过去大多盯着“耗电”和“碳排放”。
但一个更少被讨论、也更容易被忽视的问题，正在浮出水面：AI其实非常“口渴”。
论文《Making AI Less "Thirsty"》指出，AI模型不仅消耗电力，也在持续消耗大量水资源。更值得警惕的是，这种水足迹长期处于“隐身”状态——用户几乎无感，企业也很少完整披露。
今天，我们就用一篇文章，把“AI到底有多费水、这些水花在哪里、为什么这件事会越来越重要”讲清楚。
01
一个容易被忽略的事实
AI不只烧电，还在“烧水”
论文作者提出一个核心观点：
公众已经开始关注AI的碳足迹，但“水足迹”同样重要，却长期处于雷达之外。
这里的“水足迹”，不只是数据中心里看得见的冷却用水，还包括更隐蔽的部分：发电环节所消耗和取用的水。
换句话说，AI每次响应请求、每次训练大模型，背后都可能对应着两类用水：
现场用水（on-site）：数据中心冷却服务器所需的水
上游用水（upstream/off-site）：为了给数据中心供电，发电系统在冷却和发电过程中消耗的水
很多人以为AI“喝水”主要发生在机房冷却塔里，实际上，更大的水账单可能藏在电厂那一端。
02
最惊人的数字：训练大语言模型
可能直接蒸发70万升洁净淡水
这篇论文最出圈的数据之一：
-某主流大语言模型可能会直接蒸发约 70 万升洁净淡水
70万升是什么概念？
简单理解，这已经不是“几桶水”的问题，而是一个大型基础设施级别的资源消耗。对于普通用户来说，和AI对话似乎只是屏幕上几行字；但在基础设施层面，每一次模型训练和大规模推理，都可能对应着惊人的资源代价。
更关键的是，论文中强调：这类信息过去往往没有被公开透明地披露。
也就是说，AI行业这些年在高举高打谈“算力” “参数” “智能涌现”的同时，真实的资源成本并没有同步摆到台面上。
（上文数据根据论文《Making AI Less "Thirsty"》相关数据表述，不代表本站任何观点，仅做摘录整理）
03
真正值得警惕的不是一台服务器
而是全球AI需求的总量
如果说语言模型的训练案例只是一个“震撼样本”，那论文对未来的预测，才真正显示了问题的规模。
作者预计：
- 到 2027 年，全球 AI 需求可能对应 42亿到66亿立方米的取水量。
这个数字有多大？
论文给了一个非常直观的类比：
这相当于4到6个丹麦全国一年的总取水量或者相当于英国全年取水量的一半。
这说明，AI的水问题不是某一家公司的ESG细节，也不是“科技企业自己解决就好”的小议题，而是可能演变成一个基础设施、能源和公共资源的系统性问题。
特别是在全球淡水紧张加剧的背景下，AI产业越扩张，这个矛盾就越难回避。
04
你以为每次提问只耗一点水？
问题恰恰在“量变引发质变”
围绕AI水耗与个人使用的关联，下面这组数字引人深思：
- 平均每 30次提示词请求，可能对应约 500毫升用水
- 折算下来，约是：每次请求17毫升
17毫升看起来不大，很多人第一反应会是：
“这不就是一口水吗？值得大惊小怪？”
问题在于，单次请求小，不代表总量小。
当全球每天有海量用户在使用聊天机器人、生成图片、写代码、做搜索增强、跑企业工作流时，这个“17毫升”会迅速放大为惊人的总需求。
更重要的是，17毫升这个数字里：
- 约2.2毫升来自数据中心现场冷却
- 约14.7毫升来自上游发电环节
- 也就是说，大约86%的水负担可能发生在数据中心之外
这带来一个很重要的认知改变：讨论AI耗水，不能只盯着机房冷却塔；更要盯住“AI到底由什么能源驱动”
05
AI的“水账”为什么这么难算？
因为它不是一个固定数字
论文还有一个关键的观点：
作者强调：AI运行时的水效率具有明显的时空差异。
翻译过来就是：
同一个模型，在不同地方、不同时间运行，耗水可能差很多。原因包括：
1. 地区差异
不同地区的数据中心冷却条件不同，气候不同，电网结构不同，发电方式不同。
- 在干热地区，冷却可能更依赖水
- 在以火电、核电为主的地区，上游发电用水可能更高
- 在风电、光伏占比较高的地区，总体水足迹可能更低
2. 时间差异
同一座数据中心，在不同季节、不同温度、不同电力调度时段，其水效率也可能变化。
- 夏季冷却负担更高
- 用电高峰时段可能调用更高水耗的电源
- 电网碳强度与水强度并不总是同步变化
这意味着一个很现实的结论：
AI的可持续性，不能只用一个“平均数”来衡量。
它需要更精细的调度、选址和能源匹配。
06
为什么“绿色AI”不能
只看碳排放，还必须看水
论文还有一个关键的观点：
作者强调：AI运行时的水效率具有明显的时空差异。
翻译过来就是：
同一个模型，在不同地方、不同时间运行，耗水可能差很多。原因包括：
1. 地区差异
不同地区的数据中心冷却条件不同，气候不同，电网结构不同，发电方式不同。
- 在干热地区，冷却可能更依赖水
- 在以火电、核电为主的地区，上游发电用水可能更高
- 在风电、光伏占比较高的地区，总体水足迹可能更低
2. 时间差异
同一座数据中心，在不同季节、不同温度、不同电力调度时段，其水效率也可能变化。
- 夏季冷却负担更高
- 用电高峰时段可能调用更高水耗的电源
- 电网碳强度与水强度并不总是同步变化
这意味着一个很现实的结论：
AI的可持续性，不能只用一个“平均数”来衡量。它需要更精细的调度、选址和能源匹配。
07
企业披露正在跟不上AI扩张速度
现实问题是，AI的水耗信息，目前仍然非常不透明。
虽然外界已经越来越关注数据中心的环境影响，但企业层面的公开数据往往还不够细：
- 用户很难知道一次调用的真实环境成本
- 很难区分“现场冷却用水”和“上游发电用水”
- 不同公司口径不统一，横向比较困难
- 模型训练与模型推理的水足迹通常不会被完整披露
在缺乏统一披露机制的情况下，研究者只能通过公开数据、机房能耗、地区气候、电力结构等信息进行交叉估算。
换句话说，今天我们看到的很多数字，已经足够说明问题严重；但真实情况很可能比公众认知更复杂。
08
真正的解法，不是少用AI
而是让AI“少喝水”
AI越来越普及，难道只能在“发展”和“节水”之间二选一吗？
并不一定
从论文和后续评论来看，至少有四个明确方向：
1. 把水足迹纳入AI治理指标
未来谈AI治理，不能只有算力、能效、碳排、合规，还应该增加**水足迹披露**。
2. 优化数据中心选址与调度
把更多任务调度到：
- 气候更适合冷却的地区
- 水资源压力更低的地区
- 电网更清洁、也更节水的地区
3. 推动可再生能源与AI基础设施协同
后续媒体评论特别强调：
如果AI电力更多来自**风电、光伏**等相对低水耗的能源，其整体水足迹有机会显著下降。
注意，不是所有可再生能源都同样节水，具体还要看技术路线。
4. 提升模型与算力效率
真正长期有效的办法，是让模型本身更高效：
- 更少参数完成同等任务
- 更高效的训练策略
- 更节能的推理架构
- 更好的硬件与软件协同
直接一点：
最环保的算力，不是“更便宜的算力”，而是“更少也够用的算力”。
09
这件事和普通用户有什么关系？
很多人会觉得：
“数据中心用多少水，和我有什么关系？”
关系其实很大。
因为你今天使用的每一个AI产品——搜索、问答、写作、翻译、绘图、视频生成、企业Copilot——都建立在越来越庞大的算力基础设施上。
而这些基础设施最终消耗的，不只是企业的资本开支，还有现实世界中的：
- 电力
- 土地
- 芯片
- 冷却能力
- 以及越来越关键的**水资源**
当AI从“新奇工具”变成“社会基础设施”，它的资源成本就不再只是技术问题，而会逐渐变成公共议题、政策议题，甚至地缘和民生议题。
结语
这篇《Making AI Less "Thirsty"》最重要的提醒，不是制造焦虑，而是纠正一个认知偏差：AI的环境代价，不能只看碳
还必须看水。
从 GPT-3 训练可能蒸发 **70万升淡水**，到 2027 年全球 AI 需求可能带来 **42亿—66亿立方米取水量**，再到科技巨头数据中心取水量持续上升，信号已经非常明确：
AI正在成为新的“水密集型基础设施”。
接下来，行业真正该比拼的，恐怕不只是模型参数、响应速度和用户规模，
还包括谁能做到：
- 更透明地披露资源使用
- 更聪明地调度算力
- 更系统地协同能源结构
- 更高效地减少每一次训练和推理的资源成本
如果未来的AI想真正代表“进步”，它就不能只更强大，还必须更克制、更透明、也更节水。
参考来源：
- Li, Yang, Islam, Ren：《Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models》
- The Economic Times：AI's hidden thirst: Why India must align AI and renewable energy policy
- Statista：Water withdrawals by Google from 2016 to 2023
本文仅为信息分享与观点交流，不构成任何专业建议或决策依据。文中内容摘自以上参考来源。第三方内容或资料，版权归原作者或相关权利方所有，如有侵权请联系删除
END
往期推荐
AI 的能源博弈：算力狂飙时代，谁能掌握未来战略主动权?
零碳园区未来趋势是什么？数智化转型至关重要
🔥2026零碳园区大趋势！能源未来谁主沉浮
社群交流
点个“在看”获取新鲜碳圈资讯！
