AI的“水账单”:大头不在训练,在你每次提问
AI耗水的真正主力不是大模型训练,而是我们日常的每一次提问和生成,这部分“推理”能耗占比高达80%-90%。由于全球九成以上算力集中在美国和中国,这种消耗正从全球性问题演变为局部地区的生存冲突,且减碳方案可能加剧水危机,必须跳出“唯碳论”重新审视AI的环境代价。
AI的“水账单”:大头不在训练,在你每次提问

一次提问,半瓶水:被忽视的“推理”黑洞
从训练到推理:能耗结构的反转
过去谈论AI的能源消耗,舆论焦点几乎都集中在大模型训练上。一次训练动辄耗电百万千瓦时、消耗数万升水,这类数字确实触目惊心。但联合国大学2026年发布的一份报告揭示了一个被长期低估的事实:训练只占AI总能耗的一小部分,真正的大头是“推理”——也就是我们每次使用AI时,它调用模型进行计算并生成结果的过程。报告明确指出,推理环节目前占据了人工智能整体能耗的80%到90%。

这意味着,AI的耗水模式已经发生结构性翻转。它不是一次性的、集中式的消耗,而是持续不断的、分散的累积。训练一个大模型好比修建一座水库,蓄水时的用量固然可观,但此后每一次开闸放水——每一次查询、每一次生成——都在持续消耗资源。以ChatGPT为例,它每天处理的提示请求估计约达25亿次,对应的年耗电量约为383吉瓦时。支撑这些电力的冷却系统,正一刻不停地抽取淡水。
为什么生成一张图比聊一整天更“渴”

不同AI任务的能耗差异巨大,这直接决定了耗水量的量级。联合国大学报告给出的对比数据很能说明问题:一次典型的聊天查询,能耗约为基础文本分类任务的200倍;生成一张AI图像,能耗跃升至文本分类的1450倍;而生成一段短视频,能耗相当于20万次垃圾邮件分类任务。复杂AI影片的水足迹更为惊人,一份测算显示其关联耗水量可达4.1升,超过一个成年人两天的基本饮用水需求。
这种“越生成、越耗水”的因果链,根源在于生成式任务需要调用远为庞大的计算资源。文本对话尚且可以依赖相对轻量的模型,而图像和视频生成涉及高维数据的编码、解码与扩散过程,每一步都在推高芯片负载。当芯片全力运转,数据中心必须通过蒸发冷却或冷冻水系统带走巨量热量,水的消耗随之飙升。
回到那个被广泛引用的数字:与AI进行5分钟语音对话,智算中心消耗的冷却水约为500毫升,差不多是一瓶矿泉水的量。这个估算来自对语音识别、语义理解和大模型生成等全链路计算的推算。ChatGPT的耗水数据也提供了参照:每回复10到50个问题,至少消耗500毫升水,折合每次回应约2到10茶匙。这些数字并非精确的物理常数——具体耗水量会因模型大小、查询复杂度、冷却技术和数据中心所在地的气候条件而浮动——但它们足够清晰地勾勒出问题的尺度。每一次看似轻巧的人机互动,背后都有一份真实的水账单。

算力“上锁”的地区,水龙头被谁拧开?
90%的算力,100%的局部水压
AI的耗水问题很少被当作一个均摊的全球性问题来理解,原因很简单:算力根本不在全球均匀分布。联合国大学2026年的报告给出了一个尖锐的对比——全球超过90%的人工智能专用云计算资源集中在美国和中国,而150多个国家几乎没有自主AI计算能力。到2025年,拥有AI专用数据中心的国家仅占全球196个国家中的32个,其容量的90%同样锁定在这两个国家。
这意味着什么?当一个用户在世界任何角落调用AI服务时,冷却服务器所用的那半升水,几乎一定来自美国或中国的某个具体流域。全球性的数字服务,被压缩进了极其局部的物理资源消耗中。加州大学河滨分校的研究者曾指出,数据中心的用水强度与所在地的水资源压力高度相关,而AI算力的地理集中恰好将这种压力导向了少数几个地区。

并非所有数据中心都采用高耗水的冷却方式。部分新建项目已转向闭环循环系统,通过内部循环制冷而非蒸发散热,理论上可以大幅削减用水量。但这类系统的建设和运营成本显著更高,对电力供应的稳定性要求也更苛刻,在短期内难以成为行业默认选项。当绝大多数算力仍依赖蒸发冷却或冷冻水系统时,算力集中的地区就不得不承受不成比例的水资源压力。
从爱荷华到柔佛:社区为何说“不”
这种压力在具体社区中引发的反弹,远超“反对科技扩张”的抽象叙事。

2022年7月,OpenAI在爱荷华州的一个数据中心集群消耗了该地区6%的水资源,当时正值GPT-4模型训练完成前一个月。当地居民随后提起诉讼,核心指控是数据中心大量抽取地下水,威胁到农业灌溉和居民生活用水。这不是一个关于“未来风险”的故事,而是已经发生的事件。
类似的冲突正在多地重演。亚马逊在亚利桑那州图森市的“Project Blue”项目因巨大的水电需求被当地直接回绝。亚利桑那州本就面临科罗拉多河水位下降的长期困境,数据中心对地下水的额外索取触及了社区的生存底线。在英国北林肯郡,安格利亚水务公司公开反对建设AI数据中心的计划,理由是当地供水系统已不堪重负。水务公司作为基础设施运营方,其反对立场比环保组织的抗议更具制度性分量。
马来西亚柔佛州的案例则揭示了跨国连锁效应。该州近年来承接了大量从新加坡溢出的数据中心需求,但柔佛州官员Amira Aisya援引美国佐治亚州农村地区的先例发出警告:当地居民因数据中心过度抽水已面临严重缺水困境。一个地区的算力扩张,正在成为另一个地区警惕的理由。
这些案例的共同逻辑是:AI的全球服务承诺,最终兑现为一根根接入特定地区地下水层的水管。当数据中心与居民、农民、水务公司争夺同一水源时,冲突便不可避免。算力集中的地区,水龙头被拧开的力度远大于其他地方,而拧开它的,正是那些远在千里之外、从未见过这条河流的用户。

减碳与节水,一场不能两全的赛跑?
风冷到液冷:刚出“碳”坑,又入“水”潭
AI算力密度在过去几年里急剧攀升,单颗芯片的功耗已经超过1000瓦,相当于一台家用微波炉的发热量挤在巴掌大的面积上。传统风冷——也就是靠风扇吹走热空气——在这种密度下已经逼近物理极限。无论风扇转速多快,空气带走热量的能力是固定的。液冷由此登场,成为数据中心“退烧”的唯一选项。

但这项技术有一个内置的矛盾:它本身就是一个耗水大户。液冷系统的原理是将冷却液泵送到服务器内部,直接带走芯片热量,再通过室外冷却塔将热量散入大气。这个过程中,一部分水会蒸发逸散,必须持续补充。一个大型AI数据中心的年耗水量,可以相当于一个中小城市的居民用水量。从风冷转向液冷,本质上将环境压力从电力消耗的碳账单,部分转移到了水账单上。
更隐蔽的问题在于,即便采用了闭环设计的浸没式液冷——将服务器整个浸泡在非导电液体中,理论上可以实现零蒸发损耗——也并未彻底摆脱水依赖。闭环系统仍然需要二次冷却回路,而二次冷却往往还是通过水冷塔完成。真正无水化的全液冷方案成本高昂,对既有数据中心的改造难度极大,目前远未成为行业主流。减碳与节水之间的张力,就嵌在这套技术演进的路径里。

跳出“唯碳论”:重新定义AI的环境账单
联合国大学水、环境与健康研究所所长马达尼曾直言,评估AI的环境成本绝不能只盯着碳排放,必须将水足迹和土地足迹一并纳入考量。这个判断的核心在于:低碳排放不等于低环境影响。一个全部使用太阳能的数据中心,可能因为选址在干旱地区而疯狂抽取地下水;一个实现了碳中和的算力集群,可能因为土地占用而挤压农业或生态空间。
该研究所首席作者阿克泽尔博士在研究中发现了一个令团队都感到意外的悖论:从碳的角度看最环保的选择,在水或土地方面可能产生更糟糕的结果。转向可再生能源以减少碳排放,本身就会加剧对水和土地的压力——太阳能电站需要大片土地,生物质能需要大量灌溉水。如果环境评估只设碳这一个维度,就等于默许了压力在不同资源之间的转移,而不是真正的化解。
将AI仅视为软件的观点已经过时。AI需要数据中心、发电设施、冷却系统、电网、半导体、土地和水等一系列物理基础设施。它的环境账单远不止一张电费单,而是一份涉及多重资源消耗的资产负债表。只读其中一行数字,就会误判全局。

为AI的“干渴”定价:规则比技术更紧迫
从柔佛的“通行证”到中国的“禁令”:算力准入门槛正在提高
当技术迭代本身无法从根本上解开“水-碳-土地”的死结,解决问题的杠杆就转移到了规则制定者手中。一个清晰的趋势正在浮现:算力不再是“来者不拒”的纯经济议题,其环境准入门槛正在被强制抬高。
中国东部地区已经率先划出红线。由于土地紧张、电力昂贵且水资源不算充裕,这一算力需求最旺盛的区域,如今严禁新建高耗水的开式冷却塔算力项目,并强制推广中水回用、闭式冷却与浸没液冷技术。这不是建议,而是硬性约束。政策信号很明确:在资源掣肘地区,用最传统方式消耗最宝贵水资源的算力扩张,不再有生存空间。

东南亚新兴市场也在同步收紧。马来西亚柔佛州因数据中心激增导致水电供应紧张,政府被迫叫停低能效项目,并推出全新的“通行证”制度。根据新规,未来该州仅向符合 Tier 3 和 Tier 4 标准的数据中心发放许可。这两类设施不仅意味着更高的可靠性,更关键的是它们通常配备了先进的节能冷却技术与水循环系统,能显著降低对市政水网的依赖。柔佛州政府的态度,用当地媒体的话说,就是“虽然欢迎高科技投资,但绝不会为高耗水、低能效的落后产能买单”。
这一政策转向向全球科技巨头释放了一个不容忽视的信号:即便在急于承接全球算力产业链转移的新兴市场,环保门槛也不再是可以讨价还价的选项。算力基建的选址逻辑,正从“哪里电力便宜、土地宽裕”被迫升级为“哪里的政策能确保资源消耗的可持续性”。
透明与审计:把“水足迹”摆上台面
准入门槛解决了增量问题,但存量算力的持续消耗如何监管?答案指向一个长期被回避的领域:透明度和独立审计。
微软研究院首席研究员凯特·克劳福德曾明确主张,科技公司除了优先发展节能硬件、算法并使用可再生能源外,还必须接受独立机构定期进行的环境审计。这一建议直指核心困境:当前AI水足迹的绝大部分数据来自企业自愿披露,口径不一,边界模糊,外界几乎无法进行有效比较和问责。没有强制披露和独立审计,任何关于“绿色算力”的承诺都可能沦为公关修辞。
把“水足迹”摆上台面,意味着要求数据中心像公开财报一样,公开其水源类型、取水量、消耗量和废水排放数据,并由第三方核验。这并非没有先例,碳信息披露项目(CDP)已为碳排放建立了类似框架。水足迹的透明化,是将其内部成本外部化的第一步,也是建立公众信任和有效监管的基础。
当然,过高的准入门槛存在争议。一刀切地禁止或设置过高标准,可能延缓AI技术普及,尤其是在渴望通过算力建设实现跨越式发展的发展中国家。柔佛州的“通行证”制度提供了一个折中思路:不是禁止,而是分级准入,用更高的能效和水效标准倒逼产业升级,将落后产能挤出市场。这本质上是一种动态平衡——在环境保护与技术发展之间,不是做非此即彼的选择,而是通过规则设计,让算力增长的每一步都踩在资源承载力的实地上。