据 Woofun AI 消息，关于 AI 对话消耗水资源的测算，科技巨头与学术研究之间存在近两千倍的巨大差异。加州大学河滨分校副教授任少磊的研究指出，进行 20 至 50 轮对话约消耗 500 毫升水，相当于一瓶矿泉水；而谷歌与微软披露的数据则显示，单次请求仅需 0.26 毫升甚至不足一滴水。

这种悬殊并非统计误差，而是源于对“水资源消耗”定义的根本分歧：前者追溯至电力生产与芯片制造的全产业链，后者仅聚焦于数据中心现场的冷却环节。随着 AI 应用规模的扩张，这种被低估的资源代价正引发对产业可持续性的深层担忧。

统计范围的界定直接决定了数据的量级。任少磊强调，谷歌在环境影响报告中披露的 0.26 毫升数据，仅计算了数据中心内部冷却系统直接消耗的水量，完全排除了发电环节产生的间接用水。微软援引《Joule》期刊研究得出的 0 至 0.067 毫升中位数，同样局限于冷却用水。

然而，AI 运行的能源需求庞大，火力发电等供电方式在蒸汽循环与冷却过程中需消耗巨量水资源。研究者的测算模型将服务器运行所需的电力折算为上游用水，从而得出了包含发电、芯片制造及数据中心冷却的用水。两组数字看似在回答同一问题，实则统计的是产业链中截然不同的片段，导致结果出现数量级的偏差。

将用水量强行折算为“单次查询”本身存在逻辑局限。数据中心的冷却系统并非随单次请求启停，而是长期持续运行以维持设施稳定。将一座设施的总用水量除以查询次数，仅能得出一个平均值，无法精准反映某一次对话实际新增的边际用水。不同机构选取的统计边界、设施地理位置、当地能源结构及计算模型，都会导致最终结果的显著波动。因此，试图用“一次对话消耗多少水”来衡量 AI 的环境成本，往往难以获得统一且具可比性的答案。相比之下，观察数据中心用水总量的变化趋势，更能揭示 AI 业务扩张带来的真实资源压力。

Woofun AI 整理数据显示，2021 年至 2022 年间，微软数据中心的用水量激增 34%，全年总量突破 64 亿升；同期，谷歌的用水量也增长了 20%。两家公司均将这一显著增长归因于 AI 业务及相关计算需求的快速上升。

这一事实与官方宣称的“每次查询不足一滴水”形成了耐人寻味的对比：单次消耗的数值可以被技术优化压至极低，但业务总量的爆发式增长却推高了整体用水规模。这种总量攀升的趋势表明，单纯依赖降低单次查询的用水效率，难以抵消 AI 算力需求指数级增长带来的资源消耗总量。

要厘清水资源的真实去向，必须沿着产业链向上追溯。AI 带来的用水主要分布在三个关键环节：数据中心冷却、电力生产以及芯片制造。最直观的是数据中心冷却，服务器持续运行产生高热，传统蒸发式冷却通过水带走热量并排入大气，无法回收。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日冷却用水可达 500 万加仑，相当于两万至五万人口城镇的日用水量。

然而，冷却并非全部，若电力来源依赖高耗水的火电，即便机房内节水，上游用水依然巨大。此外，芯片制造环节极易被忽视，AI 芯片生产需反复清洗晶圆以去除颗粒与离子，一块晶圆往往经历数十次甚至数百次清洗，任何残留都可能导致器件失效，这意味着在芯片进入数据中心前，水资源消耗已大量发生。

任少磊的测算进一步量化了这一过程：仅训练 GPT-3 一个模型，数据中心现场散热用水即达 70 万升，且该数字尚未包含供电环节用水及制造 GPU 芯片时消耗的超纯水。数据中心的地理分布加剧了这一矛盾。内华达、亚利桑那、得克萨斯、犹他、加利福尼亚和科罗拉多六个州均面临严峻的水资源压力，但这六个州仍有 437 个数据中心处于建设或规划阶段。选址时，土地、电力和政策往往是首要考量，水资源承载能力常被置于次要地位。当越来越多算力设施落户缺水地区，AI 产业将与当地居民、农业及其他产业争夺有限的水资源，引发潜在的社会与生态冲突。

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，这一数字相当于 13 亿撒哈拉以南非洲居民一年的基本生活用水需求。面对如此庞大的消耗，行业正在探索多种技术路径以缓解压力。在上海临港小洋山以东，全球首个海风直连海底数据中心已投入运行。该平台高出海平面 20 多米，安置了 192 个机柜及约 2000 台服务器，距离平台约 500 米处，50 多座海上风机通过光电复合电缆直接供电。项目采用无动力冷媒循环技术，利用年均约 15 摄氏度的海水带走热量，无需蒸发淡水。项目负责人陈希怡测算，这座功率为 2.3 兆瓦的数据中心，若采用传统冷却方式，每年需消耗 4 万吨淡水，改用海水冷却后，这部分淡水消耗可降为零。

陆上数据中心也在加速转型。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冷却液带走热量，大幅减少对蒸发式冷却的依赖。液冷技术的普及与 AI 芯片功耗飙升直接相关，英伟达 A100 芯片热设计功耗为 400 瓦，B200 已升至 1000 瓦，传统风冷已难以满足散热需求。

此外，多伦多利用深层湖水降温，都柏林则将余热接入城市供暖系统。无论是海底数据中心、液冷机架，还是区域供冷与余热回收，这些技术都在提升能源与水资源的利用效率。以海底数据中心为例，每年减少 4 万吨淡水消耗是明确且具体的成果。

然而，这些技术创新主要解决的是数据中心冷却环节的问题，无法触及电力生产与芯片制造的用水痛点。数据中心运营商可以改造冷却系统，却难以直接改变电网的发电结构。如果电力仍主要来自高耗水发电方式，每消耗一度电，上游仍伴随相应的水资源消耗。芯片制造同理，晶圆在进入数据中心前已历经多轮超纯水清洗，无论服务器最终采用何种冷却方式，这部分用水都不会减少。因此，数据中心节水虽必要，却不足以解决 AI 产业的全部用水问题。在预计 2030 年达到 9.3 万亿升的总用水量规模下，仅优化机房冷却只能减少其中一部分。

要真正降低 AI 对水资源的消耗，必须在改进数据中心冷却方式的同时，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 以越来越快的速度融入社会生活，衡量其资源代价的方式亟需变革。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。只有先把全产业链的消耗算清楚，节水措施才不会仅仅停留在最容易被看见的机房冷却环节，而是真正触及能源结构与制造工艺的深层变革。