據 Woofun AI 消息，關於 AI 對話消耗水資源的測算，科技巨頭與學術研究之間存在近兩千倍的巨大差異。加州大學河濱分校副教授任少磊的研究指出，進行 20 至 50 輪對話約消耗 500 毫升水，相當於一瓶礦泉水；而谷歌與微軟披露的數據則顯示，單次請求僅需 0.26 毫升甚至不足一滴水。

這種懸殊並非統計誤差，而是源於對“水資源消耗”定義的根本分歧：前者追溯至電力生產與芯片製造的全產業鏈，後者僅聚焦於數據中心現場的冷卻環節。隨着 AI 應用規模的擴張，這種被低估的資源代價正引發對產業可持續性的深層擔憂。

統計範圍的界定直接決定了數據的量級。任少磊強調，谷歌在環境影響報告中披露的 0.26 毫升數據，僅計算了數據中心內部冷卻系統直接消耗的水量，完全排除了發電環節產生的間接用水。微軟援引《Joule》期刊研究得出的 0 至 0.067 毫升中位數，同樣侷限於冷卻用水。

然而，AI 運行的能源需求龐大，火力發電等供電方式在蒸汽循環與冷卻過程中需消耗巨量水資源。研究者的測算模型將服務器運行所需的電力折算爲上游用水，從而得出了包含發電、芯片製造及數據中心冷卻的用水。兩組數字看似在回答同一問題，實則統計的是產業鏈中截然不同的片段，導致結果出現數量級的偏差。

將用水量強行折算爲“單次查詢”本身存在邏輯侷限。數據中心的冷卻系統並非隨單次請求啓停，而是長期持續運行以維持設施穩定。將一座設施的總用水量除以查詢次數，僅能得出一個平均值，無法精準反映某一次對話實際新增的邊際用水。不同機構選取的統計邊界、設施地理位置、當地能源結構及計算模型，都會導致最終結果的顯著波動。因此，試圖用“一次對話消耗多少水”來衡量 AI 的環境成本，往往難以獲得統一且具可比性的答案。相比之下，觀察數據中心用水總量的變化趨勢，更能揭示 AI 業務擴張帶來的真實資源壓力。

Woofun AI 整理數據顯示，2021 年至 2022 年間，微軟數據中心的用水量激增 34%，全年總量突破 64 億升；同期，谷歌的用水量也增長了 20%。兩家公司均將這一顯著增長歸因於 AI 業務及相關計算需求的快速上升。

這一事實與官方宣稱的“每次查詢不足一滴水”形成了耐人尋味的對比：單次消耗的數值可以被技術優化壓至極低，但業務總量的爆發式增長卻推高了整體用水規模。這種總量攀升的趨勢表明，單純依賴降低單次查詢的用水效率，難以抵消 AI 算力需求指數級增長帶來的資源消耗總量。

要釐清水資源的真實去向，必須沿着產業鏈向上追溯。AI 帶來的用水主要分佈在三個關鍵環節：數據中心冷卻、電力生產以及芯片製造。最直觀的是數據中心冷卻，服務器持續運行產生高熱，傳統蒸發式冷卻通過水帶走熱量並排入大氣，無法回收。美國內華達大學拉斯維加斯分校教授斯蒂芬·雷曼測算，一座傳統大型數據中心每日冷卻用水可達 500 萬加侖，相當於兩萬至五萬人口城鎮的日用水量。

然而，冷卻並非全部，若電力來源依賴高耗水的火電，即便機房內節水，上游用水依然巨大。此外，芯片製造環節極易被忽視，AI 芯片生產需反覆清洗晶圓以去除顆粒與離子，一塊晶圓往往經歷數十次甚至數百次清洗，任何殘留都可能導致器件失效，這意味着在芯片進入數據中心前，水資源消耗已大量發生。

任少磊的測算進一步量化了這一過程：僅訓練 GPT-3 一個模型，數據中心現場散熱用水即達 70 萬升，且該數字尚未包含供電環節用水及製造 GPU 芯片時消耗的超純水。數據中心的地理分佈加劇了這一矛盾。內華達、亞利桑那、得克薩斯、猶他、加利福尼亞和科羅拉多六個州均面臨嚴峻的水資源壓力，但這六個州仍有 437 個數據中心處於建設或規劃階段。選址時，土地、電力和政策往往是首要考量，水資源承載能力常被置於次要地位。當越來越多算力設施落戶缺水地區，AI 產業將與當地居民、農業及其他產業爭奪有限的水資源，引發潛在的社會與生態衝突。

預計到 2030 年，全球數據中心全產業鏈的總用水量將達到 9.3 萬億升，這一數字相當於 13 億撒哈拉以南非洲居民一年的基本生活用水需求。面對如此龐大的消耗，行業正在探索多種技術路徑以緩解壓力。在上海臨港小洋山以東，全球首個海風直連海底數據中心已投入運行。該平臺高出海平面 20 多米，安置了 192 個機櫃及約 2000 臺服務器，距離平臺約 500 米處，50 多座海上風機通過光電覆合電纜直接供電。項目採用無動力冷媒循環技術，利用年均約 15 攝氏度的海水帶走熱量，無需蒸發淡水。項目負責人陳希怡測算，這座功率爲 2.3 兆瓦的數據中心，若採用傳統冷卻方式，每年需消耗 4 萬噸淡水，改用海水冷卻後，這部分淡水消耗可降爲零。

陸上數據中心也在加速轉型。英偉達 GB200 NVL72 機架將 72 顆 GPU 和 36 顆 Grace CPU 置於全液冷系統中，通過緊貼芯片的冷板和密閉循環冷卻液帶走熱量，大幅減少對蒸發式冷卻的依賴。液冷技術的普及與 AI 芯片功耗飆升直接相關，英偉達 A100 芯片熱設計功耗爲 400 瓦，B200 已升至 1000 瓦，傳統風冷已難以滿足散熱需求。

此外，多倫多利用深層湖水降溫，都柏林則將餘熱接入城市供暖系統。無論是海底數據中心、液冷機架，還是區域供冷與餘熱回收，這些技術都在提升能源與水資源的利用效率。以海底數據中心爲例，每年減少 4 萬噸淡水消耗是明確且具體的成果。

然而，這些技術創新主要解決的是數據中心冷卻環節的問題，無法觸及電力生產與芯片製造的用水痛點。數據中心運營商可以改造冷卻系統，卻難以直接改變電網的發電結構。如果電力仍主要來自高耗水發電方式，每消耗一度電，上游仍伴隨相應的水資源消耗。芯片製造同理，晶圓在進入數據中心前已歷經多輪超純水清洗，無論服務器最終採用何種冷卻方式，這部分用水都不會減少。因此，數據中心節水雖必要，卻不足以解決 AI 產業的全部用水問題。在預計 2030 年達到 9.3 萬億升的總用水量規模下，僅優化機房冷卻只能減少其中一部分。

要真正降低 AI 對水資源的消耗，必須在改進數據中心冷卻方式的同時，減少發電環節的用水，並提高芯片製造過程中水資源的循環利用效率。當 AI 以越來越快的速度融入社會生活，衡量其資源代價的方式亟需變革。比“每次對話用了幾滴水”更重要的，是整個產業能否建立一套完整、透明且可比較的用水標準。只有先把全產業鏈的消耗算清楚，節水措施纔不會僅僅停留在最容易被看見的機房冷卻環節，而是真正觸及能源結構與製造工藝的深層變革。