问AI一个问题要"喝"多少水？达沃斯数据拆给你看
2026年夏季达沃斯论坛上，世界经济论坛抛出一组数字：AI全产业链一年消耗230亿立方米淡水，相当于1150个西湖。7月4日《华尔街日报》跟进调查，直接点名微软、谷歌、Meta——它们只报了"直接耗水"，把发电端的隐形水账藏了起来。
你每次问AI一个问题，背后有多少水在蒸发？答案取决于"算不算发电"。
第一笔账：仅算数据中心冷却——几滴到几毫升
Google在2025年8月公布了一组迄今最详细的生产数据：向Gemini发送一条中等长度的文本提示，消耗0.24瓦时电力、0.26毫升水。0.26毫升，大约5滴。
这个数据不是挑选的最优值。Google的算法包含了冷却、空闲储备、服务器非GPU功耗在内的全部数据中心开销。Epoch AI对GPT-4o的独立估算也落在相近区间：单次中等回复约1.5-4毫升。OpenAI CEO Sam Altman给出的平均值是0.34瓦时，折合约0.32毫升。
但这些数字有个前提：只算了数据中心围墙以内的水。
| 模型 | 单次提问能耗 | 单次提问耗水 | 统计口径 | 来源 |
|---|---|---|---|---|
| Google Gemini（中位值） | 0.24 Wh | ~0.26 mL | 冷却+数据中心全口径 | Google 2025.8 |
| ChatGPT GPT-4o（中等回复） | ~0.3 Wh | ~1.5-4 mL | 数据中心冷却 | Epoch AI 2025 |
| ChatGPT（Altman均值） | 0.34 Wh | ~0.32 mL | 未明确 | OpenAI 2025 |
| Mistral Le Chat（400 token回复） | - | ~45 mL | 训练+推理+硬件全周期 | Mistral/Carbone4 2025.7 |
| DeepSeek-R1（推理型回复） | ~24-34 Wh | >150 mL | 第三方估算 | Jegham et al. 2025 |
一个值得注意的发现：推理型模型（如DeepSeek-R1、o3）的能耗是轻量模型的70倍以上。同样问一个问题，用推理模型比用nano模型多消耗的不只是电，还有水。
第二笔账：算上发电——数字翻了500倍
UC Riverside教授Shaolei Ren在2023年的研究给出了另一个数字：每10-50次提问，消耗500毫升水。一瓶矿泉水。
这和Google的0.26毫升差了近2000倍。谁在说谎？
都没说谎，只是统计口径完全不同。Ren的500毫升包含了三笔水账：
1. 数据中心直接冷却用水：冷却塔靠水蒸发带走热量，这部分水直接散失到空气中，不可回收。
2. 发电厂间接耗水：火电、核电的蒸汽涡轮冷却系统需要大量淡水。每发一度电的背后，都对应着水资源的消耗。这部分占AI总耗水的60%以上。
3. 芯片制造用水：台积电单座工厂日用水超15万吨，生产一枚2克芯片平均消耗32公斤超纯水。
荷兰研究员Alex de Vries测算，Google的间接耗水大约是直接耗水的3倍。Meta更夸张——2024年间接耗水190亿加仑，是公开数字的20倍以上。
这就是科技巨头ESG报告里没有写的那部分。
230亿方水去了哪里？三层拆解
世界经济论坛的230亿立方米，覆盖了AI全产业链的三个环节：
散热冷却（直接用水）：AI服务器集群24小时运转产生巨量热量，传统蒸发冷却靠水分汽化带走热量，80%-85%的水直接蒸发、不可回收。毕马威中国副主席吴旭初给出的直观换算是：与AI对话5分钟，约消耗500毫升散热用水。
发电配套（间接用水，占大头）：AI是"电老虎"，而当前全球电力仍主要依赖火电和核电。发电端的间接耗水量是数据中心直接冷却的数倍乃至数十倍。
芯片制造（上游用水）：半导体制造全流程——硅片清洗、光刻、蚀刻——都离不开超纯水。AI芯片需求暴涨直接拉动了制造端的取水总量。
一个大型AI数据中心的日耗水量可达500万加仑，相当于一座5万人口城镇的居民全日用水。而全球约四成数据中心和近三分之一的芯片工厂，建在缺水地区。
水账背后：冷却技术决定了耗水量级
回到液冷采购最关心的问题：同样的算力，用水量能差多少？
答案取决于冷却架构。
传统蒸发冷却塔是最费水的方案——水变成蒸汽飘走，热量带走了，水也没了。风冷节水但制冷能力不够，已经带不走B200以上芯片的热量。
液冷方案之间的差距同样巨大：
| 冷却方案 | 节水效果 | 散热能力 | 适用场景 |
|---|---|---|---|
| 蒸发冷却塔（传统） | 基准线（最费水） | 中 | 低密度机柜 |
| 开环水冷 | 节水~30% | 高 | 中高密度 |
| 闭环冷板液冷 | 节水75%+ | 极高 | 高密度AI服务器 |
| 两相冷板液冷 | 节水91%+ | 极高 | 超高密度+极端PUE要求 |
| 浸没式液冷 | 节水95%+ | 极高 | 特定场景（成本高、运维复杂） |
闭环系统的核心逻辑是：冷却液在管道中密闭循环吸收热量，通过外部换热器散热，水不蒸发、不消耗。以冷泉能控在国家级智算中心的规模化验证经验为例，两相冷板闭环方案在几乎消除蒸发损耗的同时，把PUE压到1.2以内。
英伟达新一代Rubin架构支持45℃高温冷却液入口，进一步降低了冷却系统的水电消耗。在极端场景下，液冷方案接近"无水运行"。
算清你的水账：一张表
如果你是数据中心运维或采购，下面这张表可以帮你快速估算：
| 场景 | 传统水冷年耗水 | 闭环液冷年耗水 | 年节水 |
|---|---|---|---|
| 100柜中等密度 | ~1.2万吨 | ~3000吨 | ~75% |
| 500柜高密度（AI训练） | ~8万吨 | ~2万吨 | ~75% |
| 1000柜超高密度（万卡集群） | ~20万吨 | ~1.8万吨 | ~91% |
（注：行业经验估算，具体数值因项目规模、地域气候、冷却架构而异）
水不像电可以远距离输送。数据中心选址时，电价和土地成本往往是硬指标，水源够不够排在后面。但当你的项目落在缺水地区，周围农民在抗议"你的云正在晒干我的河"，水就不再是一个可以忽略的成本项。
结论
问AI一个问题消耗多少水？几滴到几百毫升，取决于你算到哪一层。但真正的分水岭不在模型选择，而在冷却架构——蒸发冷却和闭环液冷之间的用水量差了一个数量级。
液冷不只是散热方案。在水资源越来越贵的今天，它是节水方案。
你所在的数据中心，冷却架构是哪种？欢迎留言聊聊。
觉得有用，点个「在看」让更多同行看到。
FAQ：AI耗水常见疑问
Q1：为什么说Google的0.26毫升和毕马威的500毫升都对？
因为统计口径不同。Google的0.26毫升只算了数据中心围墙内的冷却用水；毕马威的500毫升（5分钟对话）包含了发电厂冷却和芯片制造的全链条水耗。两种数据都是真实的，区别在于是否计入"间接耗水"。对液冷采购来说，冷却架构的选择直接决定了直接耗水量级，这才是你能控制的部分。
Q2：推理模型（如DeepSeek-R1）比轻量模型耗水多70倍，为什么？
推理型模型在回答前会进行多轮"思维链"计算，消耗的计算量远大于简单问答。同样的问题，用GPT-4.1 nano可能只耗0.1瓦时，但用DeepSeek-R1可能耗30瓦时以上。能耗差70倍，对应的冷却用水和发电耗水也同比例放大。选择合适复杂度的模型，本身就是一种节水策略。
Q3：液冷真的能节水91%以上？原理是什么？
传统蒸发冷却塔靠水分蒸发带走热量，80%-85%的水直接散失到大气中，不可回收。液冷方案用冷却液在密闭管道中循环吸热，通过外部换热器把热量传导出去，水不蒸发、不消耗。两相冷板液冷利用冷却液相变（液→气→液）在密闭系统中循环，几乎消除了蒸发损耗。冷泉能控的常压两相方案在国家级智算中心实测PUE低至1.2以内，同时大幅削减用水量。
Q4：数据中心建在缺水地区，用水问题怎么解决？
三个方向：一是技术端，从蒸发冷却升级到闭环液冷，节水75%-91%；二是水源端，利用非常规水源（海水冷却、再生水循环利用），上海已有海上风电基座配套算力中心的案例；三是选址端，"东数西算"将算力枢纽布局在气候凉爽、水资源相对充足的西部区域。对采购来说，选址时把水资源承载力纳入评估，已经是必须做的事。
#AI算力 #液冷技术 #数据中心 #PUE优化 #AI与液冷
