人工智能正在从单一的软件能力逐渐演变为数字基础设施的重要组成部分。生成式人工智能、智能搜索、科学计算、工业分析以及各类自动化应用背后，都依赖大规模计算资源持续运行。随着模型规模、用户数量和推理任务不断增长，人工智能带来的资源消耗也开始从电力、芯片和服务器扩展到一个过去较少被关注的领域——水资源。
　　
　　人工智能本身并不会直接“用水”。真正产生水资源消耗的是支撑人工智能运行的数据中心、电力系统以及相关基础设施。服务器运行产生热量，需要持续散热；部分冷却系统需要消耗水，而数据中心所使用的电力在发电过程中同样可能产生间接用水。
　　
　　因此，衡量人工智能的水足迹，不能简单地给出一个统一的“每次查询耗水多少”的数字。不同模型、服务器、数据中心、气候条件、冷却技术以及电力结构都会改变最终结果。
　　
　　人工智能用水量有多大？数据中心水足迹解析
　　
　　AI为什么会产生水足迹？
　　
　　人工智能服务建立在大量物理设备之上。
　　
　　无论是一个简单的文本生成任务，还是复杂的模型训练与推理任务，都需要由服务器中的CPU、GPU、AI加速器、内存和网络设备完成计算。这些芯片在高负载运行过程中会持续产生热量。如果热量不能及时排出，设备性能、稳定性和使用寿命都会受到影响。
　　
　　因此，数据中心必须建立完善的热管理体系。
　　
　　传统数据中心大量采用空气冷却，通过风扇、空调和冷冻水系统将设备产生的热量转移出去。随着AI服务器功率密度不断提高，单纯依赖空气冷却的难度增加，液体冷却、冷板式液冷以及其他高效散热方式开始得到更多应用。
　　
　　水资源由此进入人工智能基础设施的资源消耗链条。
　　
　　需要注意的是，冷却系统中的“用水”并不等同于所有数据中心都直接大量消耗自来水。不同设施采用的冷却架构不同，有些系统通过蒸发过程排出热量，会产生较高的现场耗水；另一些系统则更多依赖封闭式循环冷却，能够减少水的持续补充需求。
　　
　　因此，讨论AI用水量时，必须区分取水量、耗水量以及循环用水量。这也是不同研究得出明显不同结果的重要原因。
　　
　　AI水足迹主要来自两个环节
　　
　　从完整生命周期来看，人工智能相关水资源消耗大致可以分为两部分：数据中心直接用水和能源生产产生的间接用水。
　　
　　1.数据中心直接用水
　　
　　数据中心需要不断将服务器产生的热量排出。
　　
　　在采用蒸发式冷却、冷却塔等技术的设施中，水可能通过蒸发将热量带走。服务器负载越高，环境温度越高，通常意味着冷却系统需要处理更多热量，水资源需求也可能随之增加。
　　
　　这意味着，同样规模的AI计算任务，如果分别部署在不同地区、不同类型的数据中心，其水足迹可能存在明显差异。
　　
　　例如，在炎热环境中运行的数据中心通常需要面对更高的散热压力；而在气候较凉爽的地区，部分时间可以利用外部自然冷源降低机械制冷需求。
　　
　　2.电力生产产生的间接用水
　　
　　人工智能的水足迹并不仅仅存在于服务器旁边。
　　
　　数据中心需要大量电力，而电力生产本身也可能涉及水资源。部分火电和核电设施需要利用水进行冷却，不同发电技术、冷却方式以及地区水资源条件会影响单位电力对应的水资源消耗。
　　
　　因此，如果只统计数据中心现场的用水，而忽略电力供应链，就可能低估人工智能的整体水足迹。
　　
　　这也是为什么研究AI环境影响时，越来越需要从“数据中心”扩大到“计算基础设施+能源系统”的整体视角。
　　
　　为什么很难给AI计算一个统一的耗水数字？
　　
　　关于人工智能耗水量的讨论中，经常出现“每次查询消耗多少水”的说法，但这类数字不宜被简单理解为固定值。
　　
　　首先，不同AI任务需要的计算量差异很大。
　　
　　一次简短的文本推理与长文本生成、图像生成、视频生成或复杂科学计算所需要的计算资源并不相同。模型规模、上下文长度、推理步数、硬件利用率以及任务持续时间都会影响能源消耗，进而影响冷却需求。
　　
　　其次，不同数据中心的基础设施效率不同。
　　
　　数据中心的能源使用效率、服务器利用率、冷却架构以及水资源管理方式都会改变最终结果。同样的计算任务，在两个不同的数据中心执行，可能产生完全不同的水足迹。
　　
　　再次，所在地的气候和能源结构同样重要。
　　
　　高温、高湿环境通常需要更多冷却资源；而电力来源不同，也会改变间接水足迹。因此，“一个AI请求对应多少水”很难成为适用于所有场景的固定指标。
　　
　　更合理的做法，是将AI水足迹理解为一个与计算量、基础设施和地理位置共同变化的指标。
　　
　　数据中心规模扩大，水资源问题为何受到关注？
　　
　　人工智能的发展正在推动数据中心计算密度不断提高。
　　
　　传统企业数据中心通常以通用服务器为主，而AI基础设施需要部署大量高性能加速器。这些设备的计算能力更强，同时也会产生更高的热密度。
　　
　　当单个机柜、服务器集群以及整个数据中心的功率持续提高时，散热问题的重要性随之上升。
　　
　　这带来一个值得关注的变化：过去数据中心建设更关注土地、电力和网络连接，如今水资源条件也逐渐成为基础设施规划的重要因素之一。
　　
　　尤其是在本身存在水资源压力的地区，大型数据中心可能与农业、居民生活以及工业生产形成资源竞争。因此，数据中心建设不能只考察“有没有足够的电”，还需要综合评估当地水资源承载能力。
　　
　　AI增长并不意味着用水量必然按比例增长
　　
　　人工智能应用规模扩大，并不意味着水资源消耗一定按照相同速度增长。
　　
　　原因在于基础设施效率也在持续变化。
　　
　　一方面，新一代AI芯片和服务器正在提高单位功耗下的计算性能。如果完成相同任务所需要的计算资源减少，就可能降低整体能源和散热需求。
　　
　　另一方面，数据中心冷却技术也在发生变化。
　　
　　传统空气冷却在高功率密度场景下存在一定限制，而液冷能够更加接近热源进行散热。在合理设计的情况下，液冷可以降低部分制冷环节的能耗，并提高高密度计算环境下的热管理效率。
　　
　　不过，“液冷”等于“零耗水”同样是不准确的。不同液冷架构的资源需求不同，部分系统仍然需要与冷却水系统、冷水机组或其他热交换设施配合。因此，评价技术路线时，应关注整个冷却链条，而不是单独比较某一种设备。
　　
　　降低AI水足迹，需要从“少用计算”开始
　　
　　降低人工智能水资源影响，并不只是更换冷却设备。
　　
　　更根本的方向是提高计算效率。
　　
　　如果一个模型能够使用更少的参数、更低的推理成本完成相同任务，那么服务器需要处理的数据量就可能下降，相应的电力和散热需求也会降低。
　　
　　因此，AI模型的效率应该成为基础设施设计的重要指标。
　　
　　未来的AI系统可能更加重视模型规模与任务需求之间的匹配。例如，简单的信息提取、分类和摘要任务，没有必要始终调用计算成本极高的大模型；只有复杂推理任务才需要使用更高算力的模型。
　　
　　这种“按任务匹配计算资源”的方式，不仅可以降低成本，也有助于减少能源和水资源消耗。
　　
　　数据中心选址将越来越关注水资源条件
　　
　　数据中心的地理位置本身就是影响水足迹的重要变量。
　　
　　传统选址通常重点考虑电力供应、网络连接、土地成本和灾害风险。随着AI计算基础设施规模扩大，气候条件和水资源状况的重要性正在上升。
　　
　　较凉爽的地区可以在部分时间利用自然冷源降低机械制冷需求；拥有稳定水资源的地区则更容易支撑长期运行。但这并不意味着所有AI数据中心都应该向低温地区集中，因为电网结构、可再生能源供应、网络时延以及土地条件同样需要考虑。
　　
　　更合理的方向，是在数据中心规划阶段建立综合资源评估体系，将电力、水资源、气候、网络和土地放在同一个决策框架中。
　　
　　再生水和循环冷却也是重要方向
　　
　　降低数据中心水资源压力的另一条路径，是减少对高质量淡水资源的依赖。
　　
　　在符合当地法规和水质要求的情况下，部分数据中心可以考虑使用再生水、工业循环水等替代水源，将经过处理的非饮用水用于特定冷却环节。
　　
　　同时，提高冷却系统的循环利用率，也能够减少持续补水需求。
　　
　　这意味着未来的数据中心水资源管理可能从单纯的“减少用水”逐渐转向“提高水资源利用效率”，包括优化水质、减少蒸发损失、提高循环倍率以及加强废水处理等。
　　
　　衡量AI可持续性，需要建立更完整的指标体系
　　
　　AI的环境影响不能只用单一指标衡量。
　　
　　如果只关注模型本身，很容易忽略其背后的服务器、数据中心和能源系统；如果只关注数据中心，又可能忽略芯片制造、设备生产以及整个供应链。
　　
　　因此，更完整的评估体系至少需要考虑以下几个维度：
　　
　　·计算效率：完成单位任务所需要的计算资源是多少。
　　
　　·能源效率：完成单位计算所消耗的电力是多少。
　　
　　·水资源效率：单位计算对应的直接和间接水资源消耗是多少。
　　
　　·区域水压力：数据中心所在地本身是否属于水资源紧张区域。
　　
　　·冷却效率：冷却系统能够以多低的能源和水资源成本完成散热。
　　
　　·资源来源：数据中心使用的电力和水资源来自何种供应体系。
　　
　　只有将这些指标结合起来，才能真正判断一个AI系统的资源效率。
　　
　　AI与水资源之间的关系正在成为基础设施问题
　　
　　人工智能的快速发展，使数字世界与自然资源之间的联系更加明显。
　　
　　过去，人们往往认为软件服务主要消耗计算资源和电力，而AI的大规模部署正在改变这一认识。模型训练和推理最终都需要依赖芯片、服务器、数据中心、电网和冷却设施，而这些基础设施又与能源和水资源密切相关。
　　
　　因此，人工智能的可持续发展不能仅依靠模型能力提升，还需要同步推进计算效率、芯片能效、数据中心设计、冷却技术、能源结构和水资源管理。
　　
　　未来衡量AI基础设施先进程度的标准，也可能不再只是算力规模和响应速度，而是进一步延伸到单位计算所需的能源、水资源以及整体资源成本。
　　
　　真正高效的人工智能基础设施，并不是简单追求更大的模型和更多的算力，而是在满足计算需求的同时，以更少的资源完成更多工作。对于水资源而言，这意味着从源头减少不必要的计算、提高服务器利用率、优化冷却系统、合理选择数据中心位置，并逐步建立更加精细的水资源管理机制。
　　
　　人工智能的发展仍将持续推动计算基础设施扩张。水资源因此不会只是数据中心运营中的一个附属指标，而可能成为未来AI基础设施规划、建设和运营需要长期考虑的重要因素。

       编辑：Harris