每当咱们在网上跟AI助手随便聊两句，享受那点便利和智能的时候，很少有人会想到，屏幕那边的那一串话，其实得靠现实中的真金白银和自然恩赐来买单。这可不是瞎猜的，而是摆在那些支撑AI运行的硬件基础设施面前的硬杠杠。最近，关于大模型和AI服务在每次回应里到底消耗多少水，大家给出的数字差别挺大，有的说不到1毫升，也有人提到超过100毫升。就拿某位行业大佬举过的例子来说，某个小型模型在做简单任务时，单次响应耗水大概只有0.3毫升。 不过，加州大学河滨分校这些机构做的更全面的研究表明，一次普通的AI查询所造成的直接和间接耗水量，往往会达到几十毫升。针对那些主流的大模型分析更是指出，当它们处理复杂提示的时候，其水消耗轻轻松松就能突破一百毫升。这些数据之所以存在差异，本质上是因为大家在测算边界、模型规模、任务复杂度还有系统效率等方面考虑得不一样。 想弄明白这个事儿，就得从数据中心说起。这些东西就是AI强大算力的真正载体，全球各地的机房里都堆着满屋子日夜不停转的服务器。这些高密度设备在处理信息时特别快，但也会产生海量废热。光靠吹空调根本压不住温度，所以大家大多选择用水来当冷却介质。不管是用冷却塔蒸发散热，还是用闭路循环的水冷系统，甚至是那些实验性的海底数据中心方案，核心都在利用水的比热容特性把热量带走。 在这个过程中，一部分水会一直蒸发掉损耗掉，另一部分在循环了一圈杂质变多后还得作为废水处理掉，这都算直接消耗。这其实还只是冰山一角，大部分水其实都花在了发电上。数据中心要运转，以及造芯片这些上下游产业都离不开电。不管是烧煤还是核发电，哪怕是可再生能源发电的某些环节，生产过程中都得消耗大量水用来冷却、生成蒸汽或者冲洗设备。 研究显示，从全生命周期看，造一度电所耗的水往往是数据中心直接用水的好几倍。按照美国的平均水平算下来，每消耗一度电所产生的直接加间接的总耗水量大概有4升左右。所以要准确估算AI单次查询的水消耗量，必须得先把算力能耗算准了，还得综合考虑当地电网的能源结构、发电技术以及水资源利用效率。 现在研究数据有差异，就是因为测算范围从只盯着数据中心内部的用水扩大到了整个电力供应链的“全链条”用水，再加上大家选的AI模型规模、任务负载还有基础设施的效率水平都不一样。这告诉我们，在看AI有多聪明的时候，它的“环境智能”——也就是能不能少占资源、对生态好不好——已经成了衡量技术好坏的一个关键指标了。 面对全球很多地方越来越缺水的大环境，AI产业高速发展带来的资源消耗问题不能再不管了。这不是要让技术停滞不前，而是要让发展过程里多加点可持续的念头。现在业内也在想办法找更好的路子：比如改改芯片设计和算法来提高计算能效；研发更节水或者能用非常规水源的冷却技术；选地方的时候优先挑水资源多或者气候凉爽的地方建机房；提高水的循环利用率；还有多使用可再生能源来减少对高水耗电力的依赖等等。 AI这股潮流正在用前所未有的力量改变世界，但它扎根的土壤始终是现实的物质世界。从“耗水量”这么个细节入手咱们就能看到技术背后的全球性责任。把人工智能和可持续发展目标深度融合在一起，让绿色计算的理念渗透到硬件设计、算法开发、设施运营甚至产业布局的每一个环节里去，这不仅是科技公司的社会责任也是它们能活得长久、赢在未来的必然选择。 在通往通用AI的路上，让每一滴水的价值都能最大化地利用起来，这跟让每一次计算都变得智能起来一样重要。这需要咱们学界、产业界还有政策层面一起使劲努力。