AI 训练消耗的淡水资源到底有多夸张

很多人在讨论大模型算力、显卡功耗的时候，往往会忽略掉一个极其隐蔽但又极其致命的成本：水。大家习惯了盯着 PUE 指标看，觉得只要散热做得好、电费控得住就行，但实际上，数据中心为了维持服务器在高负载下的稳定，消耗的冷却水规模简直可以用“天文数字”来形容。

这不仅仅是环保主义者的道德说教，这是一个实实在在的技术瓶颈。

目前业界有个大概的估算，像 GPT-4 这种级别的模型，每进行一次大规模的训练任务，或者用户进行几十次高频次的对话交互，背后对应的冷却系统可能就要消耗掉几升甚至几十升的淡水。这里有个关键的技术细节：数据中心并不是直接把水喷在服务器上，而是通过蒸发冷却技术（Evaporative Cooling）来带走热量。这种方式虽然比传统的空调制冷更节能，但代价就是大量水分子的蒸发。

我查了一些相关的技术文档和研究数据，发现这个问题在干旱地区尤其突出：

• 蒸发损失： 为了维持恒定的工作温度，数据中心必须不断补充蒸发掉的水分，这在水资源匮乏的地区会直接与当地农业和居民用水产生冲突。
• 水质要求： 数据中心使用的并不是普通的自来水，而是需要经过深度处理的去离子水或高纯度水，以防止结垢损坏精密的热交换器，这进一步增加了水处理的能耗。
• 间接能耗： 制造这些高纯度水、通过水泵循环运输水，本身又会消耗大量的电力，形成了一个负反馈循环。

如果未来的 AI Agent 规模化部署，像 Claude Code 这种需要频繁调用推理能力的工具，或者像 Sora 这种生成视频的重度任务，其背后的算力集群如果缺乏高效的水循环利用系统（比如闭环冷却技术），环境压力会呈指数级增长。

现在的解决方案大多集中在“液冷技术”的实操上，通过冷板式液冷或者浸没式液冷，尽可能减少水分的蒸发。但说到底，这依然是一个关于算力成本与自然资源分配的博弈问题。