AI模型的训练和推理不仅消耗电力，也消耗大量水资源。然而，用水问题的严重程度并非一概而论，数据中心的地理位置和冷却技术是决定性因素。
发生了什么
近期，关于AI用水量的讨论逐渐升温。数据中心在运行过程中，服务器产生大量热量，需要冷却系统维持适宜温度。传统冷却方式依赖蒸发散热，会消耗大量淡水。随着AI算力需求激增，全球数据中心的数量和规模不断扩大，其总用水量也随之上升。不同地区的用水强度差异显著：在炎热干旱地区，冷却系统需要更多水分；而在气候凉爽或水资源丰富的地区，影响相对较小。此外，先进的冷却技术，如循环水系统和直接芯片冷却，能显著降低淡水消耗，但普及率仍有限。
为什么重要
AI的用水问题并非新现象，但过去关注点集中于碳排放，水足迹常被忽视。然而，水资源短缺已成为全球性挑战，尤其在数据中心密集的西部干旱地区，如美国亚利桑那州和智利等地，居民与数据中心的用水矛盾日益突出。科技公司承诺可持续发展目标时，往往聚焦于可再生能源，却较少公开用水数据。随着监管压力和公众意识提升，用水问题正成为AI环境影响的另一大焦点。理解用水问题的复杂性，有助于避免简单化的“AI耗水”论调，而转向更精准的评估和解决方案。
影响与看点
对行业而言，数据中心选址将更加审慎，可能向气候凉爽或水资源丰富地区迁移，或采用更高效的冷却技术。对开发者而言，模型训练的效率优化不仅能减少计算成本，也能间接降低水耗。对用户来说，AI服务的水足迹将逐渐透明化，成为企业ESG报告的一部分。值得关注的是，科技公司是否会像承诺碳中和一样，设定明确的用水目标。此外，新型冷却技术如液冷和热回收系统的商业化进程，将决定AI能否在增长的同时减轻环境负担。独立判断：AI的用水问题并非不可解，关键在于将水视为与电力同等重要的资源，并在设计数据中心时优先考虑当地水文条件。
