训练一个模型耗掉1.89万吨水，而一次语音对话喝掉500毫升

你点开AI助手，花了五分钟和它聊了会儿天。就在这五分钟里，远在千里之外的一座智算中心，为了处理你的语音识别、语义理解和答案生成，悄悄“喝”掉了一瓶500毫升的矿泉水。

很多人以为，和AI互动只是消耗一点电、占用一点网。实际上，每一次看似轻盈的答案跳动，背后都是以水、电、芯片为代价的真实物理世界。过去我们说“云计算”，那只是打了个比方。但AI时代的云，是真的在把水变成云——变成冷却塔上方飘散的水蒸气。

智算中心的机房，是真正意义上的“热锅”。里面挤满了成千上万颗GPU芯片，单颗芯片的功耗可以轻松突破700瓦，大致相当于一台微波炉或者一百部手机在持续运转。当一个机柜塞满这样的芯片、满负荷昼夜奔跑时，峰值功率能冲到140千瓦，芯片局部温度极短时间内就会飙过85摄氏度。这不是降速卡顿的问题，而是稍有不慎就会直接烧毁。

于是降温就成了硬刚需。而降温的方法，目前主要就是三种。第一种是最传统的风冷，简单讲就是电扇对着吹，把热空气赶走、把冷空气引进来。成本低，安装快，但散热效率也低得惊人，只适合早期低算力的小机房。第二种听起来很酷——浸没式液冷，把整个设备泡在特种绝缘冷却液里，散热效率极高。问题是，这套系统本身贵得离谱，冷却液也是高价消耗品，普及起来难。于是，板式液冷成了当下的最优解：让冷却液通过金属板带走热量，电子元件本身不接触液体，在效率和成本之间取了一个巧妙的平衡。

搞清楚降温原理之后，AI的“水费单”就更具象了。耗水最凶的阶段，并不是你提问的那几秒，而是前期的模型训练。大模型训练需要数万亿个参数在海量文本、图片和视频数据上反复调整，动辄要调动数千甚至上万块GPU，一连跑上数周到数月。这期间，冷却系统必须一刻不停地满负荷运转。当年训练GPT-4的算力集群，总耗水量高达1.89万吨。什么概念？相当于国内5000个居民整整一个月的用水总量。

前期的大水漫灌式烧水之后，就是日复一日的细水长流。你现在调用已经训练好的模型进行单次推理，用水量其实很小。研究人员测算过，进行一次约五分钟的AI语音对话，在智算中心里累积消耗的冷却水大约是500毫升，刚好一瓶矿泉水的量。但问题在于，AI应用的用户量动辄用千万甚至亿来计数，一瓶又一瓶矿泉水汇到一起，就变成了一股洪流。一座稳定运行的大型AI智算中心，年耗水量轻易可达数百万吨。而一个中等城市所有家庭每天的用水量，不过几十万吨。换句话说，一座智算中心相当于给这座城市额外增加了一个社区的水务负担。把尺度再拉大一点看，全球AI算力基础设施每年的耗水总量，已经逼近爱尔兰全国居民的全年生活用水量。

更要命的是，这些被喝掉的水，有相当一部分是收不回来的。现在主流的智算中心普遍采用两级水冷结构。第一级是紧贴机柜的闭式循环水路，在内部循环为芯片散热，水量损耗极少。真正耗水的是第二级系统——它负责把一级系统的热量搬运出来，做最终的散热释放。在这一步，绝大部分水在冷却塔里直接被蒸发飘散，根本无法回收循环。如果把眼光从冷却系统本身再往外扩一些，AI“喝”掉的水远不止这些。冷却系统自己也要耗电：水泵需要把水送进管道，风机需要制造气流，制冷设备还得不断调节温度。这些辅助设备的耗电量，通常占智算中心总用电量的15%到25%。而电力生产本身，同样是一座巨大的隐形水塔。不管是火电、水电还是核电，大规模发电系统都与水资源深度绑定。好比说，江西省最大的水电站万安水电，其全年的发电量也只够满足两座超大型智算中心的使用。再算上芯片制造、机房设备清洗、中水预处理、污水净化这一连串上下游环节，AI那个看似轻盈的虚拟交互界面，背靠的其实是一张庞大又切实的水资源消耗网络。

那么，这些越来越渴的AI，到底该去哪儿找水喝？我国的算力布局，正在上演一场典型的东西部水资源博弈。东部地区城市密集、企业扎堆，算力需求最旺盛，但土地紧张、电价高昂、水资源本身也不宽裕。现在东部地区已经严禁新建高耗水的开式冷却塔算力项目，同时在强制性推广中水回用、闭式冷却与浸没液冷技术。比如南宁、广州的一些智算产业园，已有近一半的冷却水来自市政再生中水。而在西部地区，水电资源丰富、水源充沛，加上气候干燥凉爽，自然冷却效率高出一个台阶，成本也低。于是“东数西算”工程才应运而生。如果把全国智算中心网络看作一台巨型发动机，那么东部负责踩下算力需求的油门，西部就负责提供能源和散热的那一部分。贵州贵安、内蒙古和林格尔、甘肃庆阳等西部区域早已建起算力枢纽，专门承接离线计算和大模型训练这类任务。

但西部也并不是完美无缺的应许之地。冷却系统对水质的要求极高，需要的是纯净度足够的软化水，而西部部分区域水质本来就偏硬，处理成本反而上去了。再加上高原地区蒸发量本就比平原大，冷却塔的水损耗也就跟着水涨船高，并没有想象中那么划算。

那么，能不能从根本上让AI少喝点水？让大家集体减少AI的使用，显然不现实。更有价值的思路，是从源头上压缩AI本身的产热规模。比如用低功耗先进制程的GPU，配合分布式轻量化推理模型，让算力从一开始就不产那么多热源。更省电的芯片和更高效的算法，也在改变AI对水资源的依赖模式。研究人员已在尝试神经形态芯片，模拟人脑神经元的工作方式，功耗仅为传统芯片的千分之一。还有光子计算，用光而非电来传输信息，几乎不产生热量。如果这些技术路线能跑通并走向成熟，AI确实有可能进化成一种“只动脑、不流汗”的理想形态。与此同时，在冷却端也有不少低能耗替代方案在往前推进，包括密闭两相浸没液冷、海水冷却海底数据中心，以及余热制冷技术。在工业生态内部，还可以通过能量的梯级循环来降低整体消耗。举例来说，火电机组为算力中心供电时，其发电余热可以被用来驱动制冷机；算力中心周边的钢铁、化工企业排放的余热，也能被接入制冷循环。更进一步，可以让工业余热先发一轮电，剩余热量再依次拿去给数据中心制冷、给建筑供暖、给温室供热，一层一层把能量榨到极致。欧洲已有多个算力中心实现了余热接入城市热网的实践。

当然，AI并不会真的把地球上的水喝光。相比于工业和农业这些核心耗水部门，它的用水量目前仍然只是全球用水大盘中的一部分。但这个急速膨胀的新玩家也清楚地提醒我们一件事：数字世界从未真正脱离物理世界的法则而存在。我们期待模型更大、算力更强，但与此对应的，是期待它用每一滴水、每一度电换来更实在的价值。