人工智慧為何需要水——幕後令人驚訝的真相

By: WEEX|2026/04/06 15:01:06

高效能硬體的散熱

人工智慧需要大量水的主要原因是訓練和運行這些模型所使用的硬體會產生強烈的熱量。人工智慧依賴於專用處理器，例如圖形處理單元 (GPU) 和張量處理單元 (TPU)，它們每秒可執行數十億次計算。這種集中的電活動會產生大量的熱能。如果這種熱量得不到有效控制，硬體性能可能會下降，甚至遭受永久性物理損壞。

傳統數據中心採用空氣冷卻，即將冷空氣吹過伺服器。然而，隨著人工智慧模型的複雜性不斷增加，伺服器機架的功率密度已經超過了標準空調系統的能力。水比空氣具有更高的轉移效率。它可以更快地吸收和帶走熱量，因此成為現代高效能計算環境的首選。

蒸發冷卻系統

許多數據中心採用蒸發冷卻來維持最佳溫度。在這些系統中，水蒸發到空氣中以降低設施的溫度。雖然這種方法有效，但它會「消耗」水，因為液體被轉化為蒸氣並釋放到大氣中，而不是被收集和再利用。這通常是人工智慧生命週期中最大的直接用水來源。

晶片級液冷

2026 年，一種更先進的方法是直接晶片冷卻，這種方法將逐漸得到應用。這涉及到通過直接位於處理器頂部的細管道或「冷板」循環水或專用冷卻劑。這種針對性的方法從源頭上消除熱量，從而可以提高數據中心的密度。雖然其中一些系統是「閉環」的，意味著它們循環利用相同的水，但它們仍然需要外部冷卻塔，而這些冷卻塔通常依賴蒸發來冷卻循環流體。

電力與間接使用

除了數據中心現場直接用水外，人工智慧還會產生巨大的「間接」水足跡。這與伺服器運行所需的電力有關。大多數發電廠——無論是核能發電廠、煤電發電廠還是天然氣發電廠——在發電過程中都需要大量的水進行冷卻。即使是一些可再生能源，如水力發電，也與水的供應和管理直接相關。

研究人員估計，到2026年，人工智慧數據中心每消耗一千瓦時電力，發電廠就會消耗幾升水。由於人工智慧訓練運行可能持續數週或數月，並消耗兆瓦級電力，因此間接用水量往往遠遠超過冷卻塔的直接用水量。這會給當地水資源造成雙重負擔：一次是在發電廠，一次是在數據中心。

測量水足跡

量化人工智慧互動究竟消耗了多少水是一項複雜的工作，但最近的研究已經提供了驚人的基準數據。每次用戶向大型語言模型發送提示時，系統都會消耗少量水。雖然一條信息可能只佔幾毫升的液體，但全球使用規模之大——每天發生數十億次互動——導致了巨大的累積影響。

活動類型	預計用水量	背景/規模
單次人工智慧聊天互動	約5毫升至50毫升	因型號大小和數據中心效率而異。
訓練大型模型（例如，GPT-4類）	約70萬至100萬升	訓練階段採用直接冷卻方式。
2026 年全球人工智慧經濟年度報告	約 23 至 25 立方公里	直接消費和間接消費的總和。
每日常數生成	18 至 36 加侖	個人運行高負載任務的用戶。

消費方面的區域差異

用水量在很大程度上取決於數據中心所在地的氣候。在較冷、潮濕的氣候條件下，數據中心可以透過引入室外空氣進行「自然冷卻」，從而減少用水量。在炎熱或乾旱地區，對蒸發冷卻的依賴程度會急劇上升。這導致在一些地區出現環境問題，因為數據中心與當地居民和農業爭奪有限的淡水資源。

-- 價格

可持續冷卻創新

為了應對日益增長的環境壓力，該行業正在轉向更可持續的冷卻技術。最有前途的發展之一是向閉環、無蒸發系統過渡。這些系統的工作原理類似於汽車散熱器，透過密封回路循環相同的水。雖然建造它們的成本更高，而且運行風扇需要更多的電力，但它們實際上消除了對當地水資源的直接消耗。

浸沒式冷卻是另一個前沿領域。在這種配置中，整個伺服器刀片都浸沒在非導電的介電液體中。這種流體比水或空氣更有效地捕獲熱量，並且可以使用不需要蒸發的熱交換器進行冷卻。隨著我們邁入 2026 年，這些「節水型」設計正在成為缺水地區新建設施的標準。

數位資產的作用

人工智慧所使用的基礎設施通常與處理數位資產和區塊鏈交易所使用的硬體是共享或類似的。這兩個行業都面臨著資源消耗方面的審查。對於那些對這些高性能網路的底層技術或經濟訂單方向感興趣的人來說，像 WEEX 這樣的平台提供了獲取驅動和資金這些生態系統的數位資產的途徑。您可以透過WEEX 註冊綁定/連結探索這些市場，了解該行業的發展趨勢。