人工智能的水足迹：大型语言模型的可持续性成本

DigiOps与人工智能 正在各行各业迅速扩张， 大型语言模型 (LLM) 如 GPT-4、Claude 和 Gemini。这些模型无论是在训练期间还是在日常使用中都需要强大的计算能力。对此类系统的日益依赖引发了人们对其环境影响的担忧。

已经引起了广泛关注 人工智能的能源消耗 以及碳排放。然而，讨论中经常忽略了水的消耗。大量的水被用于冷却数据中心。电力和计算硬件的生产也间接消耗了水。

全球对人工智能服务的需求不断增长，加剧了本已有限的淡水资源压力。这一趋势带来了可持续发展的挑战，尤其是在面临水资源压力和气候相关风险的地区。清晰地了解人工智能的水足迹至关重要。这有助于做出明智的决策，从而实现负责任的发展和长期的环境规划。

人工智能模型如何消耗水

运行大规模人工智能系统需要在处理数十亿次运算的数据中心进行不间断的计算。这一过程会产生大量热量。为了防止硬件故障并保持最佳性能，必须有效地散热。大多数数据中心为此使用蒸发冷却系统。这些系统严重依赖淡水。在冷却过程中，大量的水会蒸发，无法重复利用。因此，这一过程会导致大量的取水和耗水。

研究人员最近开始测量人工智能训练对水的影响。2023 年， 加州大学河滨分校和德克萨斯大学阿灵顿分校 据估计，训练一个大型模型需要消耗超过700,000万升的清洁水。这大约相当于生产370辆宝马汽车所需的水量。由此可见，在先进人工智能的早期发展阶段，水资源的消耗量有多么巨大。

即使训练完成后，用水量仍在继续。推理，即响应用户提示的过程，也依赖于强大的计算系统。这些系统在世界各地全天候运行。每个用户请求都会增加计算工作量，同时也会增加冷却需求。由于虚拟助手、聊天机器人和搜索引擎等人工智能工具的广泛应用，推理的总用水量持续增长。

据估计，全球数据中心的能耗超过 560亿升 每年耗水量主要用于冷却。预计到2030年，这一数字将大幅增长。一个重要原因是人工智能驱动服务的需求不断增长。除了直接用水外，人工智能还会导致间接用水。这发生在电力生产过程中，尤其是在依赖煤炭或核电的地区。这些能源的运行需要大量的水。

日益增长的用水需求凸显了一个严重的问题。目前迫切需要更好的冷却系统、可持续的基础设施以及透明的用水报告。如果不采取行动，禽流感的持续蔓延可能会给淡水供应带来更大压力。对于那些已经面临干旱或气候相关压力的地区来说，这尤其危险。

基础设施和冷却技术

人工智能模型运行在云数据中心安装的高性能芯片上。这些中心需要专门的冷却系统来管理持续计算产生的热量。最广泛使用的方法是蒸发冷却，即将水喷洒到空气中或表面以吸收热量。这些水的很大一部分会蒸发，无法重复利用，导致取水率很高。

为了解决这个问题，一些数据中心正在采用替代冷却方法，例如 液浸冷却 和 直接芯片冷却这些技术使用导热流体或闭环冷却系统来去除处理器的热量。虽然效率更高，但仍需间接用水。这发生在系统设置过程中或发电过程中，尤其是在使用煤炭或核能发电的地区，这两种发电方式都需要大量的水来产生蒸汽和冷却。

冷却策略也因气候和地理位置而异。在水资源短缺的地区，数据中心运营商正在放弃蒸发冷却，转而使用空气冷却或闭环系统来减少用水量。然而，这些替代方案通常需要更多的能源，因此需要在节水和碳排放之间做出取舍。

人工智能基础设施的每个组成部分，从芯片级散热到全设施冷却和发电，都会增加整体水足迹。日益增长的人工智能需求必然要求改进冷却和电力系统。如果效率不提高，水资源压力将持续上升。

地理和环境对数据中心耗水量的影响

数据中心的耗水量很大程度上受其地理位置和当地环境条件的影响。在亚利桑那州或德克萨斯州等高温地区，冷却系统必须更加努力地保持服务器稳定的工作温度。这导致蒸发冷却方法的使用增加，但这种方法中的水会以蒸汽的形式流失，无法重复利用。因此，这些数据中心的耗水量明显高于斯堪的纳维亚半岛等较冷地区的数据中心。湿度也起着重要作用。在干燥的气候条件下，蒸发效率更高，这虽然可以提高冷却性能，但也会增加用水量。

水源和水资源的可用性也至关重要。缺水地区的数据中心通常依赖市政供水，而市政供水可能已经不堪重负。这可能会导致与当地需求（例如饮用水或农业资源）产生竞争。一个众所周知的例子是 谷歌的数据中心 位于俄勒冈州达尔斯。该设施的用水情况引发了公众担忧，尤其是考虑到该地区当时正经历干旱。

此外，大型人工智能模型的训练可能会导致用水需求突然激增。这些激增可能不会持续很长时间，但仍会影响当地的供水系统。如果没有适当的规划和预测，这可能会导致供水暂时失衡，例如河流水位下降或地下水过度开采。这些变化会损害当地的生态系统，并降低生物多样性。

为了应对这些挑战，人工智能相关的基础设施规划必须考虑当地的具体因素，例如气温、供水和用水的法律限制。可持续部署需要明确的政策，并在技术发展与环境保护之间取得谨慎的平衡。这包括与当地社区合作，了解区域水权，以及选择合适的、负责任地利用水资源的冷却系统。

企业承诺和透明度差距

大型人工智能公司越来越意识到自身对环境的影响，并承诺改进水资源管理实践。谷歌、微软和Meta分别宣布了到2030年实现水资源正效益的计划。这意味着他们的目标是在全球运营中恢复的水资源量超过消耗量。他们的努力包括流域修复、雨水收集、灰水回收以及支持当地保护项目。

谷歌计划补充 120%的水 它消耗能源。它发布年度可持续发展报告，其中包括使用量和回收量数据。 Microsof它采用了绝热冷却系统，与传统冷却塔相比，可减少蒸发并减少用水量高达 90%。 元 已承诺恢复高压力地区200%的用水，以及中等压力地区100%的用水，并将重点放在缺水问题最严重的地区。一些数据中心也已开始使用现场回用系统或雨水收集系统来补充供水。

这些承诺意义重大，因为法学硕士（LLM）的训练和部署需要强大的数据中心。这些操作会消耗大量电力并产生大量热量，从而增加了对耗水量大的冷却系统的需求。随着人工智能服务（尤其是涉及法学硕士的服务）在全球范围内的扩张，其环境足迹也在不断增长。负责任地利用水资源正成为人工智能可持续发展的关键组成部分。

减少人工智能的水足迹：简单步骤和集体行动

减少人工智能的水足迹需要高效的技术、周密的规划和共同的责任。在技术方面，设计更小、更高效的人工智能模型是重要的一步。模型剪枝等方法， 量化及 蒸馏 有助于减小模型尺寸和计算负载。这可以减少能耗，并降低训练和使用过程中所需的冷却水量。

选择合适的训练时间也很重要。在较冷的季节运行密集型工作负载可以减少水分蒸发。数据中心的位置也起着重要作用。在水资源可持续的地区或靠近风能和太阳能等可再生能源的地区建设数据中心，可以减少与火力发电相关的间接用水量。人工智能算法的进步，例如利用稀疏注意力机制或更高效的模型设计以及改进的硬件，有助于减少整体环境影响。

解决人工智能的水足迹问题需要科技公司以外的各方通力合作。政府在制定透明的用水报告规则和推广一致的评估标准方面发挥着关键作用。政府还可以将可持续水源作为批准新数据中心的条件。环保组织通过监测用水需求、推动更强有力的政策以及督促行业承担责任来支持这项工作。地方政府应在审查基础设施规划时考虑水资源问题，尤其是在已经面临水资源压力的地区。

个人用户也塑造着人工智能的发展方向。通过选择报告环境数据并致力于可持续发展的平台，他们清晰地传达了重要的信息。开发人员和研究人员在评估人工智能系统时必须考虑用水量。同时，大学和研究中心可以创建工具来更准确地测量和减少用水量。

为了取得真正的进步，我们还必须注重提高公众意识和做出明智的选择。许多人没有意识到，即使是简单的人工智能查询也会产生隐性的环境成本。当这一点广为人知时，它将鼓励用户要求更好的实践，并促使企业采取负责任的行动。与此同时，大型人工智能模型的快速扩张持续加剧了本已有限的淡水资源压力。因此，将水资源利用视为人工智能整体环境影响的关键组成部分至关重要。实现有意义的改变需要政策制定者、开发者、企业和最终用户的共同努力。如果我们将水资源管理作为人工智能设计和部署的核心部分，我们就能在保护重要资源的同时，仍然享受智能系统带来的好处。

底线

减少人工智能的水足迹已不再是次要问题，而是发展可持续技术的关键组成部分。训练和运行大型模型会对淡水供应造成损害，尤其是在已经面临气候压力的地区。

为了解决这个问题，我们需要更智能的模型、更先进的硬件和更负责任的数据中心规划。但真正的进步不仅仅取决于技术。政府、企业、研究人员和用户都应发挥作用。清晰的政策、透明的报告和公众意识有助于推动更明智的决策。将水资源影响纳入我们对人工智能的初步思考中，我们就能防止重要资源受到长期损害。