AI的水足迹：大型语言模型的可持续性成本

人工智能（AI） 正在各个行业迅速扩展，得到了 大型语言模型（LLMs） 的支持，例如 GPT-4、Claude 和 Gemini。这些模型需要在训练和使用过程中进行大量的计算。对此类系统的日益增长的依赖引发了人们对其环境影响的重大担忧。

人们已经对 AI 的能耗 和碳排放给予了关注。然而，讨论往往忽略了其水耗。大量的水被用于冷却数据中心。水也在电力和计算硬件的生产中被间接消耗。

全球对 AI 服务的需求日益增长，给已经有限的淡水资源带来了压力。这一趋势带来了可持续性挑战，特别是在面临水资源紧张和气候相关风险的地区。了解 AI 的水足迹对于做出明智的决定和长期环境规划至关重要。

AI 模型如何消耗水

运行大规模 AI 系统需要在数据中心中进行不间断的计算，这些数据中心处理着数十亿次操作。这个过程会产生大量的热量。为了防止硬件故障和保持最佳性能，必须有效地去除热量。 hầu hết的数据中心使用蒸发冷却系统来实现这一目的。这些系统严重依赖于淡水。冷却过程中，大部分水会蒸发并且无法被重复使用。因此，这个过程会导致大量的水提取和消耗。

研究人员最近开始测量 AI 训练的水影响。2023 年，由加利福尼亚大学河滨分校和德克萨斯大学阿灵顿分校的团队进行的一项研究估计，训练一个大型模型会消耗超过 700,000 升的清洁水。这大约是生产 370 辆宝马汽车所需的水量。这表明在高级 AI 的早期开发阶段会消耗多少水。

即使训练完成后，水的使用仍然继续。推理，即响应用户提示的过程，也需要在强大的计算系统上运行。这些系统在世界各地的许多地方全天候运行。每个用户请求都会增加计算工作量，也会增加冷却需求。由于广泛采用 AI 工具，如虚拟助手、聊天机器人和搜索引擎，用于推理的总水量不断增长。

据估计，全球数据中心每年会消耗超过 5600 亿升 的水，主要用于冷却。这个数字预计到 2030 年将大幅增加。主要原因是对 AI 驱动服务的需求日益增长。除了直接使用外，AI 还会间接导致水的消耗，特别是在依赖煤炭或核能的地区。这些能源来源需要大量的水来进行操作。

这种日益增长的水需求凸显了一个严重的问题。现在需要更好的冷却系统、可持续的基础设施和对水使用的透明报告。没有行动，AI 的持续扩张可能会给淡水供应带来更多压力。这对已经面临干旱或气候相关压力的地区来说尤其具有风险。

基础设施和冷却技术

AI 模型在云数据中心中运行，需要高性能芯片和专门的冷却系统来管理计算产生的热量。最广泛使用的方法是蒸发冷却，即将水喷入空气或表面以吸收热量。大量的水会蒸发并且无法被重复使用，从而导致高水提取率。

为了解决这个问题，一些数据中心正在采用替代的冷却方法，例如 液体浸没冷却 和 直接到芯片冷却。这些技术使用热导fluid 或封闭循环冷却系统来从处理器中去除热量。虽然更高效，但它们仍然涉及间接的水使用，特别是在能源来源于煤炭或核能的地区，这些地区需要大量的水来产生蒸汽和冷却。

冷却策略也取决于气候和位置。在面临水资源短缺的地区，数据中心运营商正在从蒸发冷却转向基于空气或封闭循环系统，以减少水的使用。然而，这些替代方案往往需要更多的能量，从而在水资源节约和碳排放之间产生权衡。

AI 基础设施的每个组件，从芯片级别的热量去除到整个设施的冷却和电力生成，都增加了整体的水足迹。对 AI 的日益增长的需求需要改进冷却和电力系统。没有更好的效率，水资源的压力将继续增加。

地理和环境因素对数据中心水消耗的影响

数据中心的水消耗受到其地理位置和当地环境条件的强烈影响。在高温地区，如亚利桑那州或德克萨斯州，冷却系统必须更加努力地保持服务器在稳定的工作温度。这导致了蒸发冷却方法的使用增加，在这种方法中，水会以蒸汽的形式丢失并且无法被重复使用。因此，这些中心比在斯堪的纳维亚等较冷地区的中心消耗了显著更多的水。湿度也起着重要作用。在干燥的气候中，蒸发更高效，这提高了冷却性能，但也增加了水的使用。

水的来源和可用性也至关重要。位于水资源短缺地区的数据中心通常依赖于市政供水，这些供水可能已经面临压力。这可能会导致与当地需求的竞争，例如饮用水或农业资源。一个著名的例子是 谷歌的数据中心 位于俄勒冈州的达勒斯。该设施的水使用引发了公众的担忧，特别是因为该地区当时正在经历干旱。

此外，大型 AI 模型的训练可能会导致水需求的突然激增。这些激增可能不会持续很久，但仍然会影响当地的水系统。如果没有适当的规划和预测，这可能会导致水供应的暂时失衡，包括河流水位降低或过度的地下水抽取。这种变化可能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，AI 相关的基础设施规划必须考虑当地的具体因素，例如温度、水供应和使用限制。可持续的部署需要明确的政策和在技术增长与环境保护之间的平衡。这包括与当地社区合作，了解区域水权，并选择合理利用水的冷却系统。

企业承诺和透明度差距

主要的 AI 公司越来越意识到自己的环境影响，并承诺改善自己的水资源管理实践。谷歌、微软和 Meta 都宣布了到 2030 年成为水正面的计划。这意味着他们旨在在全球运营中恢复比他们消耗的水更多的水。他们的努力包括流域恢复、雨水收集、灰水回收和支持当地的保护项目。

谷歌计划补充 120% 的水。它每年发布可持续发展报告，包括使用和恢复的数据。 微软 采用了非绝热冷却系统，可以将水的使用量减少多达 90%，与传统的冷却塔相比。 Meta 承诺在高压地区恢复 200% 的水，在中等压力地区恢复 100% 的水，重点关注水资源短缺最严重的地区。一些数据中心也开始使用现场循环利用系统或雨水收集来补充自己的水供应。

这些承诺很重要，因为大型语言模型的训练和部署需要强大的数据中心。这些运营消耗大量电力并产生大量热量，从而增加了对水密集型冷却的需求。随着 AI 服务在全球范围内扩展，特别是涉及大型语言模型的服务，其环境足迹也会增长。负责任的水资源使用正在成为可持续 AI 开发的关键部分。

减少 AI 的水足迹：简单步骤和集体行动

减少 AI 的水足迹需要技术、规划和共享责任的结合。在技术方面，设计更小、更高效的 AI 模型是一个重要的步骤。模型剪枝、量化和蒸馏等方法可以帮助减少模型大小和计算负载，从而减少能耗和冷却过程中所需的水。

选择合适的训练时间也很重要。在较冷的时期运行高强度的工作负载可以减少通过蒸发丢失的水。数据中心的位置也起着作用。在水资源可持续或靠近可再生能源源（如风能和太阳能）的地方建设设施可以减少与热能发电相关的间接水使用。AI 算法的进步，例如利用稀疏注意力或更高效的模型设计，以及硬件的改进，有助于减少整体的环境影响。

解决 AI 的水足迹问题需要一个超越技术公司的集体努力。政府在建立要求透明报告水使用和促进一致的评估标准的规则方面发挥着关键作用。他们还可以使可持续的水资源成为批准新数据中心的条件。环境组织通过监测声明、促进更强的政策和让行业负责来支持这一努力。地方当局应审查基础设施计划，考虑水资源，特别是在已经面临压力的地区。

个人用户也塑造了 AI 的发展方向。通过选择报告环境数据和致力于可持续性的平台，他们传递了一个明确的信息，表明什么是重要的。开发人员和研究人员必须在评估 AI 系统时考虑水的使用。在同一时间，大学和研究中心可以创建工具来更准确地测量和减少水的使用。

为了实现真正的进步，我们还必须专注于意识和明智的选择。许多人不知道，即使简单的 AI 查询也会带来隐藏的环境成本。当这一点被广泛了解时，它鼓励用户要求更好的做法，并激励公司采取负责任的行动。在同一时间，扩张大型语言模型的快速增长继续给已经有限的淡水资源带来压力。这使得将水使用作为 AI 整体环境影响的一个关键部分至关重要。实现有意义的变化将需要政策制定者、开发人员、公司和最终用户的集体努力。如果我们将水资源保护作为 AI 设计和部署的核心部分，我们可以保护至关重要的资源，同时仍然享受智能系统的好处。

结论

减少 AI 的水足迹不再是一个次要问题。这是一个在开发可持续技术方面至关重要的组成部分。训练和运行大型模型会对淡水供应造成损害，特别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、更好的硬件和负责任的数据中心规划。但真正的进步取决于不仅仅是技术。政府、公司、研究人员和用户都发挥着作用。明确的政策、透明的报告和公众的意识可以帮助做出更好的决定。通过将水的影响纳入我们对 AI 的初步思考中，我们可以防止对至关重要的资源造成长期的损害。