“跟AI聊一次，就会耗掉一瓶水。”

类似的论断最近又火了。它一下把很远的东西拉近了。数据中心、GPU、冷却塔、电网，这些词普通人没感觉；“浪费”一瓶矿泉水，大家马上就懂。

但问题也在这里。它很容易被误解成：我每问AI一次，世界某个地方就有一瓶水被倒掉。

这就不准确了。

AI确实不是无成本的魔法。你在手机上打字，真正干活的往往是远处的数据中心。芯片计算要用电，用电会发热，机器要降温。有些数据中心会用蒸发冷却、冷却塔或其他水冷方案，所以水会进入这套基础设施。

只是，这笔账不能按“一问一瓶水”这么粗地计算。

一瓶水的说法，准确吗？

“AI耗水”这个说法不是凭空来的。早期研究把模型训练、推理、数据中心冷却、地区电力结构等因素放在一起估算，确实提出过一个很有传播力的量级：若干轮对话可能对应大约一瓶500毫升水的消耗。

它的价值，是把大家从“云端无成本”的幻觉里拉出来。

以前很多人觉得数字服务很轻。发一条消息、生成一张图、让AI改一段文案，好像只是屏幕亮了一下。可背后是机房、电网、散热系统和工程团队。所谓云，不是天上飘的雾，而是一排排机器。

但这些估算一旦进入短视频和社交传播，就容易被传得离谱：一次AI对话喝掉一瓶水。

这里至少有三层口径被混在一起了。

第一，取水和耗水不是一回事。数据中心可能从市政、地表水、地下水或再生水系统取水，其中一部分被蒸发消耗，一部分可能处理后排回系统。第二，现场用水和间接用水也不是一回事。机房冷却是一部分，发电环节也可能有水足迹。第三，不同地区差别很大。寒冷地区、湿热地区、缺水地区，采用同样算力，环境含义完全不同。

所以一个单次请求到底“用掉多少水”，不是像水表读数那样固定。

Google在2025年公布过一组生产环境测量：Gemini Apps一次中位文本提示大约消耗约0.26毫升。这个数字和“一瓶水”相比，差了好几个数量级。

这是不是说明“一瓶水”完全是谣言？

也不能这么说。这两个数字问的不是同一个问题。一个是在较宽边界里估算AI模型和数据中心系统的水足迹，一个是在特定产品、特定文本提示、特定生产系统里的中位测量。

问题不在用户的使用

普通用户最容易被带偏的地方，是把这件事理解成个人道德题。

好像以后问AI之前，先要想一想：我这个问题值不值一瓶水？

这种焦虑意义不大。

如果你用AI写代码、查资料、做方案、辅助学习、提高工作效率，这类使用当然有资源成本，但它也可能替代别的搜索、会议、试错和重复劳动。真正该反感的，不是一次有价值的提问，而是平台和应用把无意义生成、重复调用、低效模型和炫技功能包装成“免费、无限、随便用”。

AI的水账，关键不在单次请求像不像一瓶水，而在规模。

单次如果只有毫升级，听起来很小。但如果每天有数以亿计的请求，再加上图像、视频、语音、企业自动化调用、智能体反复试错，总账就会变大。更麻烦的是，AI不是只消耗水，它还和电力、芯片、土地、网络、电网接入绑在一起。

国际能源机构近年的报告一直在提醒，数据中心和AI会推高用电需求。这个趋势不意味着AI不能发展，但意味着行业不能只讲模型能力、用户增长和融资故事，也要讲能源账、用水账和基础设施账。

这也是为什么“单次请求被纠偏”并不等于“行业问题消失”。

有人拿毫升级数据说，你看，AI根本不耗水，大家别大惊小怪。这也太轻巧了。一个普通请求可以很省，一个行业总账仍然可以很重；一座机房可以做到高效率，另一座建在水压力大的地方就可能给当地资源带来压力。

科技进步不是免罪牌，恐吓数字也不是事实。

数据中心不是只拼省电

过去大家谈数据中心，最熟的指标是PUE，大概意思是机房总耗电和IT设备耗电的比例。PUE越低，说明电没有太多浪费在冷却、配电等环节。

但AI时代只盯PUE不够。因为省电和省水有时会互相拉扯。

有些蒸发冷却方案能减少空调用电，但会增加现场耗水。有些少用水的方案可能需要更多电力。液冷、闭环冷却、再生水利用、雨水收集、把高负载计算调度到气候更合适的地区，这些办法都在推进，但没有哪个是放之四海皆准的万能答案。

真正专业的算账，要同时看几个问题。

机房建在哪里？当地是不是缺水？用的是饮用水、工业水还是再生水？一年中最热的时候怎么降温？高峰负载怎么调度？水和电的数据有没有公开？企业说的“补水”“水正效益”，到底是在同一个流域解决问题，还是在另一个地方做漂亮报表？

这些问题，比争论“到底是0.26毫升还是500毫升”更重要。

因为AI基础设施的环境压力不是平均分布的。对一个水资源充足、气候凉爽、电网清洁的地区来说，同样的算力负担可能比较可控；对一个本来就缺水、夏季高温、电网紧张的地区来说，新增大型数据中心就是硬约束。

这也是为什么未来AI公司的竞争，不会只看谁的模型聪明。谁能把同样的回答算得更便宜、更省电、更少水，谁能把机房放在更合理的位置，谁能公开让外界看懂的水电口径，谁才是真的有长期能力。

普通用户，到底是否需要关心AI耗水？

那普通用户到底该怎么办？

第一，不用被“一问一瓶水”吓到不敢用AI。这个说法不是单次对话的精确计量，更不是每次屏幕一亮就少一瓶矿泉水。

第二，也别因为看到毫升级数据，就把AI当成完全没有环境成本。你问一句可能很小，十亿人问、机器自动问、应用后台反复问，就不是小事。

第三，少一点无意义滥用是好习惯，但更关键的是把责任放回该承担的人身上。普通用户可以更理性地使用工具。

这里还要分清“个人节约”和“系统治理”。

个人当然可以少生成一点没必要的内容，比如反复让模型写十版差不多的祝福语，或者让图片模型为了一个表情包试几十次。省一点是一点，这不是坏事。但如果讨论停在个人羞耻感上，就会把更大的账遮住。

真正决定水电压力的，是模型默认调用多大、产品有没有缓存和复用、企业有没有把轻任务交给小模型、数据中心有没有避开水压力高的地区、年度报告有没有把口径说清楚。

换句话说，普通用户能做的是理性使用；平台该做的是别浪费算力；行业和城市该做的是把这门生意放回资源约束里评估。三者不是一回事。

我们真正需要的，不是让每个用户在提问前背负负罪感，而是让行业别继续把算力包装成无边无际的云。

AI越普及，越要从神话回到工业。工业不丢人，工业推动效率，也创造价值。但工业必须算账。电从哪里来，热往哪里去，水从哪里取，压力落在哪个城市、哪条河流、哪个季节，这些都应该被说清楚。

写在最后

“AI一问一瓶水”这句话提醒我们，数字世界不是脱离现实的漂浮物。但如果真想理解AI的资源成本，就不能停在这个吓人的比喻上。

正确的问题不是：我这一句AI到底喝没喝掉一瓶水？

更好的问题是：这个模型有没有用更少算力给出同样答案？这个数据中心是不是建在合适的地方？它用的是什么水？水电口径有没有公开？当AI从聊天工具变成社会基础设施时，谁来给这笔总账负责？

把账算清，AI才算真正走出魔法阶段。

也只有把账算清，我们才能既不被热搜吓住，也不被漂亮数据哄住。