为什么人工智能数据中心耗水量如此之大？

AI 工作负载在物理服务器上运行。当 GPU、CPU、内存、存储和网络设备消耗电能时，这些电能中的绝大部分最终都会在数据中心内转化为热量。

传统Web服务器或许能处理轻量级请求，但AI训练和推理会让加速器在较长时间内保持高负载运行。密集排列的GPU机架在更小的空间内产生的热量，远比传统企业级IT设备要多。

因此，散热并非可有可无的舒适系统。它是维持芯片在安全工作温度范围内、避免降频、保护硬件并为用户提供可靠服务所必需的基础设施的一部分。

现代人工智能数据中心通常将数千块GPU组合成集群。这些GPU专为并行计算而设计，因此非常适合用于训练神经网络和处理推理工作负载。

正是这种密度，既赋予了人工智能基础设施强大的性能，同时也带来了散热压力。每机架安装的加速器越多，就意味着需要更大的供电能力、更复杂的网络连接、更多的内存，以及需要从服务器中散出的更多热量。

正因如此，人工智能数据中心与电力和制冷能力密切相关。一个选址可能拥有足够的土地或光纤连接，但仍可能受到可用电力、散热能力或当地用水条件的限制。

水在冷却方面非常有用，因为它能高效地传递热量。许多数据中心根据室外条件，采用冷水循环系统、冷却塔、蒸发冷却或结合空气和水的混合系统。

在蒸发式系统中，会故意让部分水蒸发以带走热量。这可以减少机械制冷所需的电能，特别是在温暖环境下与让冷水机组高负荷运行相比，但可能会增加当地的用水量。

并非所有数据中心都采用相同的设计。有些设施更多地依赖空气冷却，有些在芯片附近采用闭环液体冷却，还有些则使用再生水或非饮用水。水足迹取决于冷却架构、气候和运行策略。

直接用水是指数据中心现场消耗的水，通常用于冷却或湿度控制。这是该问题中最显而易见的部分，尤其是在水资源紧张的地区，当设施采用蒸发冷却技术时更是如此。

间接用水同样不容忽视。发电过程可能需要用水来冷却发电厂或生产燃料，具体取决于当地电网的情况。即使某数据中心在现场用水量很小，其消耗的电力仍可能与其用水量相关联。

这就是公众估计值差异巨大的原因之一。任何严肃的评估都必须明确说明，其计算范围是仅限于现场用水、供应链用水、与电力相关的用水、取水量、用水量，还是涵盖所有这些类别。

在凉爽且水资源丰富的地区消耗的一升水，其对当地的影响与在炎热、干燥且流域水资源紧张的地区消耗的一升水并不相同。因此，相同的降温技术根据所在地点的不同，可能会产生截然不同的后果。

气候条件影响自然冷却、蒸发冷却或机械制冷的使用频率。电网结构影响碳排放量。当地的水资源供应情况则决定了额外用水需求是微不足道的、存在争议的，还是在运营上难以实现的。

正因如此，数据中心的可持续性不能仅用一个全球性的数字来衡量。关键问题不仅在于用水量多少，还在于用水地点、用水时间，以及有哪些替代性的制冷或供电方案可供选择。

减少用水量有时反而会增加用电量。例如，采用避免蒸发冷却的设计方案可能会更多地依赖机械制冷机，这可能会在炎热时期增加能源需求。

情况也可能恰恰相反：如果电网的碳强度较高，利用水进行蒸发冷却可能会降低用电量，从而减少排放。哪种方案更优，取决于当地的水资源压力、电网的碳强度、天气状况以及硬件密度。

这就是为什么透明的报告至关重要。诸如衡量能源效率的PUE和衡量用水效率的WUE等指标虽然很有帮助，但必须结合当地实际情况来理解。节水型设计并不一定就是低碳的，而节能型设计也不一定就是节水的。

是的，但并没有一种放之四海皆准的解决方案。可选方案包括优化气流管理、提高运行温度、采用闭环液冷系统、使用干式冷却器、利用再生水和非饮用水、优化选址决策，以及采用更高效的人工智能硬件等。

AI 模型的优化同样至关重要。更小的模型、高效的推理、批量处理、缓存以及硬件专用化，都能降低特定服务的计算需求，从而间接减少发热量并降低制冷需求。

与此同时，如果人工智能的应用速度快于能效的提升速度，总需求仍可能继续增长。因此，实际目标不仅在于提高制冷效率，还包括加强信息披露、谨慎选址，以及在基础设施规划中充分考虑当地的水资源压力。