餵飽AI，需要多少水？

### 餵飽 AI，需要多少水？

隨著 ChatGPT 等生成式 AI 服務在全球爆紅，許多人開始好奇：每一次與 AI 的對話，背後究竟隱藏著多大的環境代價？根據現有討論，答案可能出乎意料——不只是運算晶片在耗電，龐大的資料中心為了降溫，也需要消耗大量水資源。換句話說，你和 AI 聊上幾句，背後的水足跡可能比你想像中更可觀。

#### 重點整理：AI 耗水的關鍵環節

要理解 AI 為何會「吃水」，首先得從資料中心的運作模式看起。當我們輸入問題給 AI 模型時，背後需要動用成千上萬顆 GPU 或專用晶片進行即時運算。這些晶片在高速運轉下會產生極高熱能，為了避免過熱當機，資料中心普遍採用液體冷卻或蒸發冷卻系統，而這些技術往往依賴大量自來水或循環用水。此外，製造硬體晶片本身的製程也需要大量超純水來清洗矽晶圓，因此從晶圓廠到伺服器機房，每一環節都在默默消耗水資源。

#### 背景脈絡：AI 爆發與水資源壓力

過去幾年，大型語言模型參數規模從數十億暴增到數千億、甚至上兆，訓練一次模型就可能耗費數百萬美元電費，而冷卻用水同樣可觀。例如在美國亞利桑那州、中國內蒙古等乾旱地區，資料中心與當地農業、民生用水形成競合關係。隨著各國紛紛投入 AI 軍備競賽，資料中心數量快速成長，2023 年全球資料中心用水量已達數十億立方公尺，預計未來只會更高。這波 AI 熱潮因此不再只是技術議題，而是直接牽動水資源分配的永續挑戰。

#### 可能影響：從環境到企業策略

首先，對環境而言，大量抽取地下水或河川水用於冷卻，可能導致區域水源枯竭、生態系統受損。其次，企業端也開始面臨壓力：投資人與消費者越來越關注 ESG 表現，若科技巨頭無法透明揭露用水數據或推動節水措施，可能引發公關危機與監管風險。反過來說，能夠率先採用高效冷卻技術（如浸沒式液冷、海水淡化冷卻）的公司，將在未來獲得競爭優勢。最後，政府層面也可能加速制定資料中心用水標準，要求新設機房必須配置回收系統或選址於水資源豐沛區域。

#### 讀者可關注的後續

接下來幾個方向值得持續追蹤：第一，各大雲端服務商（如 Google、Microsoft、AWS）已陸續承諾 2030 年前實現「水資源正效益」，實際進展與技術細節將是觀察重點。第二，新型冷卻技術（如直接晶片液體冷卻、兩相浸沒式冷卻）能否普及，直接影響整體用水曲線。第三，台灣身為半導體與伺服器製造重鎮，資料中心與晶圓廠的用水效率也將是國內環保團體與投資人關心的焦點。一般使用者雖然無法直接改變 AI 的基礎建設，但可以透過選擇採用綠電與水資源回收方案的雲端服務，間接推動產業轉型。

#### 小結：每一句話都有成本

回到開頭的問題：「和 AI 聊上幾句，究竟會消耗多少水？」目前業界並無統一計量方式，因為每座資料中心的冷卻設計、氣候條件、當地水資源負載都不同。但可以確定的是，隨著 AI 應用滲入日常，這項「隱形水足跡」只會愈來愈顯著。如何在智慧科技與環境永續之間取得平衡，將是 2025 年後所有科技公司與政策制定者無法迴避的課題。