OpenAIs administrerende direktør, Sam Altman, udtalte offentligt, at en gennemsnit ChatGPT-forespørgsel bruger ≈0.000085 gallon af vand (ca. 0.32 milliliter, cirka en femtendedel af en teskefuld) og ≈0.34 watt-timer af elektricitet pr. forespørgsel. Dette tal pr. forespørgsel, når det ganges i stor skala, bliver meningsfuldt, men forbliver langt mindre end mange tidligere alarmistiske overskrifter hævdede — forudsat Du accepterer Altmans antagelser om energi pr. forespørgsel og vandforbrugseffektiviteten i de datacentre, der betjener ChatGPT. Uafhængige analyser, der bruger forskellige antagelser (især forskellige værdier for vandforbrugseffektivitet, WUE) producerer tal, der kan være flere gange højere eller lavere.
Hvor meget vand bruger en enkelt ChatGPT-forespørgsel egentlig?
Hvad OpenAI (og dets administrerende direktør) har sagt
I offentlige udtalelser har OpenAIs administrerende direktør og talsmænd angivet et meget lille tal for vand pr. forespørgsel: omtrent 0.32 milliliter pr. forespørgsel, hvilket konverteres til ca. 0.000085 gallon (≈8.45×10⁻⁵ gal). Det er omtrent en femtendedel af en teskefuld vand pr. forespørgsel, og det er det tal, der oftest citeres, når virksomheder forsøger at demonstrere den lille marginale effekt af individuelle interaktioner.
Hvorfor uafhængige estimater er forskellige
Uafhængige forskere og NGO'er bruger en anden tilgang: de estimerer den elektriske energi, der forbruges pr. forespørgsel, og ganger derefter med en vandintensitet (vandforbrug pr. enhed elektricitet) for at få et tal for vand pr. forespørgsel. To almindelige inputelementer er:
- Energi pr. forespørgsel. Flere tekniske estimater placerer svar i ChatGPT-stil i nærheden af 2–4 watt-timer (Wh) pr. forespørgsel (2.9 Wh er et almindeligt citeret centralt estimat). Det vil sige 0.0029 kWh pr. forespørgsel.
- Vandintensitet (WUE / vand pr. kWh). Datacentermålinger varierer efter design og region. Et ofte citeret "branchegennemsnit" for vandforbrugseffektivitet (WUE) handler om 1.8 liter pr. kWh (≈0.475 gallon/kWh) — men de målte værdier spænder meget (fra nær nul for lukkede luftsystemer op til flere liter pr. kWh for fordampningssystemer, når det rapporteres som forbrug eller udtag).
At sætte disse sammen giver en enkel konvertering:
- Ved brug af 2.9 Wh/forespørgsel (0.0029 kWh) og 1.8 L/kWh → 0.00522 l/forespørgsel = 5.22 milliliter ≈ 0.00138 gallon pr. forespørgsel.
Det energibaserede estimat (~5 ml / 0.0014 gal) er en størrelsesorden større end OpenAIs tal pr. forespørgsel (0.32 ml). Forskellige antagelser om energi pr. forespørgsel, WUE, om indirekte vand fra elproduktion skal inkluderes, og hvilken del af modellen (træning vs. inferens) du allokerer til "en forespørgsel", forklarer en stor del af forskellen. Se nedenfor for intervaller og følsomhedsanalyse.
Hvordan omsætter datacentres kølesystemer elektricitet til vandforbrug?
Hvad "vandforbrug" betyder: forbrug vs. udtag
Udtrykket "vand brugt af et datacenter" kan betyde forskellige ting:
- Forbrug på stedet (fordampet): Vand, der fordampes i køletårne/adiabatiske systemer og ikke føres tilbage til lokale vandområder. Dette er normalt den mest afgørende faktor for lokal vandbelastning.
- Tilbagetrækning: Vand taget fra en kilde (flod, sø, grundvandsmagasin) og senere returneret (muligvis varmere eller kemisk behandlet). Udtaget kan være stort, selv hvor forbruget er lavt.
- Indirekte vand (indbygget i elektricitet): vand, der bruges til at producere den elektricitet, der driver datacentret (termoelektriske kraftværker, vandkraft osv.). Mange livscyklusstudier inkluderer dette.
Rapporter og regulatorer bruger forskellige kombinationer af disse målinger. For en operationel, lokalt meningsfuld indikator anvendes WUE (liter forbrugt pr. kWh IT-energi) i vid udstrækning; til livscyklus- og politiske debatter tilføjes ofte indirekte vand fra elproduktion.
Køleteknologier og vandintensitet
Kølingsmetoden er vigtig:
- Luftkølet / lukket kredsløb med kølet vand systemer kan have meget lavt vandforbrug på stedet (tæt på nul WUE) men højere elektrisk energiforbrug og højere vandindhold i elektricitet.
- Fordampningskøling / køletårne (almindeligt hvor elomkostninger eller effektivitet styrer valg) forbruger vand per design; store anlæg er dokumenteret at bruge millioner af gallon om dagen i varme, tørre områder.
En grundig gennemgang (Nature/npj Clean Water) dokumenterede, at forbrugsværdierne varierer meget – fra næsten nul til 4.4 liter pr. kWh (og udtag, der kan være størrelsesordener større) afhængigt af design og klima. Denne variation er den primære årsag til, at vandmængderne pr. forespørgsel spænder over mere end to størrelsesordener.
Hvor mange gallon om dagen/året forbruger ChatGPT i stor skala?
Scenaritearitmetik — transparente antagelser
Lad os beregne tre scenarier for en ChatGPT-forespørgsel ved hjælp af almindeligt citerede input og derefter skalering til daglige totaler under antagelse af hypotetiske forespørgselsvolumener.
Indgange
- Energi pr. forespørgsel: 2.9 Wh = 0.0029 kWh (centralt estimat).
- Vandintensiteter (tre tilfælde):
- Lav WUE: 0.2 L/kWh (meget vandeffektive, lukkede systemer).
- Branchens gennemsnitlige WUE: 1.8 L/kWh (udbredt benchmark).
- Høj WUE: 4.4 L/kWh (øvre grænse observeret i litteraturen).
Resultater pr. forespørgsel (liter og gallon):
- Lav WUE (0.2 L/kWh): 0.0029 × 0.2 = 0.00058 L = 0.58 ml ≈ 0.000153 gal.
- Gennemsnitlig WUE (1.8 L/kWh): 0.0029 × 1.8 = 0.00522 L = 5.22 ml ≈ 0.00138 gal.
- Høj WUE (4.4 L/kWh): 0.0029 × 4.4 = 0.01276 L = 12.76 ml ≈ 0.00337 gal.
(Omregninger: 1 l = 1000 ml; 1 l = 0.264172 gal.)
Skaleret eksempel (hvis ChatGPT håndterer 1 milliard forespørgsler om dagen):
- Lav WUE: 0.58 ml × 1e9 ≈ 580,000 liter/dag ≈ 153,000 gallon/dag.
- Gennemsnitlig WUE: 5.22 ml × 1e9 ≈ 5.22 millioner liter/dag ≈ 1.38 millioner gallon/dag.
- Høj WUE: 12.76 ml × 1e9 ≈ 12.76 millioner liter/dag ≈ 3.37 millioner gallon/dag.
Disse er plausible illustrative tal – de viser, at Det samlede vandforbrug kan være meningsfuldt, selv når tallene pr. forespørgsel er småNyere rapporter viser, at klynger af hyperskalafaciliteter allerede forbruger hundredvis af millioner til milliarder af gallon årligt i nogle regioner.
Hvorfor træning versus inferens er vigtig
To yderligere kvalifikationskrav er afgørende:
- Træningsmodeller (den engangsproces, der bruges til at oprette modellen) bruger enormt meget energi og kan derfor have et stort tilhørende vandaftryk – men dette forbrug amortiseres på tværs af mange fremtidige inferensforespørgsler. Estimater for træning er modelspecifikke og ofte langt større end inferensforespørgslernes fodaftryk.
- Inferens (de daglige svar, brugerne ser) er den tilbagevendende omkostning og fokus for beregningerne pr. forespørgsel ovenfor.
Rapportering, der blander træning og inferens uden klar allokering, vil overvurdere fodaftryk pr. forespørgsel; omvendt vil ignorering af træning undervurdere en models livstidsfodaftryk. Uafhængige analyser angiver omhyggeligt, hvilke de inkluderer.
Hvor meget vand forbruger træning af en stor model (som GPT-3/4)?
Træning af store transformermodeller er en langt mere vandkrævende engangsaktivitet end at besvare individuelle prompts. En bemærkelsesværdig, fagfællebedømt/præprint-analyse af Li et al. (2023) anslog, at træning GPT-3 i amerikanske hyperskala-datacentre kunne direkte fordampning ~700,000 liter af ferskvand (≈ ~185,000 gallon) under træningskørslen — og de forudsagde AI-relateret vandudtag i milliarder af kubikmeter inden midten af 2020'erne, hvis tendenserne fortsatte. Dette eksempel viser, at træning kan konkurrere med mange måneders driftstid i absolutte vandværdier. arXiv
Træningens vandintensitet kommer fra lange, kontinuerlige, højudnyttende kørsler på tætte GPU-klynger kombineret med kølesystemer, der – afhængigt af designet – er afhængige af et betydeligt fordampningsvandforbrug. Træningen er episodisk, men stor; inferensen er kontinuerlig, men lille pr. enhed. Sammen bestemmer de en models livstids vandfodaftryk.
Hvorfor er træning så tørstigt?
- Varighed og intensitet: Træningsløb kan vare dage til uger ved næsten maksimalt strømforbrug.
- Høj varmestrøm: GPU'er og emballage skaber koncentreret varme, hvilket ofte kræver effektiv (og nogle gange vandassisteret) køling.
- Skala: Træning af avancerede modeller kan kræve tusindvis af GPU'er i klyngede racks.
- Regionale begrænsninger: Den samme træningsklynge i et vandknapt område, der bruger fordampningskøling, er meget værre for lokal vandstress end en klynge, der køles af tørre køleanlæg i et koldt klima.
Hvilke nylige nyheder påvirker ChatGPTs vandaftryk?
OpenAIs infrastrukturudvidelse og valg af placering
Nylige rapporter viser, at OpenAI aktivt forfølger store infrastrukturprojekter, herunder en fremtrædende hensigtserklæring om et større datacenterprojekt i Argentina – en udvikling, der, hvis den bygges, vil koncentrere betydelig datakraft i én region og ændre den regionale vand-/energidynamik. Placering spiller en rolle: kyst- eller fugtige regioner, adgang til genbrugsvand og lokale regler former alle WUE.
Industrien bevæger sig mod design med lavere vandindhold
Store cloud-udbydere ruller ud vandbesparende datacenterdesignMicrosoft har offentliggjort planer og casestudier om næste generations design, der kan køre AI-arbejdsbelastninger med næsten nul fordampningsvand på stedet ved at anvende køling på chipniveau og andre innovationer (annonceret i 2024-2025). Disse tekniske udviklingsforløb kan reducere vandaftrykket pr. forespørgsel væsentligt over tid, hvis de implementeres bredt.
Konklusion
Spørgsmålet "hvor mange gallon" er vildledende simpelt. Et tal pr. forespørgsel som f.eks. 0.000085 gallon er opmuntrende lille og hjælper med at kommunikere, at moderne cloud-tjenester er energi- og vandoptimerede — men det er kun et stykke af puslespillet. Den større historie handler om kumulativt forbrug, de langsigtede virkninger af træning, og hvor store faciliteter er placeret. Uafhængig forskning (Li et al.), rapportering fra regeringslaboratorier (LBNL) og nylige branchekommentarer (Altman) når alle frem til den samme praktiske konklusion: AI's vandaftryk kan styres - men kun med bedre gennemsigtighed, smartere kølevalg, effektivitet i modeldesign og politisk tilpasning for at beskytte lokale vandressourcer.
For at begynde, udforsk ChatGPT-modellen, f.eks. GPT-5 Pro 's evner i Legeplads og konsulter API guide for detaljerede instruktioner. Før du får adgang, skal du sørge for at være logget ind på CometAPI og have fået API-nøglen. CometAPI tilbyde en pris, der er langt lavere end den officielle pris, for at hjælpe dig med at integrere.
Klar til at gå? → Tilmeld dig CometAPI i dag !