El director ejecutivo de OpenAI, Sam Altman, declaró públicamente que un promedio Usos de la consulta ChatGPT ≈0.000085 galones de agua (aproximadamente Mililitros 0.32, aproximadamente una quinceava parte de una cucharadita) y ≈0.34 vatios-hora de electricidad por consulta. Esa cifra por consulta, al multiplicarse a gran escala, cobra sentido, pero sigue siendo mucho menor de lo que afirmaban muchos titulares alarmistas anteriores. provea Acepta las suposiciones de Altman sobre la energía por consulta y la eficiencia del uso del agua de los centros de datos que prestan servicio a ChatGPT. Análisis independientes que utilizan diferentes suposiciones (especialmente diferentes valores de Efectividad del Uso del Agua, WUE) arrojan cifras que pueden ser varias veces superiores o inferiores.
¿Cuánta agua utiliza realmente una sola consulta ChatGPT?
Lo que han dicho OpenAI (y su CEO)
En declaraciones públicas, el director ejecutivo y los portavoces de OpenAI han ofrecido una cifra de agua por consulta muy pequeña: aproximadamente 0.32 mililitros por consulta, lo que equivale aproximadamente a 0.000085 galones (≈8.45×10⁻⁵ gal). Esto equivale aproximadamente a una quinceava parte de una cucharadita de agua por consulta y es la cifra que se cita con más frecuencia cuando las empresas intentan demostrar el pequeño impacto marginal de las interacciones individuales.
Por qué difieren las estimaciones independientes
Los investigadores independientes y las ONG utilizan un enfoque diferente: estiman la energía eléctrica consumida por consulta y luego la multiplican por un intensidad del agua (agua utilizada por unidad de electricidad) para obtener una cifra de agua por consulta. Dos datos de entrada comunes son:
- Energía por consulta. Varias estimaciones técnicas sitúan las respuestas de estilo ChatGPT en el entorno de 2–4 vatios-hora (Wh) por consulta (2.9 Wh es una estimación central comúnmente citada). Es decir 0.0029 kWh por consulta.
- Intensidad del agua (WUE/agua por kWh). Las métricas de los centros de datos varían según el diseño y la región. Un promedio de la industria, frecuentemente citado, de Eficiencia en el Uso del Agua (WUE, por sus siglas en inglés) es aproximadamente... 1.8 litros por kWh (≈0.475 galones/kWh) — pero los valores medidos varían ampliamente (desde casi cero para sistemas de aire de circuito cerrado hasta varios litros por kWh para sistemas de evaporación cuando se informan como consumo o extracción).
Al juntarlos se obtiene una conversión sencilla:
- Usando 2.9 Wh/consulta (0.0029 kWh) y 1.8 l / kWh → 0.00522 L/consulta = Mililitros 5.22 ≈ 0.00138 galones por consulta.
Esa estimación basada en energía (~5 ml / 0.0014 gal) es un orden de magnitud mayor que la cifra por consulta de OpenAI (0.32 ml). Diferentes supuestos sobre la energía por consulta, la WUE, si se debe incluir el agua indirecta de la generación de energía y qué parte del modelo (entrenamiento vs. inferencia) se asigna a "una consulta" explican gran parte de la diferencia. Consulte a continuación los rangos y el análisis de sensibilidad.
¿Cómo los sistemas de refrigeración de los centros de datos traducen la electricidad en consumo de agua?
Qué significa “uso del agua”: consumo vs. extracción
La frase “agua utilizada por un centro de datos” puede significar diferentes cosas:
- Consumo in situ (evaporado): Agua que se evapora en torres de refrigeración o sistemas adiabáticos y no se devuelve a los cuerpos de agua locales. Esto suele ser lo que más consecuencias tiene para el estrés hídrico local.
- Retirada: Agua extraída de una fuente (río, lago, acuífero) y posteriormente devuelta (posiblemente más caliente o tratada químicamente). La extracción puede ser considerable incluso en lugares con bajo consumo.
- Agua indirecta (integrada en la electricidad): Agua utilizada para producir la electricidad que alimenta el centro de datos (centrales termoeléctricas, hidroeléctricas, etc.). Muchos estudios de ciclo de vida la incluyen.
Los informes y los organismos reguladores utilizan diferentes combinaciones de estas métricas. Para un indicador operativo y localmente significativo, se utiliza ampliamente el WUE (litros consumidos por kWh de energía de TI); para debates sobre el ciclo de vida y las políticas, se suele añadir el agua indirecta procedente de la generación de electricidad.
Tecnologías de refrigeración e intensidad del agua
El enfoque de enfriamiento es importante:
- Agua refrigerada por aire/circuito cerrado Los sistemas pueden tener Consumo de agua muy bajo en el sitio (cerca de cero WUE) pero mayor uso de energía eléctrica y mayor agua incorporada en la electricidad.
- Enfriamiento evaporativo / torres de enfriamiento (común donde los costos de electricidad o la eficiencia determinan las decisiones) consumen agua por diseño; se ha documentado que las grandes instalaciones utilizan millones de galones por día en regiones cálidas y secas.
Una revisión rigurosa (Nature/npj Clean Water) documentó que los valores de consumo varían ampliamente, desde casi cero a 4.4 litros por kWh (y extracciones que pueden ser órdenes de magnitud mayores) dependiendo del diseño y el clima. Esta variabilidad es la razón principal por la que las cifras de agua por consulta varían más de dos órdenes de magnitud.
¿Cuántos galones por día/año consume ChatGPT a escala?
Aritmética de escenarios: supuestos transparentes
Calculemos tres escenarios para uno Consulta ChatGPT utilizando entradas comúnmente citadas y luego escala a totales diarios asumiendo volúmenes de consulta hipotéticos.
Ingresos
- Energía por consulta: 2.9 Wh = 0.0029 kWh (estimación central).
- Intensidades del agua (tres casos):
- WUE bajo: 0.2 L/kWh (sistemas cerrados, muy eficientes en el consumo de agua).
- WUE promedio de la industria: 1.8 L/kWh (valor de referencia ampliamente utilizado).
- Alto WUE: 4.4 L/kWh (límite superior observado en la literatura).
Resultados por consulta (litros y galones):
- WUE baja (0.2 L/kWh): 0.0029 × 0.2 = 0.00058 L = 0.58 ml ≈ 0.000153 gal.
- WUE promedio (1.8 L/kWh): 0.0029 × 1.8 = 0.00522 L = 5.22 ml ≈ 0.00138 gal.
- WUE alta (4.4 L/kWh): 0.0029 × 4.4 = 0.01276 L = 12.76 ml ≈ 0.00337 gal.
(Conversiones: 1 L = 1000 ml; 1 L = 0.264172 gal.)
Ejemplo escalado (si ChatGPT maneja mil millones de consultas por día):
- WUE bajo: 0.58 ml × 1e9 ≈ 580,000 litros/día ≈ 153,000 galones / día.
- WUE promedio: 5.22 ml × 1e9 ≈ 5.22 millones de litros/día ≈ 1.38 millones de galones/día.
- Alto WUE: 12.76 ml × 1e9 ≈ 12.76 millones de litros/día ≈ 3.37 millones de galones/día.
Se trata de cifras ilustrativas plausibles: demuestran que El uso agregado de agua puede ser significativo incluso cuando los números por consulta son minúsculosInformes recientes muestran que los grupos de instalaciones a hiperescala ya consumen cientos de millones a miles de millones de galones al año en algunas regiones
Por qué es importante el entrenamiento frente a la inferencia
Son esenciales dos calificadores adicionales:
- Modelos de entrenamiento (El proceso único para crear el modelo) consume una enorme cantidad de energía y, por lo tanto, puede tener una gran huella hídrica asociada. Sin embargo, este consumo se amortiza en muchas consultas de inferencia futuras. Las estimaciones de entrenamiento son específicas para cada modelo y, a menudo, mucho mayores que las huellas de inferencia por consulta.
- Inferencia (las respuestas cotidianas que ven los usuarios) son el costo recurrente y el foco de los cálculos por consulta anteriores.
Informar que combina entrenamiento e inferencia sin una asignación clara sobreestimará las huellas por consulta; por el contrario, ignorar el entrenamiento subestima la huella de tiempo de vida de un modelo. Los análisis independientes especifican cuidadosamente cuáles incluyen.
¿Cuánta agua consume el entrenamiento de un modelo grande (como GPT-3/4)?
Entrenar modelos de transformadores grandes es una actividad única que consume mucha más agua que responder a preguntas individuales. Un importante análisis revisado por pares y preimpreso de Li et al. (2023) estimó que entrenamiento GPT-3 En EE. UU., los centros de datos a hiperescala podrían evaporar directamente ~700,000 litros de agua dulce (≈ ~185,000 galones) durante el periodo de entrenamiento, y proyectaron extracciones de agua relacionadas con la IA de miles de millones de metros cúbicos para mediados de la década de 2020 si las tendencias continuaban. Este ejemplo demuestra que el entrenamiento puede competir con muchos meses de tiempo de ejecución operativa en términos absolutos de agua. arXiv
La intensidad hídrica del entrenamiento se obtiene mediante ejecuciones largas y continuas de alta utilización en clústeres de GPU densos, combinados con sistemas de refrigeración que, según el diseño, dependen de un consumo significativo de agua por evaporación. El entrenamiento es episódico, pero extenso; la inferencia es continua, pero pequeña por unidad. Juntos, determinan la huella hídrica de un modelo durante su vida útil.
¿Por qué el entrenamiento da tanta sed?
- Duración e intensidad: Los entrenamientos pueden durar días o semanas con un uso de energía casi máximo.
- Alto flujo de calor: Las GPU y los paquetes generan calor concentrado, lo que a menudo requiere un enfriamiento eficiente (y a veces asistido por agua).
- Escala: El entrenamiento de modelos de última generación puede requerir miles de GPU en racks agrupados.
- Restricciones regionales: El mismo grupo de entrenamiento en una región con escasez de agua que utiliza enfriamiento por evaporación es mucho peor para el estrés hídrico local que un grupo enfriado por enfriadores secos en un clima frío.
¿Qué noticias recientes afectan la huella hídrica de ChatGPT?
Expansión de la infraestructura y opciones de ubicación de OpenAI
Informes recientes muestran que OpenAI está impulsando activamente grandes proyectos de infraestructura, incluyendo una carta de intención de alto perfil para un importante proyecto de centro de datos en Argentina. Este desarrollo, de construirse, concentraría una parte sustancial de la computación en una región y transformaría la dinámica regional del agua y la energía. La ubicación es importante: las regiones costeras o húmedas, el acceso a agua reciclada y las regulaciones locales influyen en la WUE.
La industria avanza hacia diseños para aguas más bajas
Los principales proveedores de la nube están implementando diseños de centros de datos que ahorran agua:Microsoft ha publicado planes y estudios de casos sobre diseños de próxima generación que pueden ejecutar cargas de trabajo de IA con agua evaporada in situ casi nula Mediante la adopción de refrigeración a nivel de chip y otras innovaciones (anunciadas en 2024-2025). Estas trayectorias de ingeniería pueden reducir significativamente la huella hídrica por consulta con el tiempo si se adoptan ampliamente.
Conclusión
La pregunta de "cuántos galones" es engañosamente simple. Un número por consulta como 0.000085 galones Es alentadoramente pequeño y ayuda a comunicar que los servicios de nube modernos están optimizados en términos de energía y agua, pero es solo una pieza El problema principal es el consumo acumulado, los impactos a largo plazo del entrenamiento y la ubicación de las grandes instalaciones. Investigaciones independientes (Li et al.), informes de laboratorios gubernamentales (LBNL) y comentarios recientes de la industria (Altman) convergen en la misma conclusión práctica: la huella hídrica de la IA se puede gestionar, pero solo con mayor transparencia, opciones de refrigeración más inteligentes, eficiencia en el diseño de modelos y la alineación de políticas para proteger los recursos hídricos locales.
Para comenzar, explore el modelo ChatGPT como GPT-5 Pro Las capacidades de 's en el Playground y consultar el Guía de API Para obtener instrucciones detalladas, consulte la sección "Antes de acceder, asegúrese de haber iniciado sesión en CometAPI y de haber obtenido la clave API". CometAPI Ofrecemos un precio muy inferior al oficial para ayudarte a integrarte.
¿Listo para ir?→ Regístrate en CometAPI hoy !