Combien de gallons d'eau ChatGPT utilise-t-il ?

Le PDG d'OpenAI, Sam Altman, a déclaré publiquement qu'un moyen Utilisations des requêtes ChatGPT ≈0.000085 gallons d'eau (environ Millilitres 0.32, environ un quinzième de cuillère à café) et ≈0.34 wattheures d'électricité par requête. Ce chiffre par requête, multiplié à grande échelle, devient significatif, mais reste bien inférieur à ce que prétendaient de nombreux titres alarmistes antérieurs. à condition de Vous acceptez les hypothèses d'Altman concernant la consommation d'énergie par requête et l'efficacité de la consommation d'eau des centres de données exploitant ChatGPT. Des analyses indépendantes utilisant différentes hypothèses (notamment différentes valeurs d'efficacité de la consommation d'eau, WUE) produisent des chiffres pouvant être plusieurs fois supérieurs ou inférieurs.

Quelle quantité d'eau une seule requête ChatGPT utilise-t-elle réellement ?

Ce qu'OpenAI (et son PDG) ont dit

Dans des remarques publiques, le PDG et les porte-paroles d'OpenAI ont donné un chiffre très faible pour l'eau par requête : environ 0.32 millilitres par requête, ce qui correspond à environ Gallons 0.000085 (≈8.45 × 10⁻⁵ gal). Cela représente environ un quinzième de cuillère à café d'eau par requête et c'est le chiffre le plus souvent cité lorsque les entreprises tentent de démontrer le faible impact marginal des interactions individuelles.

Pourquoi les estimations indépendantes diffèrent

Les chercheurs indépendants et les ONG utilisent une approche différente : ils estiment l'énergie électrique consommée par requête, puis multiplient par un intensité de l'eau (eau consommée par unité d'électricité) pour obtenir le nombre d'eau consommée par requête. Deux données d'entrée courantes sont :

Énergie par requête. Plusieurs estimations techniques placent les réponses de type ChatGPT dans le voisinage de 2 à 4 wattheures (Wh) par requête (2.9 Wh est une estimation centrale fréquemment citée). C'est 0.0029 kWh par requête.
Intensité hydrique (WUE/eau par kWh). Les indicateurs des centres de données varient selon la conception et la région. L'efficacité de l'utilisation de l'eau (WUE), une « moyenne sectorielle » fréquemment citée, est d'environ 1.8 litre par kWh (≈0.475 gallon/kWh) — mais les valeurs mesurées varient considérablement (de près de zéro pour les systèmes d’air en boucle fermée jusqu’à plusieurs litres par kWh pour les systèmes à évaporation lorsqu’elles sont rapportées comme consommation ou prélèvement).

En les mettant ensemble, on obtient une conversion simple :

En utilisant 2.9 Wh/requête (0.0029 kWh) et 1.8 L/kWh → 0.00522 L/requête = Millilitres 5.22 ≈ Gallons 0.00138 par requête.

Cette estimation basée sur l'énergie (~5 ml / 0.0014 gal) est un ordre de grandeur supérieur au chiffre par requête d'OpenAI (0.32 ml). Différentes hypothèses concernant l'énergie par requête (WUE), l'inclusion ou non de l'eau indirecte issue de la production d'électricité et la partie du modèle (apprentissage ou inférence) affectée à une requête expliquent en grande partie cet écart. Voir ci-dessous pour les plages et l'analyse de sensibilité.

Comment les systèmes de refroidissement des centres de données convertissent-ils l’électricité en consommation d’eau ?

Définition de « consommation d’eau » : consommation ou prélèvement

L’expression « eau utilisée par un centre de données » peut signifier différentes choses :

Consommation sur place (évaporée) : Eau évaporée dans les tours de refroidissement/systèmes adiabatiques et non restituée aux masses d'eau locales. C'est généralement ce qui a le plus de conséquences sur le stress hydrique local.
Retrait: Eau prélevée à une source (rivière, lac, aquifère) et restituée ultérieurement (éventuellement plus chaude ou traitée chimiquement). Le prélèvement peut être important, même en cas de faible consommation.
Eau indirecte (intégrée à l'électricité) : L'eau utilisée pour produire l'électricité alimentant le centre de données (centrales thermoélectriques, hydroélectricité, etc.) est un élément pris en compte dans de nombreuses études de cycle de vie.

Les rapports et les régulateurs utilisent différentes combinaisons de ces indicateurs. Pour un indicateur opérationnel et pertinent au niveau local, l'EUE (litres consommés par kWh d'énergie informatique) est largement utilisée ; dans les débats sur le cycle de vie et les politiques, l'eau indirecte issue de la production d'électricité est souvent ajoutée.

Technologies de refroidissement et intensité de l'eau

L’approche du refroidissement est importante :

Eau glacée refroidie par air / en boucle fermée les systèmes peuvent avoir très faible consommation d'eau sur place (proche de zéro WUE) mais une consommation d'énergie électrique plus élevée et une teneur en eau incorporée dans l'électricité plus élevée.
Refroidissement par évaporation / tours de refroidissement (commun lorsque les coûts de l'électricité ou l'efficacité dictent les choix) consomment de l'eau par conception ; il a été démontré que les grandes installations utilisent des millions de gallons par jour dans les régions chaudes et sèches.

Une étude rigoureuse (Nature/npj Clean Water) a démontré que les valeurs de consommation varient considérablement, de près de zéro à 4.4 litre par kWh (et des prélèvements pouvant atteindre des ordres de grandeur supérieurs) selon la conception et le climat. Cette variabilité est la principale raison pour laquelle les quantités d'eau par requête varient de plus de deux ordres de grandeur.

Combien de gallons par jour/an ChatGPT consomme-t-il à grande échelle ?

Arithmétique des scénarios — hypothèses transparentes

Calculons trois scénarios pour UN Requête ChatGPT utilisant des entrées fréquemment citées, puis mise à l'échelle vers des totaux quotidiens en supposant des volumes de requêtes hypothétiques.

Contributions

Énergie par requête : 2.9 Wh = 0.0029 kWh (estimation centrale).
Intensités de l'eau (trois cas) :
1. Faible WUE : 0.2 L/kWh (systèmes fermés très économes en eau).
2. Moyenne du secteur WUE : 1.8 L/kWh (référence largement utilisée).
3. WUE élevé : 4.4 L/kWh (limite supérieure observée dans la littérature).

Résultats par requête (litres et gallons) :

WUE faible (0.2 L/kWh) : 0.0029 × 0.2 = 0.00058 L = 0.58 ml ≈ 0.000153 gal.
WUE moyen (1.8 L/kWh) : 0.0029 × 1.8 = 0.00522 L = 5.22 ml ≈ 0.00138 gal.
WUE élevé (4.4 L/kWh) : 0.0029 × 4.4 = 0.01276 L = 12.76 ml ≈ 0.00337 gal.
(Conversions : 1 L = 1000 ml; 1 L = 0.264172 gal.)

Exemple à l'échelle (si ChatGPT gère 1 milliard de requêtes par jour) :

Faible WUE : 0.58 ml × 1e9 ≈ 580,000 litre/jour ≈ 153,000 gallons / jour.
WUE moyen : 5.22 ml × 1e9 ≈ 5.22 millions de litres/jour ≈ 1.38 million de gallons/jour.
WUE élevé : 12.76 ml × 1e9 ≈ 12.76 millions de litres/jour ≈ 3.37 million de gallons/jour.

Ce sont des chiffres illustratifs plausibles — ils démontrent que L'utilisation globale de l'eau peut être significative même lorsque les chiffres par requête sont minuscules. Des rapports récents montrent que des grappes d'installations hyperscale consomment déjà des centaines de millions à des milliards de gallons par an dans certaines régions.

Pourquoi la différence entre formation et inférence est importante

Deux qualificatifs supplémentaires sont essentiels :

Modèles de formation (le processus unique de création du modèle) consomme énormément d'énergie et peut donc engendrer une empreinte hydrique importante, mais cette consommation est amortie sur de nombreuses requêtes d'inférence ultérieures. Les estimations pour l'entraînement sont spécifiques à chaque modèle et souvent bien supérieures aux empreintes d'inférence par requête.
Inférence (les réponses quotidiennes que voient les utilisateurs) constituent le coût récurrent et le centre des calculs par requête ci-dessus.

Les rapports combinant apprentissage et inférence sans allocation claire surestimeront l'empreinte par requête ; à l'inverse, ignorer l'apprentissage sous-estimera l'empreinte du cycle de vie d'un modèle. Des analyses indépendantes précisent précisément ce qu'elles incluent.

Quelle quantité d'eau consomme l'entraînement d'un grand modèle (comme GPT-3/4) ?

L'entraînement de grands modèles de transformateurs est une activité ponctuelle, bien plus gourmande en eau que la réponse à des questions individuelles. Une analyse notable, revue par des pairs et pré-publication, de Li et al. (2023) a estimé que formation GPT-3 dans les centres de données hyperscale américains pourraient évaporer directement environ 700 000 litres d'eau douce (≈ ~185,000 gallons) pendant la phase d'entraînement — et ils ont projeté des prélèvements d'eau liés à l'IA de l'ordre de plusieurs milliards de mètres cubes d'ici le milieu des années 2020 si la tendance se maintenait. Cet exemple montre que la formation peut rivaliser avec plusieurs mois d'exploitation en termes absolus d'eau. arXiv

L'intensité hydrique de l'entraînement provient de longues exécutions continues à forte utilisation sur des clusters GPU denses, associés à des systèmes de refroidissement qui, selon leur conception, nécessitent une consommation d'eau par évaporation importante. L'entraînement est épisodique mais important ; l'inférence est continue mais faible par unité. Ensemble, ils déterminent l'empreinte hydrique du modèle sur sa durée de vie.

Pourquoi l’entraînement est-il si assoiffant ?

Durée et intensité : Les séances d'entraînement peuvent durer des jours, voire des semaines, avec une consommation d'énergie quasi maximale.
Flux thermique élevé : Les GPU et les emballages créent une chaleur concentrée, qui nécessite souvent un refroidissement efficace (et parfois assisté par eau).
Échelle: La formation de modèles de pointe peut nécessiter des milliers de GPU dans des racks en cluster.
Contraintes régionales : le même groupe de formation dans une région pauvre en eau utilisant le refroidissement par évaporation est bien pire en termes de stress hydrique local qu'un groupe refroidi par des refroidisseurs secs dans un climat froid.

Quelles nouvelles récentes affectent l'empreinte hydrique de ChatGPT ?

Extension de l'infrastructure et choix d'emplacement d'OpenAI

Des rapports récents montrent qu'OpenAI poursuit activement de grands projets d'infrastructure, notamment une lettre d'intention très médiatisée pour un important projet de centre de données en Argentine. Un projet qui, s'il se concrétise, concentrerait une puissance de calcul importante dans une région et modifierait la dynamique régionale en matière d'eau et d'énergie. L'emplacement est important : les régions côtières ou humides, l'accès à l'eau recyclée et les réglementations locales sont autant de facteurs qui influencent l'utilisation de l'eau.

L'industrie évolue vers des conceptions à faible consommation d'eau

Les principaux fournisseurs de cloud déploient conceptions de centres de données économes en eau:Microsoft a publié des plans et des études de cas sur des conceptions de nouvelle génération qui peuvent exécuter des charges de travail d'IA avec eau évaporative sur site proche de zéro En adoptant un refroidissement au niveau de la puce et d'autres innovations (annoncées en 2024-2025), ces solutions d'ingénierie peuvent réduire considérablement l'empreinte hydrique par requête au fil du temps si elles sont largement adoptées.

Conclusion

La question « combien de gallons » est d'une simplicité trompeuse. Un nombre par requête, comme Gallons 0.000085 est encourageant et permet de communiquer que les services cloud modernes sont optimisés en termes d'énergie et d'eau — mais c'est une seule pièce Le problème principal réside dans la consommation cumulée, les impacts à long terme de la formation et l'implantation des grandes installations. Des recherches indépendantes (Li et al.), des rapports de laboratoire gouvernementaux (LBNL) et des commentaires récents de l'industrie (Altman) convergent tous vers la même conclusion pratique : l'empreinte hydrique de l'IA peut être maîtrisée, mais seulement grâce à une meilleure transparence, des choix de refroidissement plus judicieux, une conception des modèles plus efficace et une harmonisation des politiques pour protéger les ressources en eau locales.

Pour commencer, explorez le modèle ChatGPT tel que GPT-5 Pro capacités de dans le cour de récréation et consultez le Guide de l'API Pour des instructions détaillées, veuillez vous connecter à CometAPI et obtenir la clé API avant d'y accéder. API Comet proposer un prix bien inférieur au prix officiel pour vous aider à vous intégrer.

Prêt à partir ?→ Inscrivez-vous à CometAPI dès aujourd'hui !