OpenAIのCEOサム・アルトマンは、 平均 ChatGPTクエリの使用 ≈0.000085ガロン 水（約 0.32ミリリットル（小さじ15分の1程度）と ≈0.34ワット時 クエリあたりの電力消費量。このクエリあたりの数値は、規模を拡大すると意味を持ちますが、以前の多くの警鐘を鳴らす見出しが主張していたよりもはるかに小さいものです。 提供 クエリあたりのエネルギー消費量とChatGPTを提供するデータセンターの水利用効率に関するAltmanの仮定を受け入れます。異なる仮定（特に異なる水利用効率（WUE）値）を用いた独立した分析では、数値が数倍高くなったり低くなったりする可能性があります。
1 回の ChatGPT クエリで実際にどれくらいの水が使用されますか?
OpenAI（とそのCEO）の発言
オープンAIのCEOと広報担当者は、公式の発言の中で、クエリあたりの水の消費量について非常に少ない数値を提示した。 1クエリあたり0.32ミリリットル、これは約 0.000085ガロン （≈8.45×10⁻⁵ガロン）。これは、クエリ1件あたり約小さじ1/15杯分の水に相当し、企業が個々のインタラクションのわずかな限界効果を実証する際に最もよく引用される数値です。
独立した推定値が異なる理由
独立した研究者やNGOは異なるアプローチを採用している。彼らはクエリごとに消費される電力を推定し、それに 水の強度 （電力1単位あたりの水使用量）を入力すると、クエリあたりの水使用量が得られます。一般的な入力項目は以下の2つです。
- クエリあたりのエネルギー。 いくつかの技術的な推定によると、ChatGPTスタイルの応答は約 2～4ワット時（Wh） クエリあたり2.9Wh（一般的に引用されている推定値）。つまり 0.0029キロワット クエリごとに。
- 水使用量（WUE / kWhあたりの水）。 データセンターの指標は設計や地域によって異なります。よく引用される「業界平均」の水利用効率（WUE）は約 1kWhあたり1.8リットル （≈0.475ガロン/kWh) ですが、測定値の範囲は広くなります (消費量または取水量として報告された場合、閉ループ空気システムではほぼゼロですが、蒸発システムでは 1kWh あたり数リットルになります)。
これらを組み合わせると、簡単に変換できます。
- 使い方 2.9 Wh/クエリ (0.0029 kWh) および 1.8 L / kWh → 0.00522 L/クエリ = 5.22ミリリットル ≈ 0.00138ガロン クエリごとに。
エネルギーベースの推定値（約5ml / 0.0014ガロン）は OpenAIのクエリあたりの数値よりも桁違いに大きい （0.32ml）。クエリあたりのエネルギー、WUE、発電からの間接的な水を含めるかどうか、そしてモデルのどの部分（学習用と推論用）を「クエリ」に割り当てるかといった仮定の違いが、このギャップの大部分を説明しています。範囲と感度分析については以下をご覧ください。
データセンターの冷却システムは、どのようにして電力を水の使用に変換するのでしょうか?
「水利用」の意味：消費と取水
「データセンターで使用される水」というフレーズは、さまざまな意味を持ちます。
- 現地消費量（蒸発）： 冷却塔／断熱システムで蒸発した水が地元の水域に戻されないこと。これは通常、地元の水ストレスにとって最も重大な問題です。
- 出金： 水源（河川、湖沼、帯水層）から取水し、その後（温水化または化学処理された状態で）戻す。消費量が少ない場合でも、取水量は多くなる場合がある。
- 間接水（電気に埋め込まれている）： データセンターに電力を供給するための発電に使用される水（火力発電所、水力発電所など）。多くのライフサイクル研究では、この水も考慮されています。
報告書や規制当局は、これらの指標を様々な組み合わせで使用しています。運用上、地域的に意味のある指標としては、WUE（ITエネルギー1kWhあたりの消費量（リットル））が広く用いられています。ライフサイクルや政策に関する議論では、発電による間接的な水資源が加算されることがよくあります。
冷却技術と水の強度
冷却アプローチが重要:
- 空冷式/閉ループ冷水 システムは 現場での水消費量が非常に少ない (WUE はゼロに近い) ですが、電力エネルギー使用量が増加し、電力に含まれる水も増加します。
- 蒸発冷却/冷却塔 （電気代や効率が選択の決め手となる場合によくある）設計上、水を消費する。大規模施設では、 1日あたり数百万ガロン 暑くて乾燥した地域で。
厳密なレビュー（Nature/npj Clean Water）では、消費量の値はほぼゼロから 1kWhあたり4.4リットル 設計や気候に応じて、取水量（そして取水量は桁違いに大きくなることもあります）は変動します。この変動こそが、クエリあたりの取水量が2桁以上も変動する主な理由です。
ChatGPT は 1 日 / 年間で何ガロンを消費しますか?
シナリオ計算 — 透明な仮定
3つのシナリオを計算してみましょう XNUMXつ ChatGPT は、一般的に引用される入力を使用してクエリを実行し、仮想的なクエリ量を想定して 1 日の合計にスケールします。
入力
- クエリあたりのエネルギー: 2.9 WH = 0.0029キロワット （中央推定値）。
- 水の強度（3つのケース）
- 低いWUE: 0.2 L/kWh（非常に水効率の高いクローズドシステム）。
- 業界平均WUE: 1.8 L/kWh（広く使用されているベンチマーク）。
- 高いWUE: 4.4 L/kWh（文献で観測された上限）。
クエリごとの結果（リットルとガロン）:
- 低 WUE (0.2 L/kWh): 0.0029 × 0.2 = 0.00058 L = 0.58 ml ≈ 0.000153 GAL.
- 平均 WUE (1.8 L/kWh): 0.0029 × 1.8 = 0.00522 L = 5.22 ml ≈ 0.00138 GAL.
- 高 WUE (4.4 L/kWh): 0.0029 × 4.4 = 0.01276 L = 12.76 ml ≈ 0.00337 GAL.
(変換: 1 L = 1000 ml; 1 L = 0.264172 ガロン)
スケール例（ChatGPT が 1 日あたり 10 億のクエリを処理する場合）:
- 低いWUE: 0.58 ml × 1e9 ≈ 580,000リットル/日 ≈ 1日あたり153,000ガロン.
- 平均WUE: 5.22 ml × 1e9 ≈ 5.22万リットル/日 ≈ 1日あたり1.38万ガロン.
- 高いWUE: 12.76 ml × 1e9 ≈ 12.76万リットル/日 ≈ 1日あたり3.37万ガロン.
これらは説得力のある数字であり、 クエリごとの数値が小さい場合でも、総水使用量は意味を持ちます最近の報告によると、ハイパースケール施設のクラスターはすでに 年間数億から数十億ガロン 一部の地域では。
トレーニングと推論が重要な理由
次の 2 つの追加修飾子が必須です。
- トレーニングモデル （モデルを作成するための一回限りのプロセス）は膨大なエネルギーを消費するため、関連するウォーターフットプリントが大きくなる可能性があります。しかし、その消費量は将来の多くの推論クエリに分散されます。トレーニングの推定値はモデルごとに異なり、多くの場合、クエリごとの推論フットプリントよりもはるかに大きくなります。
- 推論 (ユーザーが目にする日常的な応答) は定期的なコストであり、上記のクエリごとの計算の焦点となります。
明確な割り当てなしにトレーニングと推論を混在させたレポートは、クエリごとのフットプリントを過大評価することになります。逆に、トレーニングを無視すると、モデルのライフタイムフットプリントが過小評価されることになります。独立した分析では、どちらが含まれているかを慎重に示します。
大規模モデル（GPT-3/4 など）のトレーニングではどれくらいの水が消費されますか?
大規模な変圧器モデルの訓練は、個々の質問に答えるよりもはるかに多くの水を消費する、一回限りの作業です。Liら（2023）による査読済み/プレプリントの注目すべき分析では、 GPT-3のトレーニング 米国のハイパースケールデータセンターでは 直接蒸発する約700,000万リットル 淡水（≈ 約185,000ガロン）を訓練中に消費し、この傾向が続けば2020年代半ばまでにAI関連の取水量は数十億立方メートルに達すると予測しました。この例は、訓練が絶対的な水使用量において、何ヶ月にもわたる運用稼働時間と匹敵する可能性があることを示しています。 arXivの
トレーニングにおける水使用量は、高密度GPUクラスター上で長時間かつ継続的に高負荷な実行が行われることと、設計によっては大量の蒸発水消費を必要とする冷却システムの組み合わせによって発生します。トレーニングは断続的ではあるものの大規模であり、推論は継続的ではあるもののユニットあたりの水使用量は小さいです。これらが組み合わさって、モデルの生涯における水使用量が決まります。
トレーニングはなぜそんなに喉が渇くのでしょうか?
- 持続時間と強度: トレーニングランは、ほぼ最大の電力使用で数日から数週間続くことがあります。
- 高い熱流束: GPU とパッケージは集中した熱を生成するため、効率的な (場合によっては水を使った) 冷却が必要になることがよくあります。
- スケール： 最先端のモデルをトレーニングするには、クラスター化されたラック内の数千個の GPU が必要になる場合があります。
- 地域的な制約: 水不足地域で蒸発冷却を使用している同じトレーニングクラスターは、寒冷気候で乾式チラーによって冷却されたクラスターよりも、局所的な水ストレスがはるかに悪化します。
ChatGPT の水フットプリントに影響を与える最近のニュースは何ですか?
OpenAIのインフラ拡張と立地の選択
最近の報道によると、OpenAIはアルゼンチンにおける大規模データセンタープロジェクトに関する注目度の高い意向書を含む、大規模なインフラプロジェクトを積極的に推進しています。このプロジェクトが実現すれば、膨大なコンピューティング能力が一地域に集中し、地域の水資源とエネルギーのダイナミクスに変化をもたらすでしょう。立地条件は重要であり、沿岸部や湿潤地域、再生水へのアクセス、そして地域の規制などが、水・エネルギー消費量を左右します。
業界は低水位設計へ移行
大手クラウドプロバイダーが展開 節水型データセンター設計: マイクロソフトは、AIワークロードを高速に実行できる次世代設計に関する計画とケーススタディを公開しました。 敷地内の蒸発水はほぼゼロ チップレベルの冷却技術やその他のイノベーション（2024～2025年に発表）の導入により、これらのエンジニアリングの方向性が広く採用されれば、クエリごとのウォーターフットプリントを長期的に大幅に削減することができます。
結論
「何ガロン？」という質問は、一見シンプルです。クエリごとに次のような数字を入力すると、 0.000085ガロン 心強いほど小さく、現代のクラウドサービスがエネルギーと水に最適化されていることを伝えるのに役立ちますが、 一枚だけ パズルのピースです。より大きな問題は、累積消費量、トレーニングの長期的な影響、そして大規模施設の立地場所にあります。独立系研究（Li et al.）、政府系研究所の報告書（LBNL）、そして最近の業界解説（Altman）はすべて、同じ実用的な結論に収束しています。AIの水フットプリントは管理可能ですが、そのためには、透明性の向上、よりスマートな冷却方法の選択、モデル設計の効率化、そして地域の水資源を保護するための政策の整合性が不可欠です。
まず、ChatGPTモデルを調べてみましょう。 GPT-5 プロ の能力 プレイグラウンド そして相談する APIガイド 詳細な手順についてはこちらをご覧ください。アクセスする前に、CometAPIにログインし、APIキーを取得していることを確認してください。 コメットAPI 統合を支援するために、公式価格よりもはるかに低い価格を提供します。
準備はいいですか？→ 今すぐCometAPIに登録しましょう !