OpenAIs administrerende direktør, Sam Altman, uttalte offentlig at en gjennomsnittlig ChatGPT-spørringen bruker ≈0.000085 gallon av vann (ca. 0.32 milliliter, omtrent en femtendedel av en teskje) og ≈0.34 wattimer av elektrisitet per spørring. Dette tallet per spørring, multiplisert i stor skala, blir meningsfullt, men forblir langt mindre enn mange tidligere alarmistiske overskrifter hevdet – forutsatt Du aksepterer Altmans antagelser om energi per spørring og vannforbrukseffektiviteten til datasentrene som betjener ChatGPT. Uavhengige analyser som bruker forskjellige antagelser (spesielt forskjellige verdier for vannforbrukseffektivitet, WUE) produserer tall som kan være flere ganger høyere eller lavere.
Hvor mye vann bruker faktisk én ChatGPT-forespørsel?
Hva OpenAI (og administrerende direktør) har sagt
I offentlige uttalelser har OpenAIs administrerende direktør og talspersoner gitt et svært lite tall for vann per spørring: omtrent 0.32 milliliter per spørring, som konverterer til omtrent 0.000085 gallons (≈8.45 × 10⁻⁵ gal). Det er omtrent en femtendedel av en teskje vann per forespørsel, og er tallet som oftest siteres når selskaper prøver å demonstrere den lille marginale effekten av individuelle interaksjoner.
Hvorfor uavhengige estimater er forskjellige
Uavhengige forskere og frivillige organisasjoner bruker en annen tilnærming: de estimerer den elektriske energien som forbrukes per spørring, og multipliserer deretter med en vannintensitet (vannforbruk per enhet strøm) for å få et tall for vann per forespørsel. To vanlige inputelementer er:
- Energi per forespørsel. Flere tekniske estimater plasserer svar i ChatGPT-stil rundt 2–4 wattimer (Wh) per spørring (2.9 Wh er et vanlig sitert sentralt estimat). Det vil si 0.0029 kWh per spørring.
- Vannintensitet (WUE / vann per kWh). Datasentermålinger varierer etter design og region. Et ofte sitert «bransjegjennomsnitt» for vannforbrukseffektivitet (WUE) handler om 1.8 liter per kWh (≈0.475 gallon/kWh) – men målte verdier varierer mye (fra nær null for lukkede luftsystemer opptil flere liter per kWh for fordampningssystemer når det rapporteres som forbruk eller uttak).
Å sette disse sammen gir en enkel konvertering:
- Ved hjelp av 2.9 Wh/forespørsel (0.0029 kWh) og 1.8 l/kWh → 0.00522 l/forespørsel = 5.22 milliliter ≈ 0.00138 gallons per spørring.
Det energibaserte estimatet (~5 ml / 0.0014 gal) er en størrelsesorden større enn OpenAIs tall per spørring (0.32 ml). Ulike antagelser om energi per spørring, WUE, om indirekte vann fra kraftproduksjon skal inkluderes, og hvilken del av modellen (trening vs. inferens) du allokerer til «en spørring» forklarer mye av gapet. Se nedenfor for intervaller og sensitivitetsanalyse.
Hvordan omsetter kjølesystemer i datasentre strøm til vannforbruk?
Hva «vannbruk» betyr: forbruk kontra uttak
Uttrykket «vann brukt av et datasenter» kan bety forskjellige ting:
- Forbruk på stedet (fordampet): vann som fordampes i kjøletårn/adiabatiske systemer og ikke føres tilbake til lokale vannforekomster. Dette er vanligvis den mest påfølgende faktoren for lokal vannstress.
- Uttak: Vann tatt fra en kilde (elv, innsjø, akvifer) og senere returnert (muligens varmere eller kjemisk behandlet). Uttaket kan være stort selv der forbruket er lavt.
- Indirekte vann (innebygd strøm): vann som brukes til å produsere elektrisiteten som driver datasenteret (termoelektriske anlegg, vannkraft osv.). Mange livssyklusstudier legger dette til.
Rapporter og regulatorer bruker ulike kombinasjoner av disse målepunktene. For en operativ, lokalt meningsfull indikator er WUE (liter forbrukt per kWh IT-energi) mye brukt; for livssyklus- og politiske debatter legges ofte indirekte vann fra kraftproduksjon til.
Kjøleteknologier og vannintensitet
Kjølemetoden er viktig:
- Luftkjølt / lukket sløyfe med kjølt vann systemer kan ha svært lavt vannforbruk på stedet (nær null WUE), men høyere elektrisk energiforbruk og høyere innlemmet vann i elektrisitet.
- Fordampningskjøling / kjøletårn (vanlig der strømkostnader eller effektivitet styrer valg) forbruker vann per design; store anlegg har dokumentert bruk millioner av gallon per dag i varme, tørre områder.
En grundig gjennomgang (Nature/npj Clean Water) dokumenterte at forbruksverdiene varierer mye – fra nær null til 4.4 liter per kWh (og uttak som kan være størrelsesordener større) avhengig av design og klima. Denne variasjonen er hovedårsaken til at vanntall per forespørsel spenner over mer enn to størrelsesordener.
Hvor mange gallon per dag/år forbruker ChatGPT i stor skala?
Scenaritearitmetikk – transparente antagelser
La oss beregne tre scenarier for en ChatGPT-spørring ved hjelp av vanlige inndata, og deretter skalering til daglige totaler under forutsetning av hypotetiske spørrevolumer.
Innganger
- Energi per forespørsel: 2.9 Wh = 0.0029 kWh (sentralt estimat).
- Vannintensiteter (tre tilfeller):
- Lav WUE: 0.2 l/kWh (svært vanneffektive, lukkede systemer).
- Gjennomsnittlig WUE i bransjen: 1.8 l/kWh (mye brukt referansepunkt).
- Høy WUE: 4.4 l/kWh (øvre grense observert i litteraturen).
Resultater per spørring (liter og gallon):
- Lav WUE (0.2 L/kWh): 0.0029 × 0.2 = 0.00058 L = 0.58 ml ≈ 0.000153 gal.
- Gjennomsnittlig WUE (1.8 L/kWh): 0.0029 × 1.8 = 0.00522 L = 5.22 ml ≈ 0.00138 gal.
- Høy WUE (4.4 L/kWh): 0.0029 × 4.4 = 0.01276 L = 12.76 ml ≈ 0.00337 gal.
(Konverteringer: 1 l = 1000 ml; 1 l = 0.264172 gallon)
Skalert eksempel (hvis ChatGPT håndterer 1 milliard spørringer per dag):
- Lav WUE: 0.58 ml × 1e9 ≈ 580,000 liter/dag ≈ 153 000 gallon/dag.
- Gjennomsnittlig WUE: 5.22 ml × 1e9 ≈ 5.22 millioner liter/dag ≈ 1.38 millioner gallon/dag.
- Høy WUE: 12.76 ml × 1e9 ≈ 12.76 millioner liter/dag ≈ 3.37 millioner gallon/dag.
Dette er plausible illustrative tall – de viser at samlet vannforbruk kan være meningsfullt selv når tallene per spørring er småNyere rapportering viser at klynger av hyperskalaanlegg allerede forbruker hundrevis av millioner til milliarder av gallon årlig i noen regioner.
Hvorfor trening kontra inferens er viktig
To ekstra kvalifikasjonskrav er avgjørende:
- Treningsmodeller (den engangsprosessen for å lage modellen) bruker enormt mye energi og kan derfor ha et stort tilhørende vannavtrykk – men dette forbruket amortiseres på tvers av mange fremtidige slutningsspørringer. Estimater for trening er modellspesifikke og ofte langt større enn slutningsavtrykk per spørring.
- slutning (de daglige svarene brukerne ser) er den gjentakende kostnaden og fokuset i beregningene per spørring ovenfor.
Rapportering som blander trening og inferens uten tydelig allokering vil overdrive fotavtrykket per spørring; omvendt vil ignorering av trening underdrive livstidsavtrykket til en modell. Uavhengige analyser angir nøye hvilke de inkluderer.
Hvor mye vann forbrukes ved trening av en stor modell (som GPT-3/4)?
Å trene opp store transformatormodeller er en mye mer vannkrevende engangsaktivitet enn å svare på individuelle spørsmål. En bemerkelsesverdig, fagfellevurdert/førtrykksanalyse av Li et al. (2023) anslo at trening GPT-3 i amerikanske hyperskala-datasentre kunne direkte fordampning ~700 000 liter av ferskvann (≈ ~185,000 gallon) under treningsperioden – og de anslo vannuttak relatert til kunstig intelligens på milliarder av kubikkmeter innen midten av 2020-tallet hvis trendene fortsatte. Dette eksemplet viser at trening kan konkurrere med mange måneders driftstid i absolutte vannverdier. arXiv
Treningens vannintensitet kommer fra lange, kontinuerlige kjøringer med høy utnyttelse på tette GPU-klynger kombinert med kjølesystemer som – avhengig av design – er avhengige av betydelig fordampningsvannforbruk. Treningen er episodisk, men stor; inferensen er kontinuerlig, men liten per enhet. Sammen bestemmer de en modells vannavtrykk i løpet av levetiden.
Hvorfor er trening så tørst?
- Varighet og intensitet: Treningsløp kan vare i dager til uker med nesten maksimalt strømforbruk.
- Høy varmestrøm: GPU-er og emballasje skaper konsentrert varme, som ofte krever effektiv (og noen ganger vannassistert) kjøling.
- Scale: Trening av toppmoderne modeller kan kreve tusenvis av GPU-er i klyngede rack.
- Regionale begrensninger: Den samme treningsklyngen i et vannknappt område som bruker fordampningskjøling er mye verre for lokalt vannstress enn en klynge som er kjølt av tørre kjølere i et kaldt klima.
Hvilke nylige nyheter påvirker ChatGPTs vannavtrykk?
OpenAIs infrastrukturutvidelse og lokasjonsvalg
Nyere rapporter viser at OpenAI aktivt forfølger store infrastrukturprosjekter, inkludert en profilert intensjonsavtale for et stort datasenterprosjekt i Argentina – en utbygging som, hvis den bygges, vil konsentrere betydelig databehandling i én region og endre den regionale vann-/energidynamikken. Plassering spiller en rolle: kyst- eller fuktige regioner, tilgang til resirkulert vann og lokale forskrifter former alle WUE.
Industrien beveger seg mot design med lavere vannstand
Store skyleverandører ruller ut vannbesparende datasenterdesignMicrosoft har publisert planer og casestudier om neste generasjons design som kan kjøre AI-arbeidsbelastninger med nesten null fordampningsvann på stedet ved å ta i bruk kjøling på brikkenivå og andre innovasjoner (annonsert i 2024–2025). Disse ingeniørtrajektoriene kan redusere vannavtrykket per forespørsel betydelig over tid hvis de blir bredt tatt i bruk.
Konklusjon
Spørsmålet om «hvor mange gallon» er tilsynelatende enkelt. Et tall per spørring som 0.000085 gallons er oppmuntrende liten og bidrar til å kommunisere at moderne skytjenester er energi- og vannoptimaliserte – men det er bare ett stykke av puslespillet. Den større historien handler om kumulativt forbruk, de langsiktige virkningene av opplæring, og hvor store anlegg er plassert. Uavhengig forskning (Li et al.), rapportering fra statlige laboratorier (LBNL) og nyere bransjekommentarer (Altman) ender alle opp om den samme praktiske konklusjonen: AIs vannavtrykk kan håndteres – men bare med bedre åpenhet, smartere kjølevalg, effektivitet i modelldesign og samsvar med retningslinjer for å beskytte lokale vannressurser.
For å begynne, utforsk ChatGPT-modellen, for eksempel GPT-5 Pro s evner i lekeplass og konsulter API-veiledning for detaljerte instruksjoner. Før du får tilgang, må du sørge for at du har logget inn på CometAPI og fått API-nøkkelen. CometAPI tilby en pris som er langt lavere enn den offisielle prisen for å hjelpe deg med å integrere.
Klar til å dra? → Registrer deg for CometAPI i dag !