Krótka odpowiedź: globalna usługa ChatGPT prawdopodobnie zużywa rzędu 2 do 160 milionów litrów wody dziennie — bardzo szeroki zakres wynikający z niepewności co do (1) ile energii zużywa pojedynczy komunikat, (2) jak intensywne pod względem zużycia wody są centra danych i sieć dostarczająca im energię elektryczną oraz (3) ile komunikatów jest przetwarzanych każdego dnia. Prawdopodobny „średni” szacunek przy użyciu dobrze udokumentowanych punktów danych to ~17 milionów litrów dziennie dla ~2.5 miliarda monitów dziennie.
Co dokładnie rozumiemy pod pojęciem „zużycie wody” w kontekście ChatGPT?
Bezpośrednie i pośrednie zużycie wody
Kiedy ludzie pytają „ile wody zużywa ChatGPT”, musimy jasno powiedzieć: sama usługa AI (oprogramowanie) nie wylewa wody — woda jest zużywana przez Infrastruktura fizyczna który zarządza usługą. Liczą się dwie kategorie:
- Bezpośrednie (na miejscu) zużycie wody: Woda zużywana przez systemy chłodzenia i nawilżania w centrach danych (wieże chłodnicze wyparne, agregaty wody lodowej, nawilżacze). Jest to powszechnie mierzone za pomocą wskaźnika branżowego. Efektywność wykorzystania wody (WUE), czyli litrów zużytej wody na kWh zużytej energii IT. WUE rejestruje chłodzenie/nawilżanie woda zużyta na miejscu.
- Pośrednie (uwięzione) zużycie wody: Woda używana do wytwarzania energii elektrycznej zasilającej centra danych (chłodzenie termoelektryczne w elektrowniach, woda używana do wydobywania i przetwarzania paliw itp.). W niektórych regionach i przy różnych miksach energetycznych, ilość wody zużywanej do wytworzenia 1 kWh energii elektrycznej może być znacząca. IEEE Spectrum i inne analizy określają ilościowo pobór i zużycie wody na kWh w procesie wytwarzania energii elektrycznej.
Możliwa do obrony ocena całkowitego śladu wodnego polega zatem na dodaniu dwóch elementów:
Całkowita ilość wody na kWh = WUE (l/kWh) + intensywność zużycia wody w procesie wytwarzania energii elektrycznej (l/kWh).
Jak przeliczyć „energię na zapytanie” na „wodę na zapytanie”?
Jakie dane są wymagane?
Aby energia przekształciła się w wodę potrzebne są trzy czynniki:
- Energia na zapytanie (Wh/zapytanie) — ile watogodzin zużywa model, aby odpowiedzieć na jedno pytanie.
- WUE (l/kWh) — ile litrów wody zużywa się na każdą kilowatogodzinę użytą w centrum danych.
- Liczba zapytań dziennie — całkowita liczba żądań przetworzonych przez usługę.
Woda na zapytanie (litry) = (Wh/zapytanie ÷ 1,000) × WUE (l/kWh)
Całkowita ilość wody na dzień = Woda na zapytanie × zapytania/dzień
Jak wiarygodne są te dane wejściowe?
- Zapytania/dzień:Liczba 2.5 miliarda dziennie podana przez OpenAI stanowi wiarygodny punkt wyjścia w raportach branżowych, jednak rzeczywiste dzienne liczby różnią się w zależności od miesiąca i strefy czasowej.
- Energia na zapytanie:szacunki różnią się ogromnie. Dyrektor generalny OpenAI, Sam Altman, stwierdził, że średnie zapytanie ChatGPT zużywa około 0.34 Wh energii (i przyrównał ilość wody na zapytanie do ułamka łyżeczki). Niezależne szacunki naukowców i prasy dotyczące nowoczesnych, zaawansowanych modeli sztucznej inteligencji wahają się od poniżej watogodziny do kilka, a nawet dwucyfrowe watogodziny na zapytanie, w zależności od tego, która wersja modelu obsługuje żądanie i czy szacunki uwzględniają narzut (routing, magazynowanie itp.). Te różnice są głównym powodem rozbieżności w szacunkach zużycia wody.
- WUE: różni się również w zależności od projektu centrum danych i lokalizacji geograficznej — od ≈0.2 l/kWh (bardzo wydajny, obieg zamknięty, bez parowania) do ponad 10 l/kWh w niektórych instalacjach parowych lub instalacjach o niskim zużyciu wody. Analizy międzynarodowe wykazują szeroki zakres.
Ponieważ każda zmienna jest obarczona niepewnością, niewielkie zmiany mnożą się w bardzo różne sumy.
Ile wody zużywa ChatGPT dziennie — praktyczne przykłady z wiarygodnymi założeniami?
Poniżej przedstawiam zestaw przejrzystych scenariuszy, wykorzystując liczbę 2.5 miliarda zapytań dziennie oraz powszechnie cytowane szacunki WUE i energii. Obliczenia są proste i powtarzalne; pokazuję przypadki niskie, średnie i wysokie, aby pokazać wrażliwość.
Zmienne scenariusza (źródła i uzasadnienie)
- Zapytania/dzień: 2.5 miliarda (dane OpenAI/prasowe).
- Wybory WUE:
- Niskie (najlepsze w swojej klasie): 0.206 l/kWh — opublikowane przykłady wysoce wydajnych obiektów.
- Średnio: 1.8 l/kWh — powszechnie cytowana średnia branżowa.
- Wysoki: 12 l/kWh — Zakresy OECD/przemysłu dla obszarów geograficznych/architektur o większym zapotrzebowaniu na wodę.
- Opcje energii na zapytanie:
- Niskie (dane CEO OpenAI): 0.34 Wh/zapytanie (Oświadczenie Sama Altmana).
- Wysoka (górna wartość szacunkowa badań/prasy dla największych modeli): 18 Wh/zapytanie (reprezentatywne dla cięższych instancji modelu; używane tutaj jako ilustracja górnej granicy).
Obliczone wyniki (wybrane przypadki)
Dla ułatwienia odczytu pokażę litry/dzień i galony/dzień. (1 litr = 0.264172 galona amerykańskiego.)
- Niski WUE i niski poziom energii (optymistyczny)
- WUE = 0.206 l/kWh; energia/zapytanie = 0.34 Wh
- Woda na zapytanie ≈ 0.000070 l (≈0.07 ml)
- Całkowita ilość wody/dzień ≈ 175,000 l/dzień (≈ 46 300 galonów amerykańskich dziennie)
- Średnia WUE i niskie zużycie energii (Altman + średnia branżowa)
- WUE = 1.8 l/kWh; energia/zapytanie = 0.34 Wh
- Woda na zapytanie ≈ 0.000612 l (≈0.61 ml)
- Całkowita ilość wody/dzień ≈ 1,530,000 l/dzień (≈ 20 000 galonów dziennie).
- Średnia WUE i umiarkowana energia (1–2 Wh/zapytanie)
- Przy 1 Wh/zapytanie → 4,500,000 l/dzień (≈11 887 740 galonów dziennie).
- Przy 2 Wh/zapytanie → 9,000,000 l/dzień (≈11 887 740 galonów dziennie).
- Średnia WUE i wysoka energia (10 Wh/zapytanie)
- 45,000,000 l/dzień (≈11 887 740 galonów dziennie).
- Wysoki WUE i wysoka energia (pesymistyczny najgorszy przypadek)
- WUE = 12 l/kWh; energia/zapytanie = 18 Wh/zapytanie
- Woda na zapytanie ≈ 0.216 l
- Całkowita ilość wody/dzień ≈ 540,000,000 l/dzień (≈ 143 miliona galonów dziennie)
Te migawki pokazują, że zmiana jednego lub drugiego WUE or Wh/zapytanie Przypadek Altmana + średnia WUE (≈1.53 mln litrów/dzień, ~400 tys. galonów/dzień) to jeden z prawdopodobnych szacunków, jeśli przyjmiemy jego dane dotyczące zużycia energii na zapytanie i średnią branżową WUE. T
Dlaczego publikowane szacunki różnią się tak bardzo?
Główne źródła niepewności
- Energia na monit (kWh): Zależy od typu modelu, długości monitu i wydajności wnioskowania. Szacunki różnią się o rząd wielkości między prostymi wywołaniami małego modelu a dużymi, multimodalnymi żądaniami w stylu GPT-4/GPT-5. Opublikowane niezależne analizy przypisują prawdopodobne wartości od ~1 Wh do ~10 Wh na monit.
- WUE (zużycie wody na miejscu): Dostawcy nowoczesnych, hiperskalowalnych rozwiązań chmurowych inwestują znaczne środki w projekty o niskim zużyciu wody (ekonomizery powietrza, chłodzenie cieczą w obiegu zamkniętym). Hiperskaler klasy Microsoft może osiągać bardzo niskie wartości WUE w wielu lokalizacjach (nawet w przypadku eksperymentów z chłodzeniem bezwodnym), podczas gdy starsze obiekty lub obiekty o ograniczonej lokalizacji mogą osiągać znacznie wyższe wartości WUE. Ten zakres generuje znaczną część niepewności.
- Intensywność wody w siatce: Energia elektryczna może być produkowana przy bardzo różnym zużyciu wody, w zależności od miksu energetycznego. Centrum danych zasilane w 100% energią fotowoltaiczną/wiatrową ma znacznie mniejszy pośredni ślad wodny niż centrum zasilane przez elektrownie termoelektryczne, które wykorzystują wodę chłodzącą.
- Natężenie ruchu i co uznaje się za „monit”: „Podpowiedzi” OpenAI mogą być różne: krótkie, z pojedynczymi pytaniami, lub długie sesje wymiany zdań. Publikowane codzienne sumy podpowiedzi pomagają w rozwiązaniu problemu, ale ilość odpowiedzi na każdą podpowiedź różni się w zależności od długości rozmowy i wykorzystanych usług dodatkowych.
Ze względu na iloczynowy charakter obliczeń (energia × intensywność zużycia wody), niepewność każdego członu ulega kumulacji, dlatego nasze scenariusze niskiego/średniego/wysokiego zużycia różnią się o dwa rzędy wielkości.
Jakie praktyczne działania mogą ograniczyć ślad wodny sztucznej inteligencji?
Dźwignie inżynieryjne i operacyjne
- Przenoszenie obciążeń do regionów o niskim poziomie wód lub obiektów o niskim WUE: Wybieraj centra danych wykorzystujące chłodzenie w obiegu zamkniętym lub chłodzenie ciecz-chip oraz zasilanie z miksów energetycznych o niskiej zawartości wody. Firmy hiperskalerowe coraz częściej publikują wskaźniki WUE i PUE, aby ułatwić podejmowanie takich decyzji.
- Zastosowanie chłodzenia cieczą i zanurzenia na poziomie układu scalonego: Chłodzenie cieczą znacząco zmniejsza zapotrzebowanie na wodę parującą w porównaniu z dużymi wieżami chłodniczymi. Kilku operatorów testuje lub skaluje chłodzenie cieczą dla klastrów GPU.
- Poprawa efektywności modelu i grupowania wniosków: Optymalizacje na poziomie oprogramowania (inteligentniejsze partie, modele kwantyzowane, destylacja) zmniejszają energię w przeliczeniu na odpowiedź, bezpośrednio obniżając intensywność wody w przypadku zastosowania konwersji energia→woda. Trwają intensywne prace naukowe w tym zakresie.
- Przejrzystość i sprawozdawczość: Znormalizowane, audytowane przez niezależne podmioty raportowanie wskaźników PUE/WUE i wnioskowania dla poszczególnych modeli umożliwiłoby lepszą rachunkowość publiczną i kształtowanie polityki. Organy regulacyjne w niektórych jurysdykcjach już naciskają na przejrzystość w zakresie pozwoleń wodnych i lokalnego wpływu na środowisko.
Czy użytkownicy mogą zmniejszyć zużycie wody przez ChatGPT?
Użytkownicy wpływają na łączną powierzchnię, kształtując popyt. Praktyczne sugestie:
- Zadawaj konkretne, wysokiej jakości pytania zamiast wielu małych monitów (zmniejsza to konieczność powtarzania obliczeń).
- Preferuj krótsze, ukierunkowane wyniki kiedy stosowne.
- Użyj lokalnych narzędzi do powtarzających się zadań (np. modele na urządzeniu lub wyniki w pamięci podręcznej), o ile pozwala na to prywatność i wydajność.
Należy jednak pamiętać, że wybory infrastrukturalne dokonywane przez dostawców (które centra danych obsługują zapytania i jakiej technologii chłodzenia używają) mają znacznie większy wpływ na zużycie wody niż indywidualne monity użytkowników.
Podsumowanie: jakie jest odpowiedzialne oszacowanie „ilości wody ChatGPT na dzień”?
Jeśli akceptujesz raport OpenAI 2.5 miliarda komunikatów dziennie, następnie:
- Korzystanie z 0.34 Wh/zapytanie Altmana plus średnia branżowa WUE wynosząca 1.8 l/kWh prowadzi do **szacunkowa wartość środkowa ≈ 1.53 miliona litrów/dzień (~404 000 galonów amerykańskich/dzień)**To jest obronna ocena, jeśli przyjmiemy te dwa założenia.
- Ale zmieniające się założenia daje prawdopodobny zakres od ~175 000 l/dzień (≈46 tys. galonów) w optymistycznych, najlepszych w swojej klasie scenariuszach do setki milionów litrów dziennie w pesymistycznych kombinacjach wysokiego zużycia energii na zapytanie i wysokiego WUE. Dolna granica odpowiada światowej klasy centrom danych o niskim zużyciu wody i niskim zużyciu energii na zapytanie; górna granica odpowiada dużym instancjom modelu obsługiwanym w elektrowniach o niskim zużyciu wody. Rozrzut jest realny i istotny.
Ze względu na tę niepewność najbardziej przydatne działania to: (a) wywieranie nacisku na operatorów, aby publikowali jasne i ujednolicone wskaźniki WUE oraz zużycia energii na zapytanie, (b) priorytetowe traktowanie projektów chłodzenia niskotemperaturowego dla nowych centrów danych AI oraz (c) kontynuowanie badań nad podejściami programowymi i sprzętowymi, które obniżają zapotrzebowanie na obliczenia na zapytanie.
Na początek zapoznaj się z modelem ChatGPT, takim jak GPT-5 Pro możliwości w Plac zabaw i zapoznaj się z Przewodnik po API aby uzyskać szczegółowe instrukcje. Przed uzyskaniem dostępu upewnij się, że zalogowałeś się do CometAPI i uzyskałeś klucz API. Interfejs API Comet zaoferuj cenę znacznie niższą niż oficjalna, aby ułatwić Ci integrację.
Gotowy do drogi?→ Zarejestruj się w CometAPI już dziś !