简短答案：ChatGPT 的全球服务每日用水量很可能在一个非常宽的区间内，约为每天 200 万到 1.6 亿升水——这一巨大差异源于不确定性：（1）单次请求的能耗究竟是多少；（2）提供电力的数据中心及电网的用水强度如何；（3）每天处理的请求数量是多少。基于有文献支撑的数据点的一个中位估计是：在每天约 25 亿次请求的情况下，约每天 1700 万升。
我们所说的“ChatGPT 的用水”究竟指什么？
直接与间接用水
当人们问“ChatGPT 用了多少水”时，必须明确：AI 服务本身（软件）不会用水——用水的是运行该服务的物理基础设施。两个类别很重要：
- 直接（现场）用水：数据中心的冷却与加湿系统所用的水（蒸发式冷却塔、水冷机、加湿器）。行业常用指标为 Water Usage Effectiveness（WUE，单位为每千瓦时 IT 能耗对应的用水升数）。WUE衡量的是现场用于冷却/加湿的用水。
- 间接（隐含）用水：用于发电的水（电厂的热电冷却、燃料开采与加工所用水等）。在一些地区与电力结构下，为发出 1 kWh 电力所用的水可能相当可观。IEEE Spectrum 等分析量化了发电的取水与消耗（按 kWh 计）。
因此，合理的总水足迹估算将二者相加：
总用水（每 kWh） = WUE（L/kWh） + 发电的用水强度（L/kWh）。
如何把“每次查询的能耗”换算成“每次查询的用水”？
需要哪些数据？
从能耗转换为用水需要三个输入：
- 每次查询的能耗（Wh/query）——模型回答单个请求所消耗的瓦时数。
- WUE（L/kWh）——数据中心每消耗 1 kWh 所对应的用水升数。
- 每日查询次数——该服务每天处理的总请求数。
每次查询的用水（升） =（Wh/query ÷ 1,000）× WUE（L/kWh）
每日总用水 = 每次查询的用水 × 每日查询次数
这些输入有多可靠？
- 每日查询次数：OpenAI 的每天 25 亿次数据是一个可靠的起点，实际每日数量会随月份与时区波动。
- 每次查询能耗：估计差异巨大。OpenAI CEO Sam Altman 表示，平均单次 ChatGPT 查询约消耗 0.34 Wh（并将其等同于一小部分茶匙的用水）。独立学术与媒体对现代、重负载 AI 模型的估计从不足 1 Wh 到每次查询数瓦时甚至两位数瓦时不等，取决于服务请求时用的是哪个模型版本，以及是否包含路由、存储等开销。这种差异是各种用水估算分歧的核心原因。
- WUE：也因数据中心设计与地域差异而变化——从约 0.2 L/kWh（高效、闭环、非蒸发式）到某些蒸发式配置或用水效率低的设施超过 10 L/kWh。国际分析显示区间很宽。
因为每个变量都存在不确定性，微小变化会使总量相差甚大。
ChatGPT 每天用水多少——使用合理假设的示例计算？
下面我用每天 25 亿次请求、常见的 WUE 与能耗估计做一组透明场景。计算很简单可复现；我展示低、中、高三档，以呈现敏感性。
场景变量（来源与依据）
- 每日查询次数：25 亿（OpenAI/媒体报道）。
- WUE 选项：
- 低（业界领先）：0.206 L/kWh——公开的高效设施案例。
- 平均：1.8 L/kWh——行业常见平均值。
- 高：12 L/kWh——OECD/行业在更高用水地区/架构的范围。
- 每次查询能耗选项：
- 低（OpenAI CEO 数字）：0.34 Wh/query（Sam Altman 的表述）。
- 高（研究/媒体对最大模型的上限估计）：18 Wh/query（代表更重的模型实例；此处用于上限示例）。
计算结果（部分案例）
为便于阅读，我同时给出升/天与加仑/天。（1 升 = 0.264172 美国加仑。）
- 低 WUE 与低能耗（乐观）
- WUE = 0.206 L/kWh；能耗/查询 = 0.34 Wh
- 每次查询用水 ≈ 0.000070 L（≈0.07 mL）
- 每日总用水 ≈ 175,000 L/天（≈ 46,300 美国加仑/天）
- 平均 WUE 与低能耗（Altman + 行业平均）
- WUE = 1.8 L/kWh；能耗/查询 = 0.34 Wh
- 每次查询用水 ≈ 0.000612 L（≈0.61 mL）
- 每日总用水 ≈ 1,530,000 L/天（≈ 404,000 加仑/天）
- 平均 WUE 与中等能耗（1–2 Wh/query）
- 在 1 Wh/query → 4,500,000 L/天（≈1,188,774 加仑/天）
- 在 2 Wh/query → 9,000,000 L/天（≈2,377,548 加仑/天）
- 平均 WUE 与高能耗（10 Wh/query）
- 45,000,000 L/天（≈11,887,740 加仑/天）
- 高 WUE 与高能耗（悲观最坏情况）
- WUE = 12 L/kWh；能耗/查询 = 18 Wh/query
- 每次查询用水 ≈ 0.216 L
- 每日总用水 ≈ 540,000,000 L/天（≈ 143 million 加仑/天）
这些快照显示，只需适度改变 WUE 或 Wh/查询，结果就会大相径庭。若接受 Altman 的能耗数字并使用行业平均 WUE（≈1.53 百万升/天，约 40 万加仑/天），这是一个可辩护的中位估计。T
为何已发表的估算差异如此之大？
主要不确定来源
- 每次请求能耗（kWh）：取决于模型类型、提示长度与推理效率。简单的小模型调用与大型多模态 GPT-4/GPT-5 类请求之间可能相差一个数量级。独立分析给出的合理区间约在每次请求 ~1 Wh 到 ~10 Wh。
- WUE（现场用水）：现代超大规模云提供商在低用水设计上投入很大（空气节能器、闭环液冷）。类似 Microsoft 级别的超大规模厂商在很多地点可实现非常低的 WUE（甚至探索接近零用水冷却），而较旧或受地点限制的设施可能有更高的 WUE。这一范围贡献了不确定性的很大部分。
- 电网用水强度：电力的用水强度随电力结构变化很大。数据中心若由 100% 光伏/风电供电，其间接用水足迹会远低于依赖冷却水的热电厂电力。
- 流量规模与“提示”的定义：OpenAI 的“提示”可能不同：简短的单问提示 vs. 长篇往复会话。已公布的每日提示总数有助于设定边界，但每次提示的用水会随会话长度与辅助服务而变化。
由于计算是乘法（能耗 × 用水强度），各项不确定性会叠加，这就是低/中/高场景相差两个数量级的原因。
降低 AI 用水足迹的务实举措？
工程与运营杠杆
- 将负载迁移至低用水地区或低 WUE 的设施：选择采用闭环或芯片级液冷并从低用水电力结构供电的数据中心。超大规模运营商越来越多地发布 PUE/WUE 指标以供参考。
- 采用液冷与芯片级浸没：与大型蒸发式冷却塔相比，液冷可显著降低蒸发用水需求。多家运营商正在试点或扩大用于 GPU 集群的液冷。
- 提升模型效率与推理批处理：软件层优化（更智能的批处理、量化、蒸馏）降低每次响应能耗，当进行能耗→用水转换时直接降低用水强度。相关学术研究正在进行中。
- 透明与报告：标准化、第三方审计的 PUE/WUE 与各模型推理指标报告，将促进更好的公共核算与政策制定。一些司法辖区监管方已推动用水许可与本地影响的透明化。
用户能否降低 ChatGPT 的用水足迹？
用户可通过影响需求来改变总体足迹。实践建议：
- 尽量提出聚焦、优质的提示，而非大量碎片化提示（减少重复计算）。
- 在合适情境下，选择更短、更有针对性的输出。
- 对重复任务使用本地工具（如设备端模型或缓存结果），在隐私与性能允许的情况下。
尽管如此，服务提供商的基础设施选择（哪些数据中心提供服务、使用何种冷却技术）对用水影响远大于个体用户的提示。
结论：对于“ChatGPT 每天用水”什么是负责任的估计？
若接受 OpenAI 报告的每天 25 亿次提示，则：
- 采用 Altman 的 0.34 Wh/查询并使用行业平均 WUE 1.8 L/kWh，得到的中位估计约为每天 1.53 百万升（约 404,000 美国加仑/天）。若接受这两项输入，这是一个可辩护的头条估算。
- 但改变假设会得到一个合理区间：在乐观的业界最佳场景下约 175,000 L/天（≈46k 加仑），到在高每次查询能耗与高 WUE 的悲观组合下达到数亿升/天。低端对应世界级低用水数据中心与低每次查询能耗；高端对应在用水效率低的设施中服务重负载模型实例。这个区间差异真实且显著。
鉴于不确定性，最有用的行动是：（a）推动运营商发布清晰、标准化的 WUE 与每次推理能耗指标；（b）为新的 AI 数据中心优先采用低用水冷却设计；（c）持续研究在软件与硬件层面降低每次查询计算量的方案。
To begin, explore the ChatGPT model such as [GPT-5 Pro]’s capabilities in the [Playground] and consult the [API guide] for detailed instructions. Before accessing, please make sure you have logged in to CometAPI and obtained the API key. [CometAPI] offer a price far lower than the official price to help you integrate.
Ready to Go?→ [Sign up for CometAPI today] !