Choose your path
OpenAI 執行長 Sam Altman 公開表示，平均一次 ChatGPT 查詢使用 ≈0.000085 加侖水（約 0.32 毫升，大約是
from openai import OpenAI
client = OpenAI(
api_key="YOUR_COMETAPI_KEY",
base_url="https://api.cometapi.com/v1",
)
response = client.chat.completions.create(
model="gpt-5-mini",
messages=[{"role": "user", "content": "Build this workflow."}],
)
print(response.choices[0].message.content)OpenAI 執行長 Sam Altman 公開表示 平均 ChatGPT 查詢使用 ≈0.000085加侖 水（約 0.32毫升（大約十五分之一茶匙）和 ≈0.34瓦時 每次查詢耗電量。這個每次查詢的數字，如果按比例乘以幾倍，就變得有意義了，但仍然比之前許多危言聳聽的標題所聲稱的要小得多—— 提供 您接受 Altman 關於每次查詢能耗以及 ChatGPT 資料中心用水效率的假設。使用不同假設（尤其是不同的用水效率 (WUE) 值）的獨立分析得出的數字可能會高出或低出數倍。
在公開演講中，OpenAI 的執行長和發言人給出了一個非常小的每次查詢用水量數字：大約 每次查詢 0.32 毫升，相當於 0.000085加侖 （≈8.45×10⁻⁵ 加侖）。這大約相當於每次查詢需要十五分之一茶匙的水，也是公司在試圖證明個體互動的微小邊際影響時最常被引用的數字。
獨立研究人員和非政府組織採用不同的方法：他們估算每次查詢所消耗的電能，然後乘以 水強度 （每單位電力消耗的水量）來取得每次查詢所需的水量。兩種常見的輸入方式如下：
把它們放在一起可以得到一個簡單的轉換：
基於能量的估計值（~5 ml / 0.0014 gal）是 比 OpenAI 的每次查詢資料高出一個數量級 （0.32 毫升）。關於每次查詢的能量、水分利用效率 (WUE)、是否包含發電產生的間接水以及將模型的哪一部分（訓練還是推理）分配給「查詢」的不同假設，在很大程度上解釋了這一差距。有關範圍和敏感性分析，請參見下文。
「資料中心使用的水」這句話可以表示不同的意義：
報告和監管機構使用這些指標的不同組合。對於具有操作性和地方意義的指標，WUE（每千瓦時IT能源消耗的升數）被廣泛使用；對於生命週期和政策辯論，通常會添加發電產生的間接水量。
冷卻方法很重要：
一項嚴格的審查（《自然》/npj《清潔水》）證明，消費價值差異很大——從接近零到 每千瓦時4.4升 （取水量可能會大幾個數量級），取決於設計和氣候。這種變化是每次查詢取水量跨度超過兩個數量級的核心原因。
讓我們計算一下三種情況 為前線醫護人員打氣，送上由衷的敬意。讓你在送禮的同時，也為香港盡一分力。 ChatGPT 使用常用的輸入進行查詢，然後根據假設的查詢量擴展到每日總數。
輸入
每個查詢的結果（公升和加侖）：
擴充範例（假設 ChatGPT 每天處理 1 億次查詢）：
這些是合理的說明性數字——它們表明 即使每次查詢的數字很小，總用水量也可能有意義最近的報告顯示，超大規模設施集群已經消耗了 每年數億至數十億加侖 在某些地區。
另外兩個限定條件也必不可少：
如果報告混合了訓練和推理，且沒有明確分配，則會誇大每次查詢的佔用空間；相反，忽略訓練會低估模型的生命週期佔用空間。獨立分析會仔細說明其包含哪些內容。
與回答單一問題相比，訓練大型 Transformer 模式是一項耗水量更大的一次性活動。 Li 等人（2023 年）在一篇值得注意的同儕審查/預印本分析中估計： 訓練 GPT-3 在美國超大規模資料中心可以 直接蒸發約700,000萬公升 淡水（≈ 約185,000加侖）——他們預測，如果這種趨勢持續下去，到2020年代中期，與人工智慧相關的取水量將達到數十億立方公尺。這個例子表明，就絕對用水量而言，訓練可以與數月的運行時間相媲美。 arXiv
訓練的耗水強度源自於在密集 GPU 叢集上長時間、持續的高利用率運行，以及依賴大量蒸發水消耗（取決於設計）的冷卻系統。訓練是階段性的，但規模較大；推理是連續的，但單位體積較小。它們共同決定了模型的生命週期水足跡。
最近的報告顯示，OpenAI 正在積極推動大型基礎設施項目，其中包括一份備受矚目的阿根廷大型資料中心項目意向書。該專案一旦建成，將把大量運算資源集中在一個地區，並改變該地區的水/能源動態。地理位置至關重要：沿海或潮濕地區、再生水的取得以及當地法規都會影響水資源利用率 (WUE)。
各大雲端供應商正在推出 節水資料中心設計：微軟已經發布了關於下一代設計的計劃和案例研究，這些設計可以運行人工智慧工作負載 現場蒸發水量接近零 透過採用晶片級冷卻和其他創新技術（將於2024-2025年發布）。如果這些工程軌跡被廣泛採用，隨著時間的推移，可以顯著減少每次查詢的水足跡。
「多少加侖」這個問題看似簡單。每次查詢都會傳回一個數字，例如 0.000085加侖 令人鼓舞的是，它很小，有助於傳達現代雲端服務在能源和水資源方面進行了優化——但它 僅一件 謎題的核心在於累積消耗、訓練的長尾影響以及大型設施的選址。獨立研究（Li 等人）、政府實驗室報告（LBNL）以及近期的行業評論（Altman）都得出了相同的實際結論：人工智慧的水足跡是可以管理的——但前提是提高透明度、選擇更聰明的冷卻方式、提高模型設計效率，並協調政策以保護當地水資源。
首先，探索 ChatGPT 模型，例如 GPT-5 專業版 的能力 游乐场 並諮詢 API指南 以獲得詳細說明。造訪前請確保您已經登入CometAPI並取得API金鑰。 彗星API 提供遠低於官方價格的價格，幫助您整合。
準備出發了嗎？ → 立即註冊 CometAPI !