AI 数据中心给淡水供应带来新压力

随着 AI 扩张与有限的淡水供应发生碰撞，Google News 再次将数据中心的用水问题推到公众视野。争议已不再只是一个服务器园区消耗多少加仑的水，而是运营商从哪里获得这些水、极端高温期间会发生什么，以及居民能否核实企业的相关说法。

Bloomberg 的一项分析发现，自 2022 年以来新建或规划建设的美国数据中心中，约三分之二位于水资源压力较高的地区。三年间，这些地区新增了 160 多座 AI 设施，较此前一段时期增长 70%。

这一发现挑战了行业偏好的效率叙事。Google、Microsoft 和 Amazon 可以降低每单位算力的耗水量，但随着其设施规模不断扩张，总需求仍在增加。它们还必须在节约电力的冷却系统与节约用水的替代方案之间作出选择。

结果是，一场隐藏在全球 AI 竞赛中的本地基础设施争端。运营商需要可靠的冷却能力，公用事业机构需要可信的需求预测，社区则希望在干旱期间保护饮用水。各方衡量问题的方式不同，使得看似简单的用水说法难以直接比较。

Google News 读者需要了解的用水激增情况

眼下的变化在于新增算力的规模和选址，而不是人们刚刚发现服务器需要冷却。

数据中心的计算设备几乎会将输入的全部电力转化为热量。在温度影响性能或损坏组件之前，这些热量必须从处理器、内存、存储设备和网络硬件中排出。

传统计算机机房主要依赖机械空调。大型运营商后来采用蒸发式系统，因为在适宜条件下，水能以较低的电力消耗带走热量。暖空气穿过湿润材料，或者被加热的水流入冷却塔，蒸发将热量带入大气。

这一过程解释了运营商为何通常偏好洁净淡水。溶解矿物质、盐分、生物物质和工业污染物可能导致结垢、腐蚀或微生物滋生。水质化学特性会影响维护需求及冷却设备的使用寿命。

运营商可以处理质量较低的水，但处理过程会消耗能源并需要额外设备。再生废水同样需要可靠的管道、储存设施、合同和质量控制。数据中心不能假定市政再生水网络能够覆盖其选定地点。

因此，对于围绕可靠性设计的设施而言，淡水成为便利的投入资源。运营商从公用事业机构购水，使其在冷却设备中循环，并补充蒸发损失的部分。剩余的一部分水会在矿物质浓度过高后排放。

取水量和耗水量描述的是不同影响。取水量衡量从水源取走的水量，而耗水量衡量未能迅速回归该水源的水量。蒸发冷却用水属于耗水，因为它以水蒸气形式离开了当地水系统。

根据这项水资源压力分析，数据中心用于蒸发冷却的取水中，通常约有 80% 会蒸发。具体比例会随气候、系统设计、运行条件和水质而变化。

国际能源署估计，一座平均规模为 100 兆瓦的数据中心每天消耗约 200 万升水。该机构将这一需求与约 6,500 户家庭相比较。平均值无法预测单个项目的影响，但能说明公用事业机构必须据此规划的规模。

园区还会间接用水。为服务器和冷却设备供电的发电厂在发电时可能消耗水。芯片生产、建筑材料、备用系统和设备制造，也会在设施围墙之外带来额外需求。

IEA 估计，间接活动占数据中心耗水量的 60%。一座设施可能报告较低的现场耗水量，却依赖于在其他地方具有显著水足迹的电力结构。

这一差异很重要，因为所谓零用水冷却通常仅涵盖某一地点的运营。它并不会自动涵盖发电、半导体制造、建设施工，或冷却设备的生产与处置。

Google News 的报道常将这些边界压缩成一个令人担忧的数字。读者更应追问该数字采用了何种边界、衡量的是取水量还是耗水量，以及涵盖的是哪一年。

根本担忧依然成立。更多计算需要更多电力，产生更多热量，并会在水—能源系统的某处增加压力。狭窄的指标可以将这种压力移出视野，却无法将其消除。

AI 芯片让冷却成为更重大的基础设施决策

AI 加速器将更多热量集中在每个机架内，迫使冷却设计在数据中心规划的最早阶段就被纳入考量。

通用服务器将工作负载分布在 CPU、内存和存储设备之间。AI 系统则增加了由高速网络连接的高密度图形处理器或定制加速器集群。这些设备在训练模型和响应用户请求时会消耗大量电力。

机架密度与整个园区的总需求同样重要。当更多电力通过更小的物理区域时，风扇必须推动更多空气穿过狭窄空间。在高密度环境下，空气难以从每个组件高效带走热量。

直接芯片液冷可应对这一限制。冷却液在连接到处理器的冷板中循环，在接近热源的位置吸收热量。随后，热交换器将这部分能量转移到另一个回路或外部冷却系统。

闭环内部的冷却液不一定会持续消耗。运营商可在建设期间为回路注入液体，并让同一流体循环使用。然而，系统仍必须将热量排出建筑物外，这可能需要冷水机、干式冷却器、冷却塔，或这些设备的组合。

浸没式冷却将计算设备置于不导电液体中。一相系统在不使液体沸腾的情况下进行循环。两相系统则让专用流体在低温下沸腾，再捕集并冷凝蒸气。

这些方法可降低风扇能耗并改善传热效率。不过，它们也带来了材料兼容性、维护、供应链和环境方面的问题。一些两相流体含有 PFAS，这类持久性化学物质正面临监管审查。

一项由 Microsoft 主导的冷却评估比较了空气冷却、冷板和两种浸没式方案在整个生命周期内的表现。研究发现，液冷方法可将能源需求降低 15% 至 20%，并将耗水量降低 31% 至 52%。

该研究涵盖的是基于 CPU 的计算，而非专用 AI 加速器。Microsoft 的研究人员表示，他们预计先进芯片也会有类似改善，但后续研究仍未完成。已公布的结果不应被视为适用于所有 AI 的基准。

气候同样会改变计算结果。蒸发冷却在炎热干燥的空气中表现良好，因为水更容易蒸发。遗憾的是，这些条件往往出现在淡水供应已让居民、农民和公用事业机构担忧的地区。

干式冷却通过将热量直接传递给室外空气，避免日常蒸发。它通常需要更大的热交换器，并在炎热天气下消耗更多风扇或压缩机电力。视电网情况而定，这些额外电力可能增加间接用水或排放。

混合式设计会在不同模式间切换。一座设施可能在凉爽时段使用室外空气，在较热时段增加蒸发辅助，并在极端条件下依赖机械制冷。这种灵活性能够减少年度需求，但无法消除高峰日的压力。

高峰需求对本地规划至关重要。即使多个园区在同一炎热干燥周内大量取水，年度总量看起来仍可能可控。而那恰恰也是家庭、农场、发电厂和生态系统同样需要水的时候。

因此，运营商面临一种物理层面的权衡。水可以降低冷却所需电力，而电力可以降低直接耗水量。两种资源都不应被孤立评估。

AI 的增长加剧了这种选择，因为新增产能必须迅速到位。开发商选择土地，部分取决于电力接入、输电条件、税收待遇、施工条件和网络邻近性。在许可证审批或社区反对暴露限制之前，水可能只是次要考量。

淡水节约能源，却将风险转移给社区

核心矛盾是高效计算与本地水安全之间的取舍，而非抽象意义上的科技公司与环境保护之争。

在湿润地区消耗的一加仑水，与在干旱期间消耗的一加仑水，对当地造成的后果并不相同。全球总量描述的是产业规模，但流域条件决定了具体项目是否会威胁其他用水者。

Bloomberg 发现，美国水资源竞争激烈地区近期建成的 AI 数据中心超过 160 座。五个州集中了位于高压力地区的新设施中的 72%。截至 2028 年，至少还有 59 座设施计划建在干旱地区。

这些数字并不能证明每个项目都会造成短缺。水资源压力表示使用者之间相对于可用供应的竞争。实际影响取决于水源、季节条件、公用事业能力、合同优先级以及设施的运行模式。

尽管如此，选址仍带来了举证责任。计划在干旱流域采用蒸发冷却的开发商，应说明高峰需求、预期年度耗水量、干旱应对程序、替代水源，以及未来扩张所依据的假设。

如果许可证仅列出最大取水能力，居民便无法评估这些问题。最大值可能夸大正常用量，而年度估算则可能掩盖极端天气日的需求。两项指标都不可或缺。

公用事业机构也需要逐小时和季节性的用水曲线。供水系统会依据峰值条件而非年度平均值建设管道、泵站、处理能力和储水设施。即使年度耗水量不高，一个园区在热浪期间提高冷却负荷也可能带来成本。

当工业客户获得税收优惠或特殊开发协议时，争议会更加尖锐。社区可能承担基础设施风险，而运营商则以商业敏感信息为由保护项目层面的需求数据。

在俄勒冈州 The Dalles，当地官员最初以商业机密为由反对公开 Google 的用水记录。经过长达 13 个月的法律争斗后，该市公布了这些记录。这一事件显示，保密性可能与公共资源规划发生冲突。

Google 现在公布的地点级用水信息多于许多同行。这种透明度并不能决定每个项目的耗水是否恰当，但它为社区提出更有针对性的问题提供了基础。

补给项目带来了另一项核算挑战。企业为湿地修复、灌溉升级、漏损减少、地下水回灌及其他旨在向流域返还水资源效益的项目提供资金。

Google 报告称，其在 2024 年补给了 45 亿加仑水。其环境成果显示，这一水量相当于其淡水消耗量的 64%，而 2023 年为 18%。

补给可以带来实际效益，但它并不等同于减少某一设施的取水量。修复项目可能在流域的另一部分开展，在另一个季节产生效益，或依赖估算得出的节水量。

在干旱期间，时间尤为重要。一个全年节水的项目，并不一定能替代数据中心旁边最炎热午后所消耗的水。按体积平衡的计算可能掩盖地点、时间和生态价值上的差异。

企业通常会追求水资源正效益目标，即力求补给的水量超过其运营消耗的水量。这个说法听起来像是实体上的盈余，但通常是跨多个设施和项目得出的核算结果。

这并不意味着相关工作没有意义。它意味着读者应区分企业整体组合的进展与当地运营影响。企业可以朝着全球目标迈进，同时某个特定城镇却面临更高的峰值需求。

同样的谨慎也适用于效率。用水效率衡量每千瓦时计算能源所消耗的水量（升）。它有助于运营商比较不同设计，但单位强度下降并不保证总用水量下降。

如果计算需求的增长快于效率提升，总用水量就会上升。这种反弹效应正处于 AI 基础设施争论的核心。更好的设备可以降低每次计算的影响，同时扩大交付计算的数量。

Google、Microsoft 和 Amazon 正在选择不同路径

大型科技公司日益认同必须减少用水，但其方法和披露边界仍难以比较。

Google 将其方法描述为兼顾气候因素的冷却。该公司称，会评估当地水文条件，并根据站点状况采用空气冷却、蒸发式系统或替代水源。

Google 还承诺，到 2030 年补给其办公室和数据中心所消耗淡水量的 120%。其水资源项目组合显示，截至 2024 年底共有 112 个补给项目。

该目标面向流域，但并不承诺每座设施都将在当地补给自身的用水消耗。组合层面的核算让公司可以在可实施且可测量干预措施的地方支持项目。

Microsoft 一直强调为较新的 AI 基础设施采用闭环液冷。该公司称，这些系统让水在服务器和冷水机之间循环，无需持续供应淡水进行蒸发。

其设施群中仍包含数代不同的冷却技术。2026 年 6 月，Microsoft 报告称，平均用水效率已从早期设施的每千瓦时 2.3 升降至 2025 年的 0.27 升。

Microsoft 还表示，其自有数据中心设施群的用水强度较 2022 年基准降低了 25%。这些是公司自行报告的测量结果，而非运营商之间经过独立标准化的比较。

该公司的用水强度更新说明了为何冷却相关说法需要明确范围。该文称，蒸发辅助仅在华氏 85 度以上启动，因此用水量可比传统水冷系统低多达 90%。

这种设计在北欧一年中的大部分时间可能无需冷却用水。同一方法在 Arizona 的表现则不同，那里高温条件持续更久，水资源压力也更大。

Amazon Web Services 在许多设施中采用直接蒸发冷却，但会随天气条件切换冷却模式。它还将部分站点接入经处理的废水，从而减少对饮用水供应的需求。

再生水之所以看似具有吸引力，是因为服务器并不需要达到饮用水水质。然而，要可靠地使用再生水，需要与公用事业部门协调，并建设独立基础设施。较小的市政机构可能既缺少相应管网，也不具备超大规模园区所需的处理能力。

AWS、Google 和 Microsoft 也利用软件优化冷却。传感器监测温度、湿度、压力、流量和设备性能。随着工作负载和室外条件变化，控制系统可以调整风扇、水泵和阀门。

这些运营改进之所以重要，是因为冷却基础设施很少以单一固定负载运行。更好的控制系统可在需求未满时减少不必要的消耗。但当 AI 加速器接近满负荷运行时，它们无法消除所产生的热量。

当运营商发布不同指标时，比较就会变得不可靠。一家公司可能报告取水量，另一家报告消耗量，还有一家报告用水效率。有些公司纳入租赁设施，另一些则只关注自有站点。

报告期也可能按自然年或企业财年计算。补给总量可能包含数据中心流域之外的项目。与电力相关的间接用水往往单独列出，或根本不予披露。

因此，可信的比较需要多项指标：总取水量、总消耗量、水源类型、季节性峰值、当地水资源压力、冷却技术，以及电力带来的间接用水。若单一园区占市政需求相当大的比例，还需要站点级数据。

Google News 读者不应根据单一全球总量给企业排名。较高的披露数值可能反映更大的设施群、更宽的报告边界或更高的透明度。较低数值则可能反映更好的工程设计、覆盖不完整，或两者兼有。

这些数字仍掩盖着最棘手的问题

行业最大的不确定性不在于数据中心是否消耗水，而在于公开报告是否揭示了正确地点的正确消耗量。

联邦层面的图景始于并不完美的数据。2024 年美国数据中心能源使用报告利用设备出货量、设施类型和运营假设，对历史及未来电力需求进行了估算。

其全国能源研究估计，美国数据中心在 2023 年消耗了 176 太瓦时电力，约占全国用电量的 4.4%。

报告预计，到 2028 年用电量将达到 325 至 580 太瓦时，相当于美国电力使用量的 6.7% 至 12%。这一范围反映了 AI 硬件部署、利用率和效率方面的不确定性。

用水预测也继承了这些不确定性。未来需求取决于设施建设地点、冷却系统、当地天气、电网构成和运营强度。全国范围的数据无法告诉一个城镇，其含水层能否支撑一个拟议园区。

企业可持续发展报告的节奏也落后于建设决策。今天宣布的设施可能数年后才会投入运营，而企业报告描述的是此前的报告期。社区必须在运营测量数据尚不存在前评估未来需求。

开发商可能在分区审批和建设之间改变设计。园区计划也可能分阶段扩建。一栋建筑的许可可能成为多栋建筑的基础，使电力和冷却需求成倍增加。

签约容量是另一项不确定指标。数据中心可能为完全建成后的规模确保充足电力和水资源，但在初期实际运营低于这一上限。仅报告当前使用量会低估潜在需求，而报告最大容量则可能夸大短期影响。

补给核算的质量同样值得严格审视。灌溉或漏损修复项目的估算节水量取决于反事实情景，即对未进行干预时可能发生情况的估计。

项目需要具备额外性、可信的测量方法和持久的成果。企业不应将一个原本已被要求、已获得全额资金支持，或即使没有其参与也很可能发生的节水项目全部价值计入自身。

流域边界同样重要。在数百英里外补给水资源，可能改善企业比例，却无法减轻承载计算设施社区的压力。报告应说明效益发生地点，以及其如何与季节性需求相匹配。

批评者有时会将 AI 查询与一瓶瓶水进行比较。这类数字可以让不可见的影响变得易于理解，但它们依赖于工作负载、模型、硬件、设施、气候、利用率和电力等假设。

一次提示并不存在统一的水足迹。在凉爽地区由高效硬件处理的简短请求，与在炎热、水资源紧张地点处理的长篇推理任务并不相同。

按查询估算还可能将责任完全转移给用户。运营商选择设施地点、能源合同、硬件配置、冷却设计和披露做法。这些选择在用户输入提示前，就已决定了环境影响的很大一部分。

与此同时，戏剧化的比较可能模糊规模。农业在许多地区仍然是大得多的淡水用户。这个事实并不意味着新增工业需求无害，尤其是当其迅速进入一个受限的市政系统时。

相关检验标准是边际影响。规划者必须问：下一个园区是否会增加其他用户面临的稀缺性、基础设施成本或干旱脆弱性。即使在全国占比很小，也仍可能在当地造成重大问题。

三个信号将显示水资源承诺是否兑现

下一阶段将取决于站点级披露、闭环系统的真实运营数据，以及可执行的干旱保护措施。

第一个信号是标准化的本地报告。运营商应分别披露取水量和消耗量，说明水源，报告月度峰值，并解释哪些设施被排除在外。

站点级报告将使公用事业部门能够将预测需求与实际使用量进行比较。它还将显示，较低的企业平均值是否掩盖了位于高压力流域的园区运营状况。

最有力的政策将披露要求与许可和公用事业规划相连接。自愿报告可以提高透明度，但其定义可能变化。许可条件则能在建设开始前建立稳定预期。

一套有用的披露体系应保护合理的安全细节，而不应将市政用水需求视为商业机密。社区无需了解服务器布局，也能理解一个项目预计在干旱期间消耗多少水。

如果未来数月内一致的报告标准得到推广，行业的水资源正效益叙事将更容易接受检验。持续的抵触将削弱“现有企业披露已足够”的说法。

第二个信号是新建闭环 AI 园区的运营表现。Microsoft 和其他开发商称，再循环设计可以大幅减少持续的淡水消耗。

关键证据将包括测得的用电量、耗水量、排热性能，以及在炎热季节的可靠性。实验室比较和设计预测无法替代全规模运营数据。

闭环系统还应报告因额外用电而间接消耗的水。若一项设计消除了冷却塔蒸发，却提高了电网需求，它可能将部分足迹转移至发电环节。

如果这些系统能在极端高温下维持性能，同时不显著增加能耗，就将进一步证明：在水资源紧张地区，应限制采用蒸发冷却。如果能源需求大幅上升，混合式设计可能仍有必要。

第三个信号，是政府和公用事业机构如何在干旱期间分配风险。许可可以设定用水上限、要求使用再生水、制定限供规则，或将扩建与新增供水能力挂钩。

一项可信的干旱应对方案，应明确哪些用水方优先减少需求，以及备用基础设施的成本由谁承担。当水库水位下降或地下水井出水减少时，含糊的合作承诺几乎无法提供保障。

公用事业合同同样能揭示，居民是否正在补贴工业增长。新的园区可以增强地方税基，但也可能需要建设使用数十年的处理厂、水泵、管线和电力基础设施。

开发商应直接承担可明确归因于其项目的成本。社区也应获得清晰证据，证明新增供水并非只是从农场、生态系统或邻近城镇转移水资源。

这三个信号比又一项全球承诺更重要。公开数据可以建立基准，运营结果可以检验工程承诺，而可执行的规则则能在条件恶化时保护社区。

这场讨论之所以通过 Google News 浮现，是因为水资源让 AI 基础设施变得具体可感。模型在屏幕上或许显得轻盈无形，但支撑它运行的机器位于特定流域之中，并受制于物理条件的限制。

当下一个园区宣布落地时，读者应提出三个问题：它将使用什么水源进行冷却？最炎热的一周会发生什么？谁能核实答案？这些问题能将宽泛的环境争论，转化为一项可被问责的本地决策。