AI 数据中心的用水需求令当地供水承压

Google News 聚合的报道显示，围绕 AI 数据中心的冲突正在加剧：其冷却需求正与干旱、老化的公用设施以及公众的不信任发生碰撞。

眼下的焦点已不再只是服务器会耗水。社区如今希望了解，单个园区需要多少水、需求将在何时达到峰值，以及供应短缺时谁应享有优先权。这些问题正从环境讨论进入许可审批、公用事业规划和州级政策领域。

AI 公司将数据中心描述为模型训练、云服务和日常推理不可或缺的基础设施。居民则将其视为与当地争夺电力、土地，有时甚至是饮用水的工业设施。数字服务与其实体足迹之间的落差，正是这场争议的核心。

其中的取舍难以回避。蒸发冷却可降低用电需求，但会消耗水资源。干式冷却能够节约用水，却会增加能耗，尤其是在炎热天气下。闭环液冷系统可改善设施内部的热量传递，但并不必然消除其他环节的用水。

因此，单一的全国用水数据无法平息争论。数据中心在美国总用水量中占比有限，但单个园区就可能给资源受限的本地系统带来严重压力。选址、冷却设计、峰值需求和信息披露，比一个孤立的全国百分比更重要。

用水争议已进入地方许可审批

AI 数据中心的用水需求正成为获批条件，而不再是社区在项目建成后才处理的担忧。

Google News 汇集的近期报道显示，官员们正面临一个实际问题：当地公用事业系统能否在不削弱现有用户服务的情况下，支撑大型计算园区？答案越来越取决于运营商尚未持续披露的信息。

弗吉尼亚州提供了一个突出的例子。一项州级地下水研究考察了东部沿海平原地区水资源可用性下降的情况；该地区正面临人口增长和工业需求上升。研究作者并未将含水层问题完全归咎于数据中心，但发现有关设施层面用水量的信息仍然有限。

该研究建议加强许可权限、推进更紧密的规划，并在批准大规模地下水取用前更多考虑再生水或地表水。对于弗吉尼亚州东部，其结论尤为直接：在现有条件下，采用蒸发冷却的设施将难以获得足够可靠的地下水供应。

这很重要，因为弗吉尼亚州拥有全球最密集的数据中心集群。当地的决策可能影响其他地区的公用事业标准、披露规则和冷却要求。

纽约州则采取了更进一步的措施。2026 年 7 月，在监管机构制定涵盖能源、水资源和环境影响的规则期间，该州暂停了新建超大规模数据中心的许可审批。超大规模设施是为支撑庞大云计算和 AI 工作负载而设计的超大型园区。

这项全州暂停措施表明，政策制定者不再将每个项目视为孤立的土地利用决策。他们正考虑电网、供水系统和周边社区所承受的累积需求。

这些举措并不意味着全国范围内拒绝 AI 基础设施。它们表明，自动获批在政治上变得更困难。开发商越来越需要在获得许可、税收优惠或公用事业承诺之前说明资源需求。

公众讨论也不只局限于全国最干旱的地区。供水压力可能源于处理能力有限、季节性干旱、地下水下降，或管道无法在高峰时段输送足够的水量。

一家公用事业机构或许拥有充足的年度供水量，却无法满足设施在最炎热日子的需求。开发商援引年均用水量时，这一区别往往被忽略。

当一个大型园区带着不明确的需求进入规划流程，冲突便会出现。届时，居民被要求信任一些预测，而这些预测可能没有区分饮用水、再生水和间接用水。

即使项目的年度需求看似可控，这种不确定性仍会引发抵触。社区希望看到可执行的限制，而不是未来效率提升能够解决问题的承诺。

AI 数据中心为何需要水

其基本原理很简单：高密度计算会将电力转化为热量，而运营商必须持续转移这些热量。

AI 设施将专用处理器密集部署在机架中，其耗电量远高于传统办公设备。图形处理器及其他加速器可同时执行大量计算，因此适合训练和提供 AI 模型服务。

输入这些芯片的几乎所有电力最终都会转化为热量。如果运营商无法将热量移除，处理器就会降速、故障或关闭。因此，冷却是计算系统的一部分，而非可有可无的楼宇服务。

蒸发冷却通过让部分供水蒸发来带走热量。与基于制冷的冷却方式相比，这一过程可消耗更少电力，尤其是在温度和湿度条件适宜时。

其缺点在于水资源消耗。蒸发后的水离开了直接流域，必须由新的供水补充。设施还会排放部分水，以控制冷却设备内的矿物质浓度。

干式冷却更多依赖空气、风扇和机械系统。它可以显著降低直接用水量，但在极端高温下的用电需求会增加。而这些时段往往也是当地电网压力最大的时段。

芯片直冷让液体流经靠近处理器布置的密封设备。与通过服务器机房输送冷空气相比，它能更有效地传递热量，因此对高密度 AI 硬件很有价值。

然而，内部闭环并不能回答全部用水问题。设施仍需释放所捕获的热量。其最终散热设备可能使用冷却塔、冷水机组、室外空气，或这些系统的组合。

水资源使用效率，即 WUE，用于衡量相对于计算设备能耗的用水量。它有助于比较不同设施，但年度平均值会掩盖季节和地点之间的差异。

一个园区可能报告了理想的年度 WUE，却在夏季缺水期间消耗最多的水。它还可能通过使用由耗水型发电厂生产的电力，将用水需求转移到园区围墙之外。

这种间接足迹相当可观。劳伦斯伯克利国家实验室发布的美国能源报告估计，美国数据中心在 2023 年直接消耗了约 660 亿升水。

同一报告估计，与发电相关的间接用水量约为 8,000 亿升。由于冷却技术、电力来源和运行条件各不相同，这两项估计都存在不确定性。

伯克利实验室预计，到 2028 年，直接用水量可能达到每年 1,450 亿至 2,750 亿升。这一区间反映了增长速度、冷却选择和计算效率方面的不确定性。

这些数字覆盖所有数据中心，而非仅限 AI。由于设施通常混合运行 AI 工作负载、普通云存储、流媒体、企业软件和互联网服务，将 AI 工作负载单独区分出来仍然困难。

单次提示词的估算也面临同样的问题。一项 AI 请求所关联的用水量会随模型规模、硬件利用率、当地天气、冷却设计和电力来源而变化。

因此，简单地声称每条提示词都会消耗固定一瓶水，可能会误导读者。它将可变的基础设施足迹转化为现有证据无法支持的通用单位。

更有意义的问题在于，正在为 AI 建设的边际系统。新的园区、发电厂、冷却系统和管道会形成长期需求，而这些需求不会随着单个模型的变化而消失。

Google News 揭示了承诺与现实之间的落差

科技公司承诺建设高效的 AI 基础设施，但社区仍缺少检验这些说法所需的园区级信息。

Google、Microsoft、Amazon 和 Meta 会发布包含全公司用水数据及部分效率指标的可持续发展报告。这些披露有助于追踪趋势，但很少提供每个园区完整的本地运行情况。

Google 报告称，其在 2024 年补给了 45 亿加仑水。该公司表示，这相当于其淡水消耗量的 64%，而 2023 年这一比例为 18%。

水资源补给为旨在恢复或改善水资源可用性的项目提供资金。这类项目包括流域治理、减少漏损、栖息地修复和改善灌溉。

水资源补给并不等同于减少设施的即时取水量。一个项目可能带来长期区域效益，但数据中心仍可能在干旱期间增加特定公用事业系统的需求。

Google 还表示，其 AI 基础设施正变得更加高效。其环境信息披露显示，能源额外开销有所降低，加速器效率也在提升。

这些改进很重要，因为每项任务所需的千瓦时更少，能够同时降低电力需求和间接用水需求。然而，当 AI 计算量增长快于效率提升时，效率并不保证总消耗下降。

这正是行业可持续发展叙事核心的反弹问题。每单位计算的资源密集度可以降低，但总需求仍会持续攀升。

Microsoft 表示，一种较新的数据中心设计在运行期间不使用水进行冷却。该公司估计，该设计可使每座设施每年避免约 12.5 万立方米的用水。

其零用水设计让冷却液循环运行，不依赖蒸发来进行日常冷却。Microsoft 还表示，芯片直冷支持密度日益提高的 AI 系统。

这一设计代表了有意义的工程应对措施。但这并不意味着现有的每个 Microsoft 园区都已采用该设计，也无法消除发电或设备制造环节的用水。

改造旧园区也可能比新建设施更困难。现有设施拥有固定的布局、公用事业连接和为较早期服务器密度设计的冷却设备。

这构成了主要冲突。公司描述的是一支每单位计算用水更少的未来设施队伍。社区则必须决定，是否批准采用当前设计且预测并不完整的现有项目。

Google News 的报道使这一落差更为明显，因为地方争议很少能被企业可持续发展总量指标整齐概括。一个项目可能使用再生废水，另一个则接入夏季容量有限的饮用水系统。

企业平均值可能将这两种情况合并为一个指标。居民和公用事业管理者需要将这些细节区分开来。

有用的披露信息应包括拟议水源、最高日需水量、预期季节性模式、冷却技术、备用运行模式和排放方案，并应区分取水量与耗水量。

取水量衡量从水源取走的水，包括之后返还的水。耗水量则指在当前系统中无法再利用的水，通常是因蒸发所致。

当一家公司声称水在闭环中循环时，这一区别尤为重要。内部循环或许会重复利用冷却液，但外部排热系统仍可能持续耗水。

因此，公众审视并不只是对庞大数字的反应，也是对不相容计量口径和设施级数据获取受限的回应。

地方供水比全国占比更重要

数据中心在全国范围内可能只是小型用水户，却仍可能成为重大的地方基础设施问题。

在全国层面，农业、发电和居民生活的耗水量远高于数据中心。行业支持者据此认为，公众讨论夸大了该行业的资源足迹。

这种比较提供了背景，但无法判断某个具体项目是否可持续。水并不总能在不同地区、季节或公用事业系统之间轻易调配。

理论上在别处可获得的一加仑水，无法帮助地下水位正在下降的小镇。较低的年平均值也无法解决热浪期间的峰值需求问题。

研究人员将此称为“小瓶子、大管道”问题。全年总耗水量可能看起来不高，但公用事业仍须为设施最高需求建设管道、泵站、储水和处理能力。

这些基础设施会带来财务后果。如果开发商未承担全部扩建成本，现有用户可能面临更高费率，或公共项目被延后。

社区还承担预测风险。一个拟议园区可能分多个阶段扩建，而首份许可证只讨论初始需求。后续建筑可能使原本可控的接入变成更大的承诺。

数据中心运营商有时认为，其经济活动足以证明投资合理。建设会创造临时就业，大型设施也能扩大地方税基。

但长期就业情况并不那么直接。与占用相当土地和公用事业容量的工厂相比，数据中心所需的永久员工更少。

这并不意味着它们没有经济价值，而是意味着官员必须依据项目具体证据，将收益与资源承诺进行比较。

同一州内的水资源风险也可能不同。接入大型再生水网络的项目，与在居民水井附近抽取地下水的项目，影响并不相同。

Virginia groundwater findings说明了区域分析的必要性。该研究预测地下水可用性将下降，但并未将责任单独归咎于数据中心。

这种细微差别很重要。人口增长、农业、制造业和其他工业用户都可能加剧水资源短缺。可信的审查应评估累积需求，而不是把某个行业当作普遍解释。

反过来也一样。官员不应仅因另一行业在全州耗水更多，就忽视地方担忧。

California研究人员得出了类似结论。他们的分析发现，集体耗水量的重要性不及新增地方需求相对于可用供给的规模。

公众监督仍不均衡。一项California调查发现，许多设施的环境审查和详细耗水信息，公众获取渠道有限。

这种信息缺口可能使讨论向两个方向失真。批评者可能依赖最坏情况估算，而开发商则可能提出未能反映峰值状况的优化预测。

场址级报告将缩小这一差距。它能让社区区分低耗水设施与使用蒸发冷却、抽取处理后饮用水的园区。

它也会奖励作出更好工程选择的企业。若缺乏可比披露，投资再生水或干式冷却的运营商几乎得不到公众认可。

怀疑论观点依然重要。数据中心不会耗尽每个社区的水资源，施工现场附近出现的每个水质问题也不都源于冷却作业。

施工可能扰动土壤、水井和排水系统，但这并不能证明日常数据中心运营污染了当地水源。关于因果关系的主张需要检测、基线测量和独立调查。

同样，一份变色的家庭用水样本也不能证明与邻近设施有关。报道应将已记录的取水量与关于污染的指控区分开来。

支持监管的最有力理由并不需要夸大其词。数据中心是规模庞大的工业用户，其资源足迹存在差异、透明度有限且增长迅速。这些事实本身就足以证明审慎规划的必要性。

更好的冷却技术是在转移成本，而非消除成本

每一种冷却选择都会在水系统、电网、建设预算和运营可靠性之间重新分配压力。

蒸发冷却仍具吸引力，因为水能高效传递热量。在适宜天气下，它可降低制冷所需电力，并减轻机械设备的负担。

消除这部分用水需求可能会增加另一种负担。干式冷却系统需要更大的换热器和更多风机功率，且室外气温升高时性能会下降。

这种取舍在热浪期间尤其棘手。设施需要更多冷却的同时，居民增加空调使用，公用事业也会要求节约用水。

运营商可以通过混合系统减少这种冲突。园区可在凉爽时段使用外部空气，在中等高温时采用机械制冷，并仅在极端条件下有限使用蒸发冷却。

混合设计可降低年度耗水量，而无需运营商按最不利时段为整个设施配置规模。其有效性仍取决于透明的运行规则。

再生废水提供了另一条路径。它可向冷却系统供应原本会被排放的市政污水处理出水，从而保留处理后的饮用水。

使用再生水需要管道、处理设备和可靠合同。较小社区可能没有足够废水，尤其是在干旱时期或开发初期。

再生水也有竞争性用途。市政部门可将其用于灌溉、工业流程、含水层回灌或生态流量。把它称为“废水”并不会让其机会成本消失。

闭环液冷在芯片附近处理热量。它可提高性能，并减少为输送大量经调节空气所消耗的能源。

该系统仍需要泵、换热器，以及最终排出热量的去处。其总体足迹取决于完整链条，而不是服务器机架内是否存在液体。

浸没式冷却将计算设备置于非导电液体中。它能应对高热密度，但部署仍不那么普遍，并需要不同的维护方式和硬件设计。

设施还可以在时间和地点之间调度工作负载。运营商可能在气温较低、电网更清洁或供水压力较小时安排可灵活调整的训练任务。

这种方法对实时推理更难适用，因为用户期待即时响应。它还要求公司披露足够的运营信息，以便外部人士验证调度确实发生。

模型和芯片层面的效率仍然至关重要。量化会降低模型使用的数值精度，在谨慎实施的情况下减少内存和计算需求。

较小模型也能完成许多业务任务，无需使用可用的最大系统。将简单请求路由到尺寸适当的模型，可减少不必要的计算。

这些改进会降低每项任务的需求，但总体基础设施仍可能增长。Microsoft、Google、Meta、Amazon、OpenAI和其他公司正在扩张容量，以服务更多用户和更复杂的模型。

因此，行业应避免将效率作为绝对耗水量会下降的证明。效率只是一个因素。扩张速度、利用率、气候和冷却设计决定最终结果。

同样的谨慎也适用于“water positive”承诺。补充超过公司耗水量的水资源可以惠及流域，但补水的时间和地点决定了它是否能保护承载设施的社区。

在遥远流域进行补水，并不会立即减轻某个城镇管网的压力，也无法缓解该城镇夏季的峰值需求。

最有力的方案会将地方限制与技术灵活性结合起来。在运营开始前，它们就设定最高取水量、干旱阶段限制、计量、公开报告和替代冷却模式。

这些条件会将企业承诺转化为可执行的运营计划，也让开发商清楚了解获得地方批准所需满足的要求。

Google News读者接下来应关注什么

AI用水冲突的下一阶段，将由披露规则、冷却技术部署和可执行的干旱方案决定。

第一个信号是设施级报告的普及。政策制定者应要求运营商披露年度耗水量、日峰值需求、水源、冷却方式和预期扩建阶段。

报告应区分直接耗水与发电相关的间接用水，也应分别识别饮用水、再生水、地表水和地下水。

如果各州采用可比标准，公众讨论将较少依赖企业平均数据和推测性估算。如果披露仍属自愿，不信任将继续影响地方许可争议。

第二个信号是零耗水和低耗水冷却技术的实际采用。公告的重要性不及真正采用这些设计的新增容量占比。

读者应关注不同气候下的运行结果。在凉爽地区表现良好的系统，可能在沙漠高温中面临更高电力成本或容量下降。

企业应公布水资源使用效率，以及能源使用效率，即PUE；后者比较设施总能耗与计算能耗。这两项指标都需要结合季节和地方背景理解。

如果耗水量下降，同时能源消耗和可靠性仍得到控制，行业关于效率的论据就会更有说服力。如果运营商在最热时段依赖蒸发冷却，地方冲突仍未解决。

第三个信号是可执行的公用事业规划。许可证应说明在宣布干旱、发生热浪、设备故障和园区后续扩建时将如何应对。

可信的计划应明确谁将率先降低用量，以及运营商将在限制条件下如何维持计算服务。它还应明确新建管道、处理系统和储水设施的成本由谁承担。

New York的规则制定，以及Virginia对其地下水研究的回应，将提供早期检验。其他州可以采取类似保护措施，而无需实施完全相同的暂停措施。

Google News将继续刊载来自企业、居民、研究人员和政治官员的各种说法。读者应将这些说法视为相互竞争的输入，而非最终答案。

要问清这个数字指的是取水量还是耗水量。还要确认它覆盖的是单个设施、整家公司，还是美国所有数据中心。并注意它反映的是全年平均值，还是夏季峰值。

最重要的是，要问水从哪里来。较低的全国占比并不能保证当地安全，而一个很大的标题数字也不能证明每个项目都会威胁居民供水。

AI 基础设施正逐渐成为常规公用事业规划的一部分。这一转变让社区有机会在批准可能运营数十年的项目之前，要求获得更可靠的证据。

实际目标并不是在 AI 与水之间二选一，而是要让开发商证明其冷却方案符合当地限制——包括最严峻的几周，而不是只看平均年份。

关注这一议题的读者应将新许可与实际运营数据进行比较。重点观察企业是否披露峰值需求、是否大规模部署低耗水冷却技术，以及是否接受具有约束力的干旱限制。这三个信号将表明，该行业是在解决自身的用水问题，还是仅仅改进了表述方式。