一张图看懂一次 AI 查询要耗多少水

一个名为 howmuchwater.ai 的可视化网站把日常用水、食物与 AI 查询背后的耗水成本放到同一张图上对比。图中室内设备显示了从节水到浪费的区间，并标出美国平均值；食物一项列出了一份常见食物背后所包含的绿水、蓝水和灰水总量；而 AI 一项因耗水量极小，在图中只以一道发丝般的细线呈现。

核心数据来源

• 室内用水：数据来自美国 Water Research Foundation 的《Residential End Uses of Water》（2016），节水与标准流率参考 EPA WaterSense 与 ENERGY STAR 规范；2016 年研究测得人均日均室内用水为 52.1 加仑。
• 食物水足迹：数值取自 Water Footprint Network 及 Mekonnen 与 Hoekstra（2011、2012）的研究，包含生产一份食物所需的全部绿水、蓝水与灰水均值；该数值会因地区与统计方法而显著波动。
• AI 查询用水：包括数据中心蒸发冷却用水与发电环节用水。OpenAI、Google 等运营商仅披露现场冷却水（每次查询约 0.3 毫升）；独立研究加上发电厂用水后估算为 3–5 毫升，而启用「思考」的推理模型耗水量会明显更高。

为什么「thinking」模型更费水

根据 OpenAI（2025）、Google（2025）、Li 等人（2023）以及 Jegham 等人（2025）的研究，推理类模型在一次查询中会进行更多次前向与反向计算，对应的电力消耗和冷却需求成倍增长，因此单次查询的耗水量远高于普通问答模型。同时，不同数据中心的所在地区与电力结构差异显著，实际数值会有较大波动。

局限与说明

• 数据中心运营方仅公开冷却环节用水，发电用水依赖第三方估算，口径并不统一。
• 食物水足迹使用的是全球均值，并不能反映特定产区或生产方式的真实用水。
• 室内用水区间以美国市场为基础，与其他国家的家庭用水习惯存在差距。

整体来看，该项目更像一个面向公众的科普可视化工具，把抽象的 AI 环境影响转化为可对比的日常单位，便于在讨论 AI 算力成本时提供直观参照。