文章梳理 AI 与芯片产业急速膨胀带来的用水压力，剖析华尔街资本对水资源的前瞻布局，并对比中美两国的不同解法。
AI 产业的爆发式增长，正在把电力和淡水变成紧缺的战略资源。从晶圆清洗到数据中心冷却，再到火电与核电的循环冷却，AI 产业链的每一个环节都在大量耗水。这场围绕「水」的博弈，早已不只是工程问题，而是资本、政策与地缘竞争的交汇点。
2020 年 12 月，芝加哥商品交易所上线了「加州水期货」合约（代码 NQH2O），每份合约对应约 326 万加仑的水资源。这并不是一个孤立事件——在此之前，加州已允许用水指标在农场、城市与企业之间转让，水期货只是把这一交易搬到了更大的金融市场上，允许做多做空并加杠杆。
与此同时，华尔街主要资管机构也在加速对水、电等基础设施的卡位：
换句话说，早在生成式 AI 热潮兴起之前，金融资本就已经在为今天的「水焦虑」押注。
芯片生产对水的洁净度要求极高，制造 1 吨超纯水需要消耗 1.5 吨自来水。10nm 以下先进制程每片晶圆制造过程中可能经历近 300 次清洗，每次清洗耗水 8–10 升；从硅片入厂到晶圆出厂，平均一片晶圆要消耗约 8 吨水。
以台积电为例，其全球工厂每日总用水量约 10–15 万吨，其中新竹与高雄的 2nm 晶圆厂单厂日均用水量超过 4 万吨。台积电日本熊本工厂曾因与当地农民争水而引发纠纷，公司不得不每年向水田补水、并承诺采购当地大米。大陆头部晶圆厂日均用水量也在 5 万吨级别。
服务器满负荷运行时产生巨大热量，数据中心普遍采用蒸发冷却：把热风导入管道后喷淋水雾降温，水直接蒸发进大气。Google 爱荷华州数据中心 2024 年全年耗水约 14 亿加仑（约 530 万吨），相当于纽约市一天的供水量。
据估算，ChatGPT 每处理 100 个词约消耗 1 斤水（含冷却与发电环节）；GPT-3 一次训练耗水 5400 吨，其中直接冷却水 700 吨。而日常推理的能耗与水耗远高于训练阶段——AI 生成图像的能耗可达生成文本的 1000 倍以上。
美银预测，到 2030 年全球数据中心年耗水量将突破 1.2 万亿升（12 亿吨）；按联合国口径，更广义的「水足迹」或达 9 万亿升（90 亿吨），相当于 13 亿人口的日常用水需求。
数据中心约 75% 的「水账」其实记在电厂头上。火电与核电依赖蒸汽轮机，冷却水消耗惊人：一座 1000 MW 核电机组每秒需冷却水约 75 吨，火电机组不低于 50 吨。中国 2024 年直流火电与核电冷却水用量达 477.5 亿立方米，约占工业用水的一半。
2022 年以来，美国新建数据中心有三分之二落地在加州、亚利桑那、得州、伊利诺伊等相对干旱的地区。随之而来的是各地反对声浪：
科技公司普遍以「水正效益」承诺作出补偿，但农业与居民用水的损失难以用金钱完全弥补。
中国水资源条件更紧张：全国年用水量约 6000 亿立方米，人均约 2220 立方米，仅为全球平均的四分之一。
过去十年，中国坚持「工业用水零增长」目标：工业用水总量基本未增，却仍维持年均 5.7% 的工业增加值增长率，每万元工业增加值用水量下降约 50%。这一成绩主要来自两条路径：
历次工业革命都伴随「谁在岁月静好、谁在负重前行」的结构性失衡。当 AI 以烈火燎原之势扩张，算力背后的电力与水资源消耗，正在从工程细节演变为全社会必须直面的成本问题。理解这一链条，是讨论 AI 可持续发展的前提。
