人工智慧引發水資源憂慮：大型語言模型的隱性成本

人工智慧（AI）正以前所未有的速度重塑各行各業，其發展主要由GPT-4、Claude和Gemini等強大的大型語言模型（LLM）驅動。這些模型在訓練與日常運作中所需的龐大運算能力，已引發關於其環境影響的關鍵討論。

儘管能源消耗與碳排放理應受到關注，但常被忽略的關鍵問題在於人工智慧的龐大用水量。龐大的水資源直接用於冷卻驅動這些系統的數據中心，此外，電力生產與硬體製造過程亦間接消耗大量水資源。

隨著全球對人工智慧服務的需求激增，對有限淡水資源的壓力日益加劇，尤其在易受氣候變遷影響的缺水地區，更凸顯出明確的永續發展挑戰。因此，深入理解人工智慧的水足跡至關重要，這將成為制定明智且負責任決策的基礎，以支持長期的環境管理。

AI模型如何消耗水資源

大型人工智慧的運作需仰賴資料中心持續處理數十億次運算，產生大量熱能。為防止過熱並確保穩定效能，必須高效散熱。多數設施採用蒸發式冷卻塔，此技術高度依賴淡水。冷卻過程中大量水分蒸發流失，導致取水與耗水量居高不下。

近期研究開始量化人工智慧的水資源影響。2023年一項重要研究估算，僅訓練單一大型語言模型就可能消耗逾70萬公升潔淨淡水——相當於製造370輛中型汽車所需用水量。這凸顯了先進人工智慧在初期開發階段所隱含的龐大資源消耗。

水資源消耗在訓練階段結束後仍持續存在。模型回應使用者指令的推論階段，同樣仰賴全球強大且持續運轉的運算基礎設施。每次查詢都會增加處理負載及相應的冷卻需求。隨著聊天機器人、虛擬助理及強化搜尋引擎等AI工具普及，推論階段的總用水量正急速攀升。

全球數據中心僅為冷卻系統每年就需抽取逾5,600億公升水，預計2030年前將因AI需求激增而大幅攀升。除直接用水外，AI對電力需求的間接影響更導致龐大耗水量，尤其在燃煤或核電供電的地區——這些發電方式本身即屬高耗水產業。

這股攀升的需求凸顯出更高效冷卻技術、永續基礎建設及透明化用水核算的迫切性。若無前瞻性措施，人工智慧的擴張恐將嚴重耗竭淡水儲備，對已面臨乾旱與氣候脆弱性的地區構成重大風險。

基礎設施與冷卻技術

AI模型運行於大型雲端資料中心的超高效能晶片上，需特殊冷卻系統處理持續運算產生的熱能。蒸發冷卻仍是主流技術，透過噴灑水霧吸收熱量，但大量水分隨蒸發流失，導致高耗水量。

為此，部分營運商正採用液浸冷卻或直接晶片冷卻系統等替代方案。這些技術運用特殊流體或閉環冷卻劑，能更有效地從處理器中帶走熱量。儘管這些技術可減少直接用水量，但系統製造過程及電力生產所需的水資源（特別是來自燃煤與核能等熱能發電來源）仍會造成間接水足跡。

地理與氣候因素同樣影響冷卻策略。在乾旱地區，營運商為節約當地水資源，日益傾向採用空氣冷卻或閉環系統，但此類系統通常耗能更高，形成節水與增加碳排放之間的權衡。

歸根結柢，從晶片層級的散熱到設施級的冷卻與供電，人工智慧基礎設施的每個環節都加劇其總體水足跡。要永續滿足日益增長的人工智慧需求，必須持續革新冷卻效率與能源系統，方能避免全球水資源承受日益沉重的壓力。

地理與環境因素對數據中心用水量的影響

資料中心的用水量高度取決於其地理位置與當地氣候。在亞利桑那州或德克薩斯州等炎熱乾燥地區，冷卻系統必須更費力地維持安全運作溫度，往往更依賴耗水量大的蒸發冷卻技術，導致用水量遠高於斯堪地那維亞等涼爽氣候地區。濕度亦是關鍵因素：乾燥空氣雖能提升蒸發冷卻效率，卻也加速水分流失。

當地水資源狀況至關重要。位於水資源匱乏地區的設施常需從已承受壓力的市政供水系統取水，可能與民生或農業用水需求產生競爭。典型案例是俄勒岡州的谷歌資料中心，該設施在區域性旱災期間因用水問題引發公眾質疑。

此外，訓練大型人工智慧模型可能引發突發性、劇烈的用水需求高峰。儘管這些用水高峰屬暫時性，仍可能對當地水系統造成壓力，導致河流水位下降或地下水枯竭，進而對當地生態系統與生物多樣性產生負面影響。

解決這些挑戰需要在規劃人工智慧基礎設施時，審慎考量當地氣候、水資源可用性及法規框架等因素。永續部署取決於明確政策、社區參與，以及選擇符合當地水資源狀況的冷卻技術。

企業承諾與透明度缺口

領先人工智慧企業日益重視環境責任，並訂立雄心勃勃的水資源管理目標。Google、微軟與Meta均承諾於2030年前實現「正水效益」，透過流域復育、雨水收集及支持在地保育計畫等舉措，在全球範圍內補充超過其消耗的水量。

例如谷歌計劃實現120%用水回補率，並發布含用水數據的年度永續報告；微軟部署的先進絕熱冷卻系統較傳統冷卻塔節水達90%；Meta則針對水資源匱乏最嚴重的區域設定回補目標——高壓力區達200%、中壓力區達100%。部分設施還採用現場水循環或雨水收集系統。

這些承諾與人工智慧息息相關，因為大型語言模型的訓練與運作仰賴龐大且耗能的資料中心，其冷卻需求驅動了大量用水。隨著人工智慧服務（尤其是涉及大型語言模型的服務）在全球擴展，其環境足跡同步增長，使負責任的水資源管理成為永續人工智慧發展的基石。

削減人工智慧水足跡：簡易步驟與集體行動

降低人工智慧的水資源影響需採取多管齊下的策略，融合技術效率、戰略規劃與共同責任。技術層面可透過修剪、量化及知識蒸餾等技術開發更精簡高效的模型，降低運算負荷，從而減少訓練與推論階段所需的能源及冷卻用水。

營運決策同樣關鍵：將高耗能運算任務排程於晝夜較涼時段，可減少蒸發性水資源損失；新建數據中心選址於水資源可持續且具備風能或太陽能等再生能源的地區，則能降低燃煤發電衍生的間接水足跡。

然而解決方案必須超越科技企業範疇。政府在制定法規方面至關重要，需強制要求透明的水資源報告並推廣統一的衡量標準。政府亦可將基礎設施許可與永續水源供應掛鉤。環保組織則透過監測進展、倡導更嚴格政策及監督產業責任發揮作用。地方規劃者必須將水資源影響列為新專案評估的首要考量，尤其在水資源匱乏地區。

個人用戶與研究社群同樣擁有影響力。用戶透過選擇公開環境數據、優先考量永續性的平台，即能傳遞市場需求訊號。開發者與研究人員應將用水效率納入評估人工智慧系統的核心指標。學術界則可致力開發更精準的用水量測量與減量工具。

最終，提升公眾認知至關重要。許多使用者未曾意識到，單純的AI查詢背後隱藏著龐大的水資源成本。 隨著認知提升，將催生企業責任與永續實踐的需求。隨著大型人工智慧模型持續擴張，對全球淡水供應的壓力與日俱增，將用水量視為人工智慧環境影響的核心要素至關重要。要實現實質進展，需政策制定者、開發者、企業與使用者齊心協力。透過將水資源管理融入人工智慧的設計與部署，我們既能守護關鍵資源，亦可持續運用智慧科技的優勢。

核心要點

最小化人工智慧的水足跡已非次要議題，而是永續科技進步的基本要求。大型模型的訓練與運作對淡水供應構成實質壓力，此挑戰在已面臨氣候相關壓力的地區更為嚴峻。

解決之道需仰賴高效模型、硬體技術與審慎的資料中心選址。然而單靠技術遠遠不足，真正的改變需要集體行動：政府制定明確政策、企業展現透明度與創新力、研究者推動知情倡議、使用者做出覺醒選擇。唯有從人工智慧開發之初便納入水資源影響考量，方能實現負責任的創新，為長期保護關鍵水資源奠定基礎。