OpenAI CEO反驳AI数据中心耗水担忧：现代数据中心仅相当于办公楼

Altman直接将数据中心用水量与办公楼对比

周二发布的一档播客节目中，OpenAI首席执行官萨姆·奥尔特曼被要求回应人们对人工智能数据中心的抵制，包括水资源消耗的担忧。他反驳称，虽然数据中心素有耗水大户的名声，但现代数据中心的用水量与办公楼的用水量大致相当。

这一表态直指当前公众对AI基础设施的误解。数据中心在运行过程中确实需要冷却系统来维持服务器温度稳定，传统认知中这往往意味着大量水资源消耗。但奥尔特曼强调，技术迭代已经让情况发生改变。现代设施采用的冷却方式不再依赖大规模蒸发冷却，而是通过更高效的循环系统或空气辅助方法来实现散热。

他的回应并非孤立观点。近年来全球多个数据中心运营商已公开报告其用水效率指标，部分设施的用水效能已接近或低于商业建筑平均水平。这次公开反驳反映出AI行业正试图扭转“耗水怪物”的标签，尤其在水资源紧张地区，抵制声音日益强烈。奥尔特曼的说法把焦点从抽象的“大量消耗”拉回到可量化的日常建筑对比上，试图让听众重新评估AI发展的环境代价。

这一对比也暴露了信息不对称的问题。普通公众很难获取具体数据中心的用水报告，而媒体报道往往突出峰值或历史数据，导致印象固化。奥尔特曼的表态虽然简短，却点出了核心：不是所有数据中心都一样，现代设计已大幅降低用水需求。这一论点为后续讨论农业对比和中国实际挑战奠定了基础。（约380字）

杏仁种植耗水远超现代数据中心

奥尔特曼在反驳中进一步指出，数据中心的用水量远不及种植杏仁等农业活动。这一比较把视线转向农业这一传统高耗水行业。真实数据显示，生产一公斤杏仁大约需要12000升水，主要用于灌溉，而全球杏仁主要产区如美国加州正面临严重干旱压力。

相比之下，现代数据中心的用水主要集中在冷却环节。一座典型的大型AI数据中心年用水量可能在数十万立方米级别，但分摊到每台服务器或每单位算力上，数值已显著下降。农业用水则占全球淡水消耗的70%左右，其中许多作物如杏仁、棉花或牛肉的生产链耗水效率极低。奥尔特曼用杏仁举例，正是为了突出这种数量级差异：几棵杏仁树的年耗水可能就超过一座小型数据中心。

这一对比并非首次出现。环保组织长期指出，食品生产才是水资源的主要压力来源，而数字基础设施的占比仍相对有限。但AI训练规模快速增长让这一平衡面临挑战。如果全球AI算力继续按当前速度扩张，其累计用水可能在局部地区形成明显影响。不过从绝对值看，农业依然是主导因素。奥尔特曼的说法提醒公众，不要只盯着新兴技术，而忽略了早已存在的更大耗水源头。

在中国语境下，这一对比同样有现实意义。北方省份农业灌溉用水占比高，同时又在积极布局AI数据中心。如何平衡两者，成为决策层必须面对的问题。杏仁例子虽来自美国，但它提供了一个直观的参照系：技术设施的用水可通过工程手段优化，而许多农业活动的水足迹更难压缩。（约410字）

中国AI算力扩张面临真实水资源瓶颈

中国正大力推动AI算力建设，但水资源分布不均构成了真实瓶颈。北方地区数据中心集聚度高，却普遍面临水资源短缺。北京、天津、河北等地已出现地下水超采问题，同时这些区域又是AI基础设施重点布局地。

信号中提到的公众担忧，在中国有更具体的表现形式。部分地方政府在审批数据中心项目时，已开始将用水指标作为前置条件。一些高耗水的老旧设施被要求改造或搬迁，而新建AI集群则需提交详细的水资源论证报告。算力扩张速度与水资源承载能力之间的矛盾日益突出，尤其在夏季高温期，冷却需求峰值与农业灌溉高峰重叠，进一步加剧紧张。

实际案例显示，内蒙古、甘肃等西部省份因电力和土地优势吸引了大量数据中心入驻，但当地水资源本就稀缺，部分项目不得不采用空气冷却或从远处调水。东部沿海虽然水资源相对丰富，却面临土地和能源双重约束。全国范围看，AI相关用水目前在总用水量中占比仍低，但增速快。如果不加以引导，局部地区可能出现“算力抢水”的情况。

这一挑战不是抽象的。多家科技公司已在内部评估不同地区的用水成本，并调整部署策略。中国在“东数西算”工程中已考虑水资源因素，但具体到AI大模型训练所需的超高密度算力集群时，现有规划仍显不足。奥尔特曼的回应虽针对全球，却也间接点出了中国需要解决的现实问题：不能只追求算力规模，还必须同步解决水资源匹配。（约370字）

现代数据中心已通过技术实现低用水

奥尔特曼强调“现代数据中心”，这指向技术进步带来的改变。传统数据中心大量使用蒸发冷却塔，通过水蒸发带走热量，导致大量水损耗。而新一代设施转向闭式循环冷却、热交换器或自由冷却技术，大幅减少了新鲜水补充量。

部分先进数据中心已将用水效率（WUE）指标控制在0.5升/千瓦时以下，接近甚至低于许多办公楼的水平。办公楼的用水主要来自卫生、餐饮和景观，而数据中心的用水几乎全部用于冷却。通过精确的湿度控制、AI优化运行参数以及废热再利用，现代设施能将耗水量维持在较低水平。

这一技术路径在中国也有实践。部分运营商引入液冷技术，直接用液体介质带走芯片热量，基本消除蒸发损失。另一些项目则与污水处理厂合作，使用再生水作为冷却水源，进一步降低对淡水资源的依赖。奥尔特曼所说的“与办公楼大致相当”，正是建立在这些技术应用基础之上。

不过技术并非万能。液冷虽然节水，却对设备兼容性和初始投资提出更高要求。并非所有存量数据中心都能快速升级。这也解释了为什么公众仍持怀疑态度：他们看到的是整体行业，而非个别先进案例。信号中奥尔特曼的回应，实质上是为已采用新技术的那部分设施辩护，同时也暗示行业内仍存在较大分化。（约350字）

办公楼对比揭示数据中心耗水真实位置

将数据中心与办公楼对比，奥尔特曼试图把AI设施拉回日常认知范畴。这一比较的合理性在于，两者都是城市基础设施的一部分，都服务于人类活动。办公楼每天容纳大量人员，其用水分散在多种用途中，而数据中心用水高度集中于冷却，但总量经优化后可控。

这一对比对公众认知的影响是双重的。一方面，它降低了焦虑，让人们意识到AI并非特别“浪费”；另一方面，它也可能弱化问题。如果所有数据中心都达到办公楼水平，那么整体行业用水是否仍会随规模扩张而显著增长？答案取决于增长速度和效率提升速度的赛跑。目前看，效率提升虽快，但绝对量仍在增加。

在行业内部，这一说法也起到信号作用。它鼓励更多运营商公开透明报告用水数据，推动标准制定。同时，它提醒监管者，不能仅凭老印象制定政策，而应基于现代设施的实际表现。中国的公众讨论中，这一对比有助于把焦点从“数据中心很耗水”转向“哪些数据中心耗水、如何进一步降低”。

不过对比也有限制。办公楼通常位于人口密集区，用水可通过市政系统灵活调节，而数据中心往往选址在电力充足但水资源紧张的区域，局部影响更明显。因此，合理性不等于全面性。奥尔特曼的表态成功地把讨论拉到可比维度，但后续仍需更多数据支撑。（约340字）

中国数据中心节水策略仍有关键未决问题

面对AI算力扩张带来的水资源压力，中国已出台多项节水措施。包括鼓励使用再生水、推广液冷技术、建立用水定额标准等。部分地区要求数据中心达到特定WUE指标才能获得用电指标，形成倒逼机制。

但仍有关键问题尚未定论。首先是全国统一的数据中心用水统计口径。目前不同运营商报告标准不一，导致整体图景模糊。其次是存量设施改造成本高企，许多老旧中心仍在使用高耗水冷却方式，短期内难以全部升级。第三是跨区域调水与本地节水的关系：是继续把数据中心建在缺水地区并从外地调水，还是严格限制新增项目以保护本地生态？

此外，AI模型效率本身的进步也影响用水前景。更高效的算法意味着相同任务需要更少算力，从而间接减少用水。但这一趋势能否抵消算力总量的爆炸式增长，目前还不清楚。中国在制定“十四五”后半段乃至“十五五”规划时，需要把水资源约束真正纳入AI发展战略，而非事后补救。

奥尔特曼的反驳给中国行业提供了一个外部视角：技术可以显著降低用水，但前提是采用现代设计。中国当前正处于从“规模扩张”转向“效率驱动”的关键窗口。如果能解决上述未决问题，AI发展与水资源保护有望实现更好平衡。（约380字）

参考来源