對 ChatGPT 感到內疚是否合理？我們仔細研究了 Sam Altman 的言論，揭示了真相。
使用 ChatGPT 是否應該感到內疚？我們調查了 Sam Altman 的說法，並闡明了使用人工智慧的真相。
你需要知道的最重要的事情
- 人工智慧用水量估算值差異巨大的原因在於測量規模；雖然 Altman 的估算側重於現場直接冷卻水，但其他研究包括發電用水，這可能佔總用水量的 75%。
- Sam Altman 聲稱 38,000 次 ChatGPT 查詢消耗的水量相當於一顆杏仁，這是基於現代設備和輕量級查詢的最佳情況，而獨立研究表明，實際消耗量可能要高出數百倍。
- 將聊天機器人的消耗量與杏仁的消耗量進行比較是具有誤導性的；雖然單個用戶的消耗量很低，但每天數十億次的查詢和模型訓練操作的總量仍然非常龐大，而且數據中心還會加劇乾旱地區的局部水資源壓力。
如果你經常使用社群媒體，你可能已經接觸過「人工智慧罪惡感」這個概念。它的核心在於，每次你讓ChatGPT幫你撰寫一封禮貌的電子郵件或準備一份簡單的晚餐食譜時，某個地方的服務器集群都在消耗大量的干淨飲用水，僅僅是為了防止芯片溶解。
如今，OpenAI的執行長Sam Altman正試圖消除這種普遍存在的誤解。在與 Alex Heath 共同主持的 Sources 播客首期節目中，Altman 強烈反駁了「簡單的 AI 應用會造成環境災難」的觀點。
他的反駁論點是將之比喻為一種流行的零食。
38,000 次 ChatGPT 查詢 = 一顆杏仁？我們仔細研究了這些數據，以找出真相。
在 YouTube 上觀看
據奧特曼稱，耗水量達數百萬加侖的資料中心仍然依賴過時的冷卻技術。他聲稱，在現代化的資料中心運行 38,000 次 ChatGPT 查詢所消耗的水量，相當於生產一顆加州杏仁的水量。他承認這個數字是憑記憶說的，可能不完全準確，但他堅持認為這個數字在合理的範圍內。
這是一個引人注目的說法，旨在讓您日常使用聊天機器人似乎對環境幾乎沒有影響。但這些數據經得起推敲嗎？您是否應該停止擔心您的請求對環境造成的成本？
計算：一顆杏仁實際消耗多少水？
要評估奧特曼的說法，我們必須從杏仁說起。
加州生產全球約80%的杏仁，最常見的農業估算方法是，種植一顆杏仁的水耗約為1.1加侖（約4.16公升）。另一項分析則認為，如果將降雨和污染補償考慮在內，杏仁的總用水量約為12公升（3.2加侖）。眾所周知，杏仁是一種耗水量大的作物，因為杏仁樹需要全年持續灌溉。
如果我們認真考慮採用直接灌溉估算值的奧特曼比率：
1顆杏仁約等於1.1加侖（4,164毫升）水
38,000 次 ChatGPT 查詢 = 1 顆杏仁
1 次 ChatGPT 查詢 = 約 0.0000289 加侖（約 0.11 毫升水）
為了更直觀地理解 0.11 毫升，標準實驗室水滴或眼藥水滴管的容量約為 0.05 毫升。
根據 Altman 的數據，在 ChatGPT 上提問大約會消耗兩滴水。
如果你覺得這個數字比你之前讀到的低得離譜，那並非你的錯覺。而且，這個數字也與奧特曼先前的說法不太吻合。
2025 年 6 月，他在部落格文章「溫柔的奇點」中寫道，一個典型的 ChatGPT 查詢大約消耗0.000085 加侖的水，約合 0.32 毫升。
根據這個數字以及杏仁消費量的普遍估計，我們得出每顆杏仁大約對應 11,000 次諮詢，而不是 38,000 次。他自己的數據也指向同一方向，但在細節上有所不同。
「人工智慧正在耗盡你的水資源」這種說法是從哪裡來的？
關於人工智慧用水量的公開辯論可以追溯到很久以前，當時加州大學河濱分校和德州大學阿靈頓分校的研究人員進行了一項廣為人知的研究。
這篇題為《讓人工智慧少耗水》（Making AI Less Thirsty ）的研究論文，草稿於2023年發表，隨後於2025年發表在《ACM通訊》（Communications of the ACM）期刊上。論文估計，像GPT-3這樣的大型語言模型（LLM）進行一次包含10到50條回應的簡短對話，大約會消耗500毫升水——相當於一瓶標準塑膠水的容量。這意味著每次回覆大約消耗10到50毫升水，這可能是奧特曼估計值的數百倍。
那麼，造成這種巨大差異的原因是什麼呢？
部分答案在於所使用的硬體和模型。奧特曼的估算指的是運行最新模型的現代基礎設施上執行的輕量級查詢。然而，加州大學河濱分校的研究分析的是舊系統上的 GPT-3 模型。
但最關鍵的因素在於每個數據實際包含的內容。奧特曼的估算幾乎完全反映了資料中心內部的冷卻水——即資料中心直接消耗的水。然而，加州大學河濱分校的數據則包含了內部冷卻水以及發電廠為伺服器供電所消耗的水——這種更廣泛的計算方法被稱為一級和二級用水量。獨立分析表明，發電環節的用水量可能占到單次AI查詢總用水量的75%。這意味著，兩者之間的差距並非只是新舊硬體的差異，而是衡量標準的不同。
奧特曼在播客中直接談到了設備過時的問題，他認為先前的估算是基於使用蒸發冷卻的設施。在那些老式系統中，巨大的冷卻水塔會將淡水蒸發到大氣中，以冷卻伺服器機架散發的熱空氣。蒸發後的水就從當地的水源流失了。
奧特曼指出，現代超大型資料中心普遍採用閉環液冷系統，在這種系統中，水或專用冷卻劑像汽車散熱器一樣在密封管道中循環，幾乎沒有蒸發造成的液體損失。奧特曼觀察到，在這些設施中，用水量與配備標準水槽和馬桶的普通商業辦公大樓的用水量不可同日而語。
諷刺的是：為什麼比較杏仁只是矽谷的經典噱頭
雖然現代資料中心的效率無疑在不斷提高，但將聊天機器人命令與農作物進行比較忽略了幾個基本事實。
整體規模與個人責任之間的差距。你可能只需要兩滴水就能在電子表格中驗證公式，但OpenAI目前每週服務約900億活躍用戶，每天處理數十億條指令。當你把毫米級的微小差異乘以如此龐大的規模，再加上加州大學河濱分校的研究人員估計，持續進行的模型訓練前期就要消耗數十萬加侖的水，總用水量仍然非常驚人。
當地的水資源壓力高於全球平均。中央谷地的杏仁園依賴州政府的用水配額和現有的農業灌溉渠。而人工智慧資料中心通常建在郊區和半乾旱地區（例如鳳凰城、維吉尼亞州北部以及德克薩斯州和喬治亞州的部分地區），這些地區直接依賴市政供水系統。即使是現代化、高效的資料中心，在夏季極端熱浪期間與居民區爭奪用水資源時，也會造成水資源壓力。
並非所有人工智慧查詢都具有相同的效率。奧特曼所說的38,000次查詢是基於標準的、輕量級的推理──例如GPT-4的基本文字回應。但業界正迅速轉向推理模型和自主人工智慧代理。當人工智慧在回答問題之前進行“思考”，在內部隔離的測試環境中運行Python程式碼，搜尋即時網絡，並透過多個邏輯循環進行自我糾錯時，它每次命令消耗的處理能力將遠高於簡單的聊天機器人。獨立研究人員指出，這些更繁重的工作負載可能會消耗比聊天機器人多數倍的電力，因此也需要消耗更多的水。
能源權衡。當資料中心操作員放棄水蒸發冷卻時，通常會用高能耗的冷水機組、機械熱泵和高速風扇來替代。簡而言之：減少現場用水量通常意味著從當地電網消耗更多電力，而電網本身也會產生間接的水資源和碳排放，這取決於電力的生產方式。
結束語
Altman 的論點很大程度上依賴於現代閉環設備的最佳情況，卻忽略了人工智慧蓬勃發展所需的龐大基礎設施。他提出的每個杏仁核 38,000 次查詢的數據，或許可以作為最新硬體上單次輕量級查詢的粗略估計，但這僅僅揭示了部分真相，忽略了整個行業的發展軌跡。
評論被關閉。