AI 水資源：為什麼訓練一個模型要喝掉一座湖
推論用水的隱形之處，在於它分散、連續且難以被單一企業統計。訓練一座大模型，用水集中在幾個大型資料中心，容易被追蹤；但推論發生在遍布全球的邊緣節點與雲端機房，每一次搜尋、每一次客服對話、每一次圖片生成，都在背景消耗冷卻水。隨著生成式 AI 被嵌入搜尋引擎、辦公軟體、手機助理，推論用水只會持續攀升。有分析師形容，訓練像是「蓋水庫」，推論則是「天天開水龍頭」——前者聲量大，後者才是長期漏水的主因。
不同模型的用水比較
模型規模與用水量大致呈正相關，但並非線性。較小的模型訓練快、參數量少，用水相對可控；超大型模型則因訓練時間長、需要更多 GPU 同步運算，用水量呈跳躍式成長。此外，模型的「效率」也很關鍵：同樣的任務，用蒸餾、量化或稀疏化技術壓縮後的模型，能以更低算力完成，連帶降低用水。這也意味著，AI 產業的節水潛力，有一部分其實藏在「模型設計」而非「冷卻設備」裡。
三、為什麼 AI 特別「渴」？技術與經濟的雙重推手
AI 的用水問題不是偶然，而是技術特性與商業邏輯共同作用的結果。理解背後推力，才能判斷哪些解方真正有效。
算力競賽下的熱密度危機
摩爾定律逐漸放緩後，產業改以「堆晶片」換取算力：單一機櫃塞進數十顆高功耗 GPU，機櫃功率密度從過去的每櫃數千瓦，一路攀升到數十甚至上百千瓦。熱密度越高，傳統氣冷越力不從心，只能更依賴水冷與蒸發冷卻。與此同時，AI 訓練動輒數週不間斷滿載，晶片幾乎沒有降溫空檔，冷卻系統必須全日運轉。這形成一個惡性循環：模型越大、算力越強、熱越難排、水用得越多。
水冷 vs 氣冷：效率與成本的拉鋸
從能源效率看，水冷往往優於氣冷，因為水的導熱能力遠勝空氣，能把晶片溫度壓得更低，讓 GPU 維持在較高效率區間，間接省下電力。但水冷不是免費的：它需要管路、冷卻塔、水處理系統，且會持續消耗水資源。對企業而言，選擇水冷是「省電但耗水」，選擇氣冷是「耗電但省水」，兩者之間存在真實的取捨。這也是為什麼「AI 到底該不該用那麼多水」沒有單一答案——它牽涉到當地電力結構、水資源豐枯、氣候條件與法規要求。在台灣這類電力與水資源都需精算的地區，這個取捨尤其敏感。
四、水資源與 AI 的區域衝突
AI 用水之所以引發爭議，關鍵不在全球總量，而在「在哪裡用水」。資料中心一旦落腳於缺水地區，就會與當地農業、民生與生態競爭同一條水源。
資料中心選址的水文風險
資料中心選址通常考量電力價格、網路頻寬、土地成本與稅務優惠，水資源豐枯往往不是首要條件。於是，不少超大規模資料中心建在乾旱或半乾旱地區——美國亞利桑那、內華達，中東部分地區，以及中國西北的乾燥地帶。這些地方日照充足、土地便宜，適合太陽能與風電，卻也是水資源最緊張的地方。當一座資料中心每日蒸發數百萬公升的水，當地水庫與地下水的壓力就會具體浮現。
乾旱地區的 AI 擴張爭議
近年已有多起地方爭議：居民質疑資料中心在乾旱期間仍大量用水，排擠農業灌溉與民生用水；環保團體要求企業公開用水數據與地下水抽取量；地方政府則在招商引資與水資源保護之間拉扯。企業端的回應通常是強調「用水效率持續改善」「優先使用再生水」「支持流域復育」，但資訊透明度仍是最大爭點。當 AI 被視為國家戰略產業，資料中心往往享有快速通關與稅賦優惠，水資源的環境成本卻由地方承擔，這種不對稱正是衝突的根源。
五、解方與未來：讓 AI 不再「喝掉一座湖」
問題並非無解。從晶片、冷卻、選址到商業模式，AI 產業其實有相當大的節水空間，關鍵在於技術創新、政策誘因與資訊透明能否同步到位。
技術層面的節水創新
首先是冷卻技術的升級。液冷（直接液冷、浸沒式冷卻）能把熱直接帶到晶片表面，減少對蒸發冷卻的依賴，部分設計甚至可密閉循環、大幅降低耗水。其次是「免費冷卻」的普及：在高緯度或高海拔地區，利用室外冷空氣降溫，可顯著減少機械製冷與蒸發用水。第三是水資源回收：以再生水、雨水收集或工業廢水替代自來水，並提高冷卻水濃縮倍數、減少排污。第四是 AI 本身的效率革命：模型蒸餾、量化、混合專家架構（MoE）、更聰明的排程與負載平衡，都能用更少算力完成同樣任務，直接壓低用水與用電。
政策、企業責任與透明度
技術之外，制度才是規模化的關鍵。歐盟與美國部分州已開始要求大型資料中心揭露用水與用電數據，並將其納入環境影響評估。合理的政策方向包括：把「水使用效率」納入資料中心設立許可條件、要求乾旱期間的用水上限、鼓勵使用再生水並給予稅務誘因、建立流域層級的水資源總量管制。企業端則應主動公開 PUE（電力使用效率）與 WUE（水使用效率）等指標，並將水資源風險納入選址與營運決策，而不是等到居民抗議才補救。
個人與產業可以做的事
對一般使用者而言，最實際的行動是「用得精準」：避免無意義的重複提問、關掉不需要的 AI 功能、支持願意揭露環境數據的服務商。對開發者與企業而言，則是把「每任務用水量」當成與準確率同等重要的指標，優先選用高效率模型與低碳、低水資料中心。當市場開始獎勵效率，供應鏈就會跟著調整——這是在電力議題上已被驗證過的邏輯，如今正適用於水。
六、結語：算力時代的水倫理
「訓練一個模型要喝掉一座湖」不是要人拒用 AI，而是提醒我們：每一次看似無重的雲端運算，其實都落在真實的土地與流域上。AI 的價值毋庸置疑，但它不該建立在看不見的水資源透支之上。未來的競爭力，不會只看誰的模型更大，也會看誰能用更少的水與電，做出同樣聰明的事。當企業願意揭露、政府願意管制、使用者願意選擇，AI 才有機會從「喝掉一座湖」的巨獸，變成懂得節水的聰明助手。水不會因為我們看不見它而消失，它只會安靜地，從我們以為無限的雲端，滴回現實的地面。