38,000 次 ChatGPT 查詢才等於一顆杏仁？Sam Altman 再戰 AI 資料中心用水爭議

問一次 ChatGPT，到底會消耗多少水？

這個看似簡單的問題，在 AI 產業裡其實一直沒有一個簡單答案。

2026 年 9 月，OpenAI CEO Sam Altman 在 Sources Podcast 與記者 Alex Heath 對談時，再次回應外界對 AI 資料中心耗水的批評。

Altman 表示，他看到網路上長期流傳 ChatGPT 每次查詢都會消耗大量水資源的說法，但他認為其中許多數字已經沒有反映現代資料中心的冷卻技術。

他甚至提出一個相當有記憶點的比較：

大約 38,000 次 ChatGPT 查詢所使用的水，才相當於在加州生產一顆杏仁。

如果這個數字成立，單次 ChatGPT 查詢的水耗就會低到只有不到一滴水的量級。

但事情沒有這麼簡單。

因為這次的 38,000 次說法，甚至和 Altman 自己過去公布的數字存在差異。

從一顆杏仁開始算

杏仁經常出現在美國水資源討論中，原因是它本身屬於相對耗水的農作物。

Tom's Hardware 引用的研究估算指出，在加州生產一顆杏仁大約需要 1.1 加侖，也就是約 4.16 公升的水。

如果依照 Altman 這次提出的比例：

4,160 mL ÷ 38,000 queries

大約等於每次查詢使用 0.11 mL 水。

也就是大約兩滴水左右。

這聽起來和過去網路上流傳的『問一次 AI 就消耗一瓶水』完全不同。

但接下來問題就出現了。

Altman 2025 年自己公布的是 0.32 mL

2025 年 6 月，Altman 曾在文章中首次公開一個 ChatGPT 平均查詢的能源與用水估算。

當時他表示，一次平均 ChatGPT query 大約使用 0.34 Wh 電力，以及 0.000085 加侖的水。

換算後大約是：

0.32 mL 水／query。

如果用這個數字重新計算一顆杏仁約 4.16 公升的用水量：

4,160 mL ÷ 0.32 mL

大約只有 13,000 次查詢左右。

依照不同杏仁用水估計，其他媒體計算約落在 11,000 次上下。

無論如何，都和這次提出的 38,000 次有相當明顯差距。

而 Altman 在 Podcast 中自己也特別說明，他當時是憑記憶引用這個數字，可能不是完全精確。

因此，『38,000 次』更適合被理解成一個想表達 AI 單次查詢水耗已經很低的比較，而不是經過公開方法學驗證的精密測量結果。

為什麼 AI 用水的數字可以差這麼多？

真正的核心問題，是大家計算的根本不是同一件事。

當一篇研究說 AI 使用多少水時，至少可能包含三種完全不同的計算範圍。

第一種是資料中心現場冷卻直接使用的水。

第二種是發電過程中間接消耗的水，例如火力或核能電廠在冷卻系統中需要使用大量水資源。

第三種則進一步把伺服器製造、晶片生產甚至供應鏈納入完整生命週期計算。

如果研究只計算 Data Center On-site Water Consumption，結果可能非常低。

但如果加入電力供應產生的間接水足跡，數字可能立刻上升。

因此兩篇研究即使都在討論『一次 AI 查詢需要多少水』，最後得到相差十倍甚至數十倍的結果，也不一定代表其中一篇完全錯誤。

它們可能只是使用不同的 system boundary。

早期資料中心真的很吃水

AI 資料中心耗水並不是完全虛構的問題。

傳統大型資料中心經常使用 Evaporative Cooling，也就是蒸發式冷卻。

原理其實和人體流汗降溫很接近。

水從液態蒸發成水蒸氣時會帶走大量熱能，因此可以有效降低資料中心冷卻系統的耗電。

代價則是這些水真的會被蒸發出去。

在乾燥地區，蒸發式冷卻尤其有效，因此過去不少資料中心會直接大量使用自來水或工業用水進行散熱。

Tom's Hardware 報導也指出，美國部分資料中心確實曾引起地方社區對水資源的爭議。

例如喬治亞州 Fayette County 一處資料中心據報在 15 個月內使用約 2,900 萬加侖的水。

因此外界對 AI 資料中心用水的擔憂並不是完全沒有歷史背景。

真正改變的，是冷卻架構正在快速演進。

AI GPU 越熱，反而逼出了新的冷卻技術

現代 AI GPU 的功耗正在快速增加。

單顆 AI 加速器功耗已經可以達到數百瓦甚至超過 1 kW，而一個 rack 裡可能同時安裝數十顆 GPU。

傳統 air cooling 開始逐漸接近極限，因此資料中心正在大規模導入 Direct-to-Chip Liquid Cooling。

液體直接流經 GPU、CPU 或冷板，將晶片產生的熱帶走。

更重要的是，許多新型液冷系統採用 Closed-loop Cooling。

也就是冷卻液在密閉管路中循環使用。

這和蒸發式冷卻最大的差異在於：

水不需要不斷蒸發補充。

系統第一次填充後，大部分液體可以持續循環。

OpenAI 自己在 Stargate Abilene 資料中心的說明中就表示，每棟建築初次填充冷卻系統大約需要兩座奧運標準游泳池的水量，但之後整個完整園區每年的冷卻用水，預估只相當於一棟中型辦公大樓，甚至約四戶一般家庭的年用水量。

OpenAI 在密西根 Stargate 計畫中也表示，資料中心將使用 closed-loop cooling，預計用水量大約與一般辦公建築相當。

這正是 Altman 這次說法背後真正的重要技術背景。

『資料中心和辦公室一樣耗水』需要加一個條件

不過這句話也很容易被誤解。

Altman 所描述的主要是新一代、採用封閉式液冷系統的資料中心『現場直接用水』。

它不代表整個 AI 系統完全沒有 water footprint。

資料中心仍然需要大量電力。

而發電本身可能需要水。

例如核能、燃煤與部分天然氣發電廠，都會使用冷卻水。

此外，GPU 製造同樣需要大量超純水。

台積電等晶圓廠在先進製程中會大量使用 Ultrapure Water 清洗晶圓表面。

因此如果把問題從：

『ChatGPT 資料中心現場用了多少水？』

改成：

『整個 ChatGPT 服務的生命週期總共涉及多少水？』

答案就會完全不同。

這也是 AI Environmental Accounting 最容易產生誤導的地方。

舊研究為什麼常出現一瓶水？

早期一篇廣泛引用的研究 Making AI Less Thirsty 曾估算，大約 10～50 次大型語言模型回應可能涉及約 500 mL 水耗。

這個數字後來在網路傳播中常被簡化成：

『問一次 ChatGPT 就消耗一瓶水。』

但這其實已經和原始研究內容有所偏離。

更重要的是，該研究使用的是較早期模型、資料中心與冷卻效率假設。

AI 硬體效率、模型架構、batching、quantization、data center cooling 和電力來源都在快速改變。

因此把數年前的估算直接套用到 2026 年的 ChatGPT，也可能產生相當大的誤差。

Google 的研究也發現單次查詢水耗已經很低

這並不是只有 OpenAI 自己這樣宣稱。

Google 近期公布一份關於 AI inference 環境影響的研究，其中估算一次 Gemini medium-length response 的資料中心用水約為 0.26 mL。

這個量級和 Altman 2025 年公布的 ChatGPT 0.32 mL 其實非常接近。

這至少說明，在現代大型 hyperscale data center 中，一次普通文字 AI inference 的現場用水，確實可能已經下降到不到 1 mL 的量級。

但 Google 同樣指出，不同測量方法與 system boundary 會嚴重影響結果。

換句話說：

單次 query 很省水，和全球 AI 產業仍然可能大量使用水，這兩件事可以同時成立。

真正的問題不是一次 ChatGPT，而是數十億次 ChatGPT

這也是討論 AI 資源消耗時最容易忽略的一件事。

假設一次查詢真的只消耗 0.3 mL 水。

看起來幾乎可以忽略。

但是如果每天產生 10 億次 query：

0.3 mL × 1,000,000,000

就是約 300,000 公升水。

如果使用量再提高十倍，或者 AI Agent 每完成一個任務要呼叫模型數十次甚至數百次，整體資源消耗又會繼續放大。

未來 AI 的運作模式也正從單次 chatbot interaction，逐漸往 Agentic AI 發展。

例如一個 AI Agent 為了完成研究任務，可能會：

搜尋資料 → 讀網頁 → 呼叫模型 → 寫程式 → 執行工具 → 再呼叫模型 → 驗證答案。

使用者只看到一次『幫我完成這個任務』，後端卻可能進行數十甚至數百次 inference。

因此未來真正有意義的環境指標，可能不再是 water per query。

而是：

Water per Completed Task。

38,000 次 ChatGPT 等於一顆杏仁，真正告訴我們什麼？

Sam Altman 的杏仁比較確實非常吸睛。

但如果把它當成精確的科學數據，證據目前仍然不足。

Altman 沒有公開這次 38,000 次計算的完整方法學，而且這個數字和他自己 2025 年公布的 0.32 mL／query 也存在差異。

目前比較合理的結論是：

現代資料中心的冷卻效率確實正在快速提升，closed-loop liquid cooling 已經能大幅降低現場直接消耗的水資源。

一次普通文字 AI inference 的直接用水，可能已經下降到不到 1 mL 的量級。

但這並不代表 AI 整體沒有水資源成本。

電力、晶片製造、資料中心建設，以及數十億次 inference 的規模效應，仍然必須一起計算。

所以真正值得問的問題，可能不是：

『我問 ChatGPT 一個問題，殺死了幾顆杏仁？』

而是：

『當全球每天產生數十億次 AI 推論時，我們到底要怎麼定義並計算它真正的資源成本？』

這才是 AI 基礎設施進入兆瓦、吉瓦甚至更大規模之後，真正需要回答的問題。

Tech English 專有名詞

1. Closed-loop Cooling｜封閉式循環冷卻：冷卻液在密閉管路中反覆循環，將伺服器產生的熱帶走。與蒸發式冷卻相比，可以大幅減少持續補充水資源的需求。

2. Evaporative Cooling｜蒸發式冷卻：利用水蒸發時吸收熱量來降低資料中心溫度的技術。效率高，但水會直接轉化為水蒸氣，因此需要持續補充。

3. Water Usage Effectiveness, WUE｜用水效率指標：衡量資料中心每消耗一定 IT 能源所需要使用多少水的指標，常用於比較不同資料中心冷卻設計的水資源效率。

4. System Boundary｜系統邊界：環境分析中決定『哪些資源消耗要被納入計算』的範圍。例如只計算資料中心現場用水，或同時納入發電、晶片製造與供應鏈，最後結果可能差異巨大。

5. Direct-to-Chip Liquid Cooling｜晶片直觸式液冷：利用冷板直接接觸 GPU 或 CPU，再由液體帶走熱量的散熱方式。隨 AI GPU 功耗持續增加，已逐漸成為高密度 AI 資料中心的重要技術。

6. Water Footprint｜水足跡：產品或服務在整個生命週期中直接與間接使用的總水量，不只包含現場用水，也可能納入能源生產、製造與供應鏈。