
你可能在網路上看過這種說法:「每問 ChatGPT 一個問題,就喝掉一瓶水。」聽起來很嚇人,但如果去翻 Google 公布的數字,問 Gemini 一次大約只用掉 5 滴水。一瓶水和 5 滴水,差了將近兩千倍,到底哪個才對?
答案是:多數數字都不是亂說的,只是各自「算的東西不一樣」。這篇帶你看幾家 AI 公司和研究團隊公布的數字、它們差在哪裡,以及為什麼單次很少,整體仍值得關心。
同樣是「問一次」,數字差了一百多倍。
2025 年 8 月,Google 公布 Gemini 一次文字提問(取中位數)的環境成本:用電 0.24 瓦時(Wh),約等於看電視不到 9 秒;用水 0.26 毫升,大約 5 滴(Google Cloud)。OpenAI 執行長 Sam Altman 同年 6 月在部落格寫道,ChatGPT 平均一次提問用電約 0.34 瓦時,差不多是烤箱開 1 秒多;用水約 0.32 毫升,大約 1/15 茶匙(Sam Altman)。
但法國 AI 公司 Mistral 同年 7 月公布的數字大很多:用它的聊天助理 Le Chat 產生一段約 400 個詞元(token)的回答,用水 45 毫升,相當於 3 湯匙(Mistral AI)。更早的 2023 年,美國加州大學河濱分校(UC Riverside)的研究估計,GPT-3 每回答 10 到 50 個中等長度的問題,就要「喝掉」一瓶 500 毫升的水,依資料中心的地點和季節而不同(Li 等,arXiv)。
「一次一瓶水」的說法,很可能就是把這項研究的「10 到 50 次一瓶」,誤傳成「一次一瓶」。就算照這項研究算,一次也只有 10 到 50 毫升,最多是一瓶的十分之一。

差在哪裡?要看算進了幾種水。
UC Riverside 的研究把 AI 用的水分成三種(Li 等,arXiv):第一種是資料中心現場的冷卻用水,伺服器運轉很熱,冷卻塔靠水蒸發來散熱;第二種是發電用水,火力、核能電廠發電時也要大量冷卻水;第三種是製造用水,做晶片和伺服器需要大量超純水。
Google 公布的 0.26 毫升,只算了第一種,也就是資料中心現場的冷卻水;OpenAI 的 0.32 毫升則沒有說明算到哪裡(MDPI《Green》)。UC Riverside 的估計多算了發電用水。Mistral 做的是「生命週期分析」,連伺服器製造等上游影響都分攤進每次回答,數字自然最大。也有評論指出,Google 沒有算發電和製造的部分,會低估 AI 完整的環境成本(Implicator)。
就連同一家公司,算法不同結果也不同。Google 自己比較過:如果只算 AI 晶片運轉時的耗電,一次提問是 0.10 瓦時;把待機的備用機器、主機的處理器和記憶體、資料中心的冷卻與配電都算進來,就變成 0.24 瓦時,多了一倍多。Google 也註明,這些數字是 2025 年 5 月的估計,尚未經獨立第三方驗證(Google Cloud)。
模型大小也有關係。Mistral 的分析發現,產生同樣多的詞元,模型大 10 倍,環境影響大約也大一個數量級,所以「選對模型做對的事」很重要(Mistral AI)。

單次很少,為什麼還要在意?
好消息是,AI 越來越省。Google 說,2024 年 5 月到 2025 年 5 月這一年,Gemini 一次文字提問的耗電只剩原本的 1/33,碳排放只剩 1/44(Google Cloud)。
但總量是另一回事。國際能源總署(IEA)估計,2024 年全球資料中心用電約 415 太瓦時(TWh,約 4,150 億度),占全球用電約 1.5%;到 2030 年預估會增加一倍多,達到約 945 TWh(IEA),大約是日本現在一年的用電。這裡的資料中心不只跑 AI,但 IEA 認為 AI 是用電成長最主要的推手。
用水的壓力則集中在特定地方。彭博(Bloomberg)分析發現,2022 年以來新建或開發中的資料中心,大約三分之二位在已經高度缺水的地區(Bloomberg)。也就是說,一次提問的 5 滴水不多,但幾十億次提問集中在同一個乾燥地區,就可能和當地居民、農業搶水。
經濟學有個概念叫「傑文斯悖論」:東西變得更有效率、更便宜,大家反而用得更多,總消耗不減反增。有評論就舉例:就算每次的耗電只剩 1/33,只要提問次數變成 100 倍,總用電還是會增加(Implicator)。

看到 AI 耗水新聞,先問四個問題。
下次看到「AI 很耗水」或「AI 根本不耗水」的標題,可以先問四個問題:算了哪幾種水?用的是中位數還是平均值?是哪個模型、多長的回答?資料中心在哪裡、什麼時候運轉?問完這四題,你就比較能判斷這個數字在比什麼,而不是被一個數字嚇到,或被另一個數字安撫。

我可以怎麼做?
- 簡單的事不一定要問 AI:查公車時間、算簡單的數學,用一般搜尋或計算機就夠了。
- 一次把問題講清楚:把背景、要求和格式一次說明,減少來回重問、重新生成的次數。
- 選適合的模型:簡單的任務用小模型或快速模式就好,不必每次都用最大、最強的模型。
- 需要長篇才要長篇:回答越長,運算越多;只需要重點時,可以請 AI 簡短回答。
- 看數字先看算法:遇到「一次一瓶水」或「只有幾滴水」的說法,先用上面四個問題檢查一下。
最後提醒:本文的數字大多是公司自行公布或研究團隊的估計,算法、年份和模型都不同,也多半未經獨立驗證;AI 的效率變化很快,實際數字請以最新公布的資料為準。
參考來源
- Google Cloud:Measuring the environmental impact of AI inference(2025-08-21)
https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference - Sam Altman:The Gentle Singularity(2025-06)
https://blog.samaltman.com/the-gentle-singularity - Mistral AI:Our contribution to a global environmental standard for AI(2025-07-22)
https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai - Li, Yang, Islam, Ren:Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models(arXiv:2304.03271)
https://arxiv.org/abs/2304.03271 - IEA:Energy and AI – Executive summary(2025-04)
https://www.iea.org/reports/energy-and-ai/executive-summary - Bloomberg:AI Is Draining Water From Areas That Need It Most(2025-05)
https://www.bloomberg.com/graphics/2025-ai-impacts-data-centers-water-data/ - MDPI《Green》:The Hidden Thirst of AI: A Framework for Estimating Direct, Indirect, and Scarcity-Adjusted Freshwater Consumption per LLM Query(2026-09-01)
https://www.mdpi.com/3042-9242/1/2/8 - Implicator:Google says a prompt uses 0.24 Wh. Researchers say the math is incomplete.
https://www.implicator.ai/google-says-a-prompt-uses-0-24-wh-researchers-say-the-math-is-incomplete.md
本文由 AI 協助整理,經編輯審閱。



