問 AI 一次,要用掉多少水和電?從「一瓶水」說法看懂數字怎麼算

「問 AI 一次就喝掉一瓶水」?Google 說約 5 滴,Mistral 說 3 湯匙,差在算進了幾種水。看懂數字怎麼算,也看懂為什麼單次變省、總量仍在增加。

本文目錄 6 節
  1. 同樣是「問一次」,數字差了一百多倍。
  2. 差在哪裡?要看算進了幾種水。
  3. 單次很少,為什麼還要在意?
  4. 看到 AI 耗水新聞,先問四個問題。
  5. 我可以怎麼做?
  6. 參考來源
SimpleLearn AI 素養封面(手繪風):淡沙色底,左側寫著「應用情境・AI 與環境」「問 AI 一次,要用掉多少水和電?」「「一次一瓶水」的說法對不對」;右側一台筆電,上方對話框寫著「一次一瓶水?」,旁邊是一個寫著問號的水瓶、幾滴水珠和一道閃電。
封面:SimpleLearn 製圖(手繪風示意)。

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。

比較圖:標題「同樣是「問一次」,數字差了一百多倍」。四列分別是:Google Gemini(2025)0.26 毫升,中位數,只算資料中心的冷卻用水,約 5 滴;OpenAI ChatGPT(2025)約 0.32 毫升,平均值,執行長部落格公布,未說明算法,約 6 滴;Mistral Le Chat(2025)45 毫升,約 400 詞元的回答,連發電、硬體一起算,3 湯匙;UC Riverside 研究(2023)約 10 到 50 毫升,GPT-3,含冷卻和發電用水,約三分之二到三又三分之一湯匙。下方提醒四個數字算的範圍、模型和年份都不同,不能直接比大小。
圖:各家公布或研究估計的每次回答用水量。水滴與湯匙數為本站換算(1 滴約 0.05 毫升、1 湯匙 15 毫升)。資料來源:Google Cloud、Sam Altman、Mistral AI、Li 等;SimpleLearn 製圖。

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)。

說明圖:標題「AI 用的水,其實有三種」。三格分別是:① 冷卻用水,資料中心現場,伺服器很熱,冷卻塔靠水蒸發來散熱;② 發電用水,電廠那一端,火力、核能電廠發電時也要大量冷卻水;③ 製造用水,供應鏈上游,做晶片、伺服器需要大量超純水。下方表格「誰算到哪裡?」:Google Gemini 0.26 毫升只算 ①;UC Riverside 10 到 50 毫升算 ① 和 ②;Mistral Le Chat 45 毫升三種都算;OpenAI ChatGPT 0.32 毫升三格都是問號,未說明。
圖:AI 用水的三種範圍,以及各家數字算到哪裡。三種範圍依 UC Riverside 研究的分類;Mistral 的範圍依其生命週期分析說明整理。資料來源:Li 等、Google Cloud、Mistral AI、MDPI《Green》;SimpleLearn 製圖。

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)。

雙長條圖:標題「每一次變省了,總量卻還在變多」。左邊「單次:Gemini 一次文字提問」,2024 年 5 月的長條很高,2025 年 5 月只剩薄薄一條,標示 0.24 Wh、只剩 1/33,0.24 Wh 約等於看電視不到 9 秒。右邊「總量:全球資料中心用電」,IEA 推估含 AI 以外的用途,2024 年 415 TWh,2030 年預估約 945 TWh,約等於日本現在一年的用電。下方說明效率提高讓 AI 變得「便宜」,用量反而可能更多,稱為傑文斯悖論。
圖:單次耗電大降,總用電仍預估翻倍。左圖 2024 年長條依「降為 1/33」推算,Google 未公布該年數值。資料來源:Google Cloud、IEA;SimpleLearn 製圖。

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。

清單圖:標題「看到「AI 很耗水」的新聞,先問四個問題」,副標「數字本身不一定錯,但要知道它在比什麼」。1 算了哪幾種水?只算冷卻水,還是連發電、製造都算?例:範圍不同,數字可以差上百倍。2 中位數還是平均?少數很長、很耗資源的請求,會把平均值拉高。例:Google 公布的是中位數,OpenAI 公布的是平均值。3 哪個模型、多長的回答?大模型、長回答、生成圖片影片都比較耗。例:Mistral 指出模型大 10 倍,環境影響約大一個數量級。4 在哪裡、什麼時候?乾燥炎熱的地方、白天最熱時,冷卻更耗水。例:2022 年後新建的資料中心,約三分之二位在高缺水地區。
圖:判讀 AI 耗水數字的四個問題。資料來源:Google Cloud、Mistral AI、Bloomberg、Li 等;SimpleLearn 製圖。

我可以怎麼做?

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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

  1. 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
  2. Sam Altman:The Gentle Singularity(2025-06)
    https://blog.samaltman.com/the-gentle-singularity
  3. 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
  4. 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
  5. IEA:Energy and AI – Executive summary(2025-04)
    https://www.iea.org/reports/energy-and-ai/executive-summary
  6. 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/
  7. 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
  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。