Utilizzo dell'acqua dell'IA per query: cosa possiamo sapere effettivamente?

Non esiste un unico dato sull’utilizzo dell’acqua per una query di intelligenza artificiale. Le recenti divulgazioni degli operatori collocano i messaggi di testo ordinari a circa 0.26 ml come mediana Gemini Richiesta app e 0.32 ml in media ChatGPT domanda. Un modello accademico del 2023 ha prodotto una gamma molto più elevata di circa 10–25 ml per risposta del modello linguistico in particolari posizioni e confini del sistema.

Queste stime non dovrebbero essere mediate o trattate come misurazioni della stessa cosa. Coprono diversi modelli, hardware, raffreddamento, griglie, date e definizioni di acqua. Anche la lunghezza e gli strumenti di una query contano. La risposta più accurata del consumatore è un intervallo di provenienza con il relativo confine allegato.

Le due figure dell'operatore basso

Google riportato 0.26 ml di acqua per una mediana Gemini Richiesta di generazione di testo dell'app nel maggio 2025. L'analisi di accompagnamento riportava anche 0.24 Wh di energia e descriveva un limite di servizio completo, compresa l'infrastruttura di supporto.

OpenAI l'amministratore delegato Sam Altman ha dichiarato che una media ChatGPT query utilizzata 0.000085 US gallons, circa 0.32 ml. Il post non ha pubblicato un calcolo né definito il mix di richieste sottostanti.

Le cifre sono vicine, ma ciò non stabilisce un tasso universale. Il primo è una mediana temporizzata misurata per un'app denominata; l'altro è una media della flotta inspiegabile. La mediana e la media sono statistiche diverse ed entrambi i servizi continuano a cambiare.

La stima di ricerca più alta

In Rendere l’intelligenza artificiale meno “assetata”, i ricercatori hanno modellato il raffreddamento diretto e l'acqua correlata all'elettricità indiretta per modelli linguistici di grandi dimensioni. Il loro esempio ampiamente citato assegnava una bottiglia da 500 ml a circa 20–50 risposte di media lunghezza, equivalenti a circa 10–25 ml ciascuna.

Si trattava di uno scenario basato sulle posizioni di spiegamento presunte, sulle condizioni meteorologiche, sull'intensità dell'acqua nella rete e sull'energia del modello. Non era la lettura del contatore ChatGPT. Il valore dello studio è dimostrare che quando e dove un modello viene eseguito può modificare materialmente la sua impronta idrica.

Il divario di ordine di grandezza rispetto ai dati successivi dei fornitori può riflettere hardware e raffreddamento più efficienti, energia di modello diversa e contabilità più ristretta o semplicemente diversa. Poiché i dati sottostanti comparabili non sono pubblici, assegnare il divario a una causa sarebbe una speculazione.

Un calcolo semplice richiede ancora input difficili

Nella sua forma più semplice, l'acqua diretta per query può essere stimata come l'energia richiesta moltiplicata per l'efficacia dell'uso dell'acqua della struttura. L'acqua indiretta aggiunge l'energia moltiplicata per l'intensità idrica della produzione di elettricità. La formazione e la produzione richiedono stanziamenti separati.

Ogni input si muove. Interroga le modifiche energetiche con modello, token di input e output, batching, chiamate hardware e strumenti. L'acqua dell'impianto cambia in base alle condizioni atmosferiche e alla modalità di raffreddamento. L'intensità dell'acqua nella rete cambia con la generazione. Una media annuale attenua le ore in cui la pressione dell'acqua locale può essere più alta.

Berkeley Lab ha modellato l'efficacia media dell'uso dell'acqua nei siti statunitensi a poco più 0.36 litri per kWh nel 2023. Moltiplicando la stima della flotta nazionale per una stima tempestiva del prodotto si mescolerebbero sistemi non correlati e non si rivelerebbe l’acqua effettiva del fornitore.

"Query" non è un'unità stabile

Un breve completamento del testo potrebbe generare qualche dozzina di token. Una richiesta di ricerca può elaborare documenti lunghi, effettuare ricerche sul Web e chiamare un modello più volte. La generazione di immagini e video utilizza pipeline diverse. Contare ciascuno come una query rende il denominatore conveniente ma debole dal punto di vista ambientale.

L'unità migliore include il carico di lavoro: modello, token di input, token di output, modalità e attività dello strumento. Anche in questo caso, l'infrastruttura di servizio condivisa implica che l'allocazione è approssimativa. I server inattivi, la rete e il raffreddamento supportano più utenti contemporaneamente.

Questo è il motivo quanta acqua ChatGPT usi non è possibile rispondere solo dal conteggio dei messaggi. Questo è anche il motivo per cui le distribuzioni dei fornitori sarebbero più utili di una media: i lettori devono vedere separatamente l’uso ordinario, di fascia alta e quello pesante degli strumenti.

L’acqua diretta non rappresenta l’intera impronta

Il consumo in loco è importante a livello locale e spesso ciò che lo consente regola. Non comprende l'acqua utilizzata dal sistema energetico. Al contrario, un modello indiretto ampio può assegnare l’acqua da una generazione distante che è meno rilevante per il bacino idrografico immediato del data center.

Le fabbriche di chip utilizzano acqua ultrapura e la costruzione ha un impatto sulla catena di approvvigionamento. Queste fasi sono normalmente assenti dalle divulgazioni per query perché nessun metodo pubblico può allocare con sicurezza la vita di un processore in tutto il suo lavoro. L'addestramento dell'acqua ha lo stesso problema del denominatore.

Un reporting chiaro presenta diversi livelli anziché affermare che uno sia la verità: operativo diretto, elettricità indiretta, assegnazione della formazione e catena di fornitura incorporata. La nostra guida a come l’intelligenza artificiale utilizza l’acqua spiega dove si trova ogni strato.

Come citare un numero in modo responsabile

Assegna un nome al servizio e alla statistica: "Google riportato 0.26 ml per la sua mediana Gemini Richiesta di testo delle app nel maggio 2025." Conserva la “mediana”, il “testo” e la data. Per ChatGPT, dicono "Altman ha dichiarato una media di circa 0.32 ml, senza pubblicare il metodo."

Quando citi il ​​lavoro accademico, afferma che "il modello ha stimato 500 ml in circa 20–50 risposte nei suoi scenari". Non abbreviarlo in una bottiglia per messaggio.

Treechat utilizza un presupposto fisso di millilitri per wattora per creare stime coerenti dall'energia del messaggio. IL metodologia etichetta questa come una stima perché l'acqua di raffreddamento e di alimentazione effettiva non è disponibile. La coerenza può aiutare a confrontare Treechat messaggi; non può trasformare un fattore generico in una misurazione della struttura.

La conclusione pratica è ridurre i calcoli non necessari e richiedere una migliore divulgazione. Una gamma trasparente è meno memorabile di una bottiglia, ma molto più vicina a ciò che è effettivamente conosciuto.