Quanta acqua utilizza ChatGPT?
Le stime pubbliche per ChatGPT vanno da frazioni a decine di millilitri per query. Ecco perché sono in conflitto e cosa conta ciascuno.
L’unica media pubblica di prima parte afferma che una query ChatGPT utilizza circa 0.000085 galloni statunitensi di acqua, ovvero circa 0.32 millilitri. L’amministratore delegato di OpenAI Sam Altman ha pubblicato quella cifra nel 2025, ma non ha fornito il calcolo né definito quali modelli, posizioni e confini d’acqua copre.
Una ricerca indipendente ha prodotto stime molto più elevate. Un documento del 2023 suggeriva circa 500 ml per 20–50 risposte di media lunghezza, o circa 10–25 ml ciascuna, a seconda di dove e quando veniva eseguito il sistema. Questi numeri non sono direttamente confrontabili. La risposta onesta è che l’uso dell’acqua di ChatGPT varia e la divulgazione pubblica non è sufficientemente dettagliata per calcolare esattamente la conversazione.
La cifra di prima parte è una media
Quello di Altman dichiarazione pubblicata ha fornito due medie operative per una query ChatGPT: circa 0.34 Wh di elettricità e 0.000085 galloni USA di acqua. Convertendo quest'ultimo si ottengono circa 0.32 ml.
È utile perché proviene dall'operatore, che può osservarne l'infrastruttura e il traffico. È limitato perché il post non rivela il periodo di misurazione, la distribuzione dei modelli, la lunghezza delle query, il confine tra diretto e indiretto o il trattamento della formazione.
Una media può anche nascondere un ampio intervallo. Una breve richiesta e una lunga sessione di ragionamento sono lavori informatici diversi. Gli strumenti di ricerca, file, immagini e agenti possono richiamare diversi sistemi. È meglio trattare la cifra come un segnale a livello di flotta per l'uso ordinario, non come un contatore dell'acqua allegato a ogni messaggio ChatGPT.
Perché la stima accademica è più alta
Il documento del 2023 Rendere l’intelligenza artificiale meno “assetata” stimato sia l'acqua di raffreddamento in loco che l'acqua associata all'elettricità. I suoi ricercatori hanno modellato particolari posizioni dei data center, condizioni meteorologiche e reti elettriche invece di misurare la flotta privata di OpenAI.
Il loro esempio principale era che una bottiglia da 500 ml poteva fornire circa 20–50 risposte. Ciò equivale a 10–25 ml per risposta secondo i presupposti del documento. Non ha mai supportato “una bottiglia per messaggio”.
Il servizio modellato, le ipotesi infrastrutturali e il tempo differiscono dalla media successiva di Altman. Anche l'hardware e il raffreddamento sono migliorati. Un confine che comprende l’acqua per la generazione indiretta di energia sarà solitamente più ampio di quello focalizzato sul raffreddamento diretto. Senza una metodologia di abbinamento di OpenAI, non possiamo isolare quanto del divario deriva dall'efficienza e quanto dalla contabilità.
L’uso dell’acqua cambia con il luogo e il tempo
Il raffreddamento evaporativo consuma acqua per spostare il calore fuori da un data center. L'importo dipende dalla temperatura e dall'umidità, dalle apparecchiature di raffreddamento e dal carico del server. Una struttura che utilizza aria esterna o raffreddamento a circuito chiuso può consumare meno in loco.
Anche la produzione di elettricità può consumare acqua. Il suo tasso cambia con il mix locale di energia termica, eolica, solare e altre fonti. Sia la domanda di raffreddamento che il mix di rete possono variare di ora in ora, quindi la stessa richiesta di modello potrebbe avere acqua allocata diversa in regioni diverse.
La scarsità cambia le conseguenze così come il volume. Un millilitro in un bacino colpito dalla siccità ha un significato locale diverso da quello in una regione ricca di acqua. Una media globale non può esprimerlo. Vedere come l’intelligenza artificiale utilizza l’acqua per le fasi dirette, indirette e produttive.
La formazione e i chip non rientrano nella maggior parte delle affermazioni delle query
Il documento accademico stima che l’addestramento di GPT-3 nei data center statunitensi di Microsoft potrebbe consumare direttamente circa 700,000 litri secondo il suo modello. Questa non è una misurazione OpenAI divulgata e i modelli ChatGPT più recenti hanno cicli di allenamento diversi. Non dovrebbe essere presentato come un totale noto per il prodotto odierno.
La condivisione dell'acqua di addestramento tra le query è una scelta contabile. L'allocazione per query diminuisce se un modello serve più richieste e aumenta se viene ritirato anticipatamente. L'acqua è stata consumata durante l'allenamento, non ogni volta che un utente premeva invio.
Anche la produzione di semiconduttori utilizza acqua ultrapura, mentre la costruzione di data center ha impatti a monte. I dati tempestivi dei consumatori raramente includono entrambi perché l’utilizzo, la durata dell’hardware e l’allocazione della catena di fornitura sono incerti. Una stima operativa ristretta resta utile, ma non rappresenta il totale del ciclo di vita completo.
Cosa sbaglia il confronto con la bottiglia
La frase "ChatGPT beve una bottiglia d'acqua" fa sembrare un'allocazione modellata un evento fisico. I server non aprono una bottiglia quando arriva un messaggio. I sistemi di raffreddamento funzionano con molti carichi di lavoro e i ricercatori ripartiscono parte del loro consumo su una richiesta.
Il confronto incoraggia anche un tasso fisso. Anche il documento originale forniva un intervallo di risposta di 20–50 perché il luogo e il tempo erano importanti. Le cifre successive descrivono frazioni di millilitro. Scegliere un endpoint senza la sua fonte e il suo confine trasforma l’incertezza in clickbait.
Il nostro audit dedicato—l'intelligenza artificiale utilizza davvero una bottiglia per messaggio?-ripercorre l'affermazione. La conclusione non è che l’intelligenza artificiale non utilizzi acqua. È che l'unità, il denominatore e l'ambito devono viaggiare con il numero.
Cosa puoi fare con questa incertezza?
Considera 0.32 ml come la media dichiarata di OpenAI, non come la misura esatta. Trattare 10–25 ml come uno scenario di ricerca per un diverso limite di servizio, non come una lettura ChatGPT corrente. Non fare la media insieme: ciò creerebbe un numero supportato da nessuna delle due fonti.
Per un utilizzo a basso impatto, mantieni le conversazioni focalizzate, evita tentativi ripetuti e utilizza ragionamenti avanzati o media generati quando l'attività lo giustifica. La scelta di un modello adatto più piccolo può ridurre il calcolo e il carico di raffreddamento assegnato alla risposta.
I dati decisivi sono in possesso dei fornitori. Possono pubblicare distribuzioni per modello e attività, acqua diretta e indiretta, ubicazione delle strutture e consumo stagionale. Fino a quando non lo faranno, le stime responsabili dovrebbero rimanere ampie ed esplicite. Treechat segue questo principio nella sua metodologia: il suo apporto idrico deriva da un'energia stimata e da un fattore fisso, non dalla lettura in tempo reale di un data center.
Per confronti visivi senza perdere le avvertenze, vedere Uso dell’acqua dell’intelligenza artificiale rispetto alle cose di tutti i giorni. La lezione chiave è semplice: il problema ambientale è un’infrastruttura aggregata e locale, non un sorso letterale preso dallo schermo.