Hoeveel water doet dat ChatGPT gebruiken?

Het enige openbare first-party gemiddelde zegt a ChatGPT De zoekopdracht gebruikt ongeveer 0.000085 US gallons water, ongeveer 0.32 milliliter. OpenAI CEO Sam Altman publiceerde dat cijfer in 2025, maar gaf niet de berekening en definieerde niet om welke modellen, locaties en watergrenzen het gaat.

Onafhankelijk onderzoek heeft veel hogere schattingen opgeleverd. Een artikel uit 2023 suggereerde ongeveer 500 ml voor 20–50 middellange reacties, of ongeveer 10–25 ml elk, afhankelijk van waar en wanneer het systeem draaide. Deze cijfers zijn niet direct vergelijkbaar. Het eerlijke antwoord is dat ChatGPT Het waterverbruik van het bedrijf varieert en de openbaarmaking is niet gedetailleerd genoeg om uw exacte gesprek te berekenen.

Het first-party cijfer is een gemiddelde

Altmans gepubliceerde verklaring gaf twee operationele gemiddelden voor a ChatGPT vraag: ongeveer 0.34 Wh elektriciteit en 0.000085 US gallons water. Omrekenen van dit laatste levert ongeveer 0.32 ml op.

Het is nuttig omdat het afkomstig is van de operator, die de infrastructuur en het verkeer kan observeren. Het is beperkt omdat de post de meetperiode, de verdeling van de modellen, de lengte van de zoekopdracht, de directe versus indirecte grens of de behandeling van training niet openbaar maakt.

Onder een gemiddelde kan ook een breed bereik schuilgaan. Een kort verzoek en een lange redeneersessie zijn verschillende computerklussen. Zoeken, bestanden, afbeeldingen en agenttools kunnen verschillende systemen aanroepen. Het cijfer kan het beste worden beschouwd als een wegwijzer op vlootniveau voor gewoon gebruik, en niet als een watermeter die aan alles is bevestigd ChatGPT bericht.

Waarom de academische schatting hoger is

Het document uit 2023 AI minder ‘dorstig’ maken geschat zowel on-site koelwater als water in verband met elektriciteit. De onderzoekers modelleerden bepaalde datacenterlocaties, weer- en elektriciteitsnetwerken in plaats van te meten OpenAI’s privévloot.

Hun belangrijkste voorbeeld was dat a 500 ml fles zou ongeveer kunnen dienen 20–50 reacties. Dat komt overeen met 10–25 ml per reactie onder de aannames van het artikel. Het ondersteunde nooit “één fles per bericht”.

De gemodelleerde service, infrastructuuraannames en tijd verschillen van het latere gemiddelde van Altman. Hardware en koeling zijn ook verbeterd. Een grens die indirect water voor energieopwekking omvat, zal doorgaans breder zijn dan een grens die zich richt op directe koeling. Zonder een bijpassende methodiek van OpenAI kunnen we niet isoleren hoeveel van de kloof voortkomt uit efficiëntie en hoeveel uit boekhouding.

Het watergebruik verandert met plaats en tijd

Door verdampingskoeling wordt water verbruikt om de warmte uit een datacenter te verwijderen. De hoeveelheid is afhankelijk van temperatuur en luchtvochtigheid, koelapparatuur en serverbelasting. Een faciliteit die gebruik maakt van buitenlucht of koeling met een gesloten lus kan ter plaatse minder verbruiken.

Elektriciteitsopwekking kan ook water verbruiken. De snelheid ervan verandert afhankelijk van de lokale mix van thermische energie, wind, zonne-energie en andere bronnen. Zowel de vraag naar koeling als de netwerkmix kunnen van uur tot uur variëren, dus voor hetzelfde modelverzoek kan in verschillende regio's verschillend water worden toegewezen.

Schaarste verandert zowel de gevolgen als het volume. Een milliliter in een door droogte getroffen stroomgebied heeft een andere lokale betekenis dan één in een gebied met veel water. Een mondiaal gemiddelde kan dat niet uitdrukken. Zie hoe AI water gebruikt voor directe, indirecte en productiefasen.

Training en chips vallen buiten de meeste queryclaims

Het academische artikel schatte die training in GPT-3 in de Amerikaanse datacenters van Microsoft zouden onder dit model direct ongeveer 700,000 liter kunnen verbruiken. Dat is niet bekendgemaakt OpenAI meting, en nieuwer ChatGPT modellen hebben verschillende trainingsruns. Het mag niet worden gepresenteerd als een bekend totaal voor het huidige product.

Het delen van trainingswater via zoekopdrachten is een boekhoudkundige keuze. De toewijzing per query daalt als een model meer verzoeken verwerkt, en stijgt als het model eerder buiten gebruik wordt gesteld. Het water werd verbruikt tijdens de training, niet elke keer dat een gebruiker op verzenden drukte.

Bij de productie van halfgeleiders wordt ook ultrapuur water gebruikt, terwijl de bouw van datacentra stroomopwaartse gevolgen heeft. In de consumentencijfers zijn deze zelden opgenomen, omdat het gebruik, de levensduur van de hardware en de toewijzing van de toeleveringsketen onzeker zijn. Een beperkte operationele schatting blijft nuttig, maar is geen volledig levenscyclustotaal.

Wat de flesvergelijking fout gaat

De zinsnede “ChatGPT drinkt een fles water” laat een gemodelleerde toewijzing klinken als een fysieke gebeurtenis. Servers openen geen fles als er een bericht binnenkomt. Koelsystemen werken bij veel werklasten, en onderzoekers verdelen een deel van hun verbruik aan een verzoek.

De vergelijking stimuleert ook een vast tarief. Zelfs het originele papier gaf een 20–50 responsbereik omdat locatie en tijd er toe deden. Latere cijfers beschrijven fracties van een milliliter. Door één eindpunt te kiezen zonder de bron en de grens, verandert onzekerheid in clickbait.

Onze toegewijde audit—gebruikt AI echt een fles per bericht?– traceert de claim. De conclusie is niet dat AI geen water gebruikt. Het is dat de eenheid, de noemer en het bereik met het getal mee moeten reizen.

Wat kun je doen met deze onzekerheid?

Behandel 0.32 ml als OpenAI Het aangegeven gemiddelde, niet uw exacte meting. Beschouw 10–25 ml als onderzoeksscenario voor een andere gebruiksgrens, niet als stroming ChatGPT lezen. Middel ze niet samen: dat zou een getal creëren dat door geen van beide bronnen wordt ondersteund.

Voor gebruik met een lagere impact houdt u de gesprekken gefocust, vermijdt u herhaalde pogingen en gebruikt u geavanceerde redeneringen of gegenereerde media wanneer de taak dit rechtvaardigt. Door een kleiner geschikt model te kiezen, kunnen de berekeningen en de koelbelasting die aan het antwoord wordt toegewezen, worden verminderd.

Aanbieders beschikken over de beslissende gegevens. Ze kunnen verdelingen publiceren per model en taak, direct en indirect water, locaties van faciliteiten en seizoensverbruik. Zolang dat niet het geval is, moeten verantwoorde schattingen breed en expliciet blijven. Treechat volgt dat principe in zijn methodologie: de waterontvangst is afkomstig van geschatte energie en een vaste factor, en niet van een live uitlezing van een datacenter.

Voor visuele vergelijkingen zonder de voorbehouden te verliezen, zie AI-watergebruik versus alledaagse dingen. De belangrijkste les is simpel: het milieuprobleem is een geaggregeerde, lokale infrastructuur – en niet een letterlijke slok die op je scherm wordt genomen.