AI vattenanvändning per fråga: vad kan vi egentligen veta?

Det finns ingen enskild vattenanvändningssiffra för en AI-fråga. De senaste operatörernas avslöjanden sätter vanliga textmeddelanden till cirka 0.26 ml för medianen Gemini Appar prompt och 0.32 ml i genomsnitt ChatGPT fråga. En akademisk modell från 2023 gav ett mycket högre intervall på ungefär 10–25 ml per språkmodellsvar under särskilda platser och systemgränser.

Dessa uppskattningar bör inte beräknas som medelvärde eller behandlas som mätningar av samma sak. De täcker olika modeller, hårdvara, kylning, galler, datum och definitioner av vatten. En frågas längd och verktyg har också betydelse. Det mest exakta konsumentsvaret är ett sortiment med en gräns som är bifogad.

De två låga operatörssiffrorna

Google rapporterade 0.26 ml vatten för en median Gemini Textgenereringsprompt för appar i maj 2025. Den medföljande analysen rapporterade också 0.24 Wh energi och beskrev en omfattande serveringsgräns inklusive stödjande infrastruktur.

OpenAI vd Sam Altman uppgav att ett genomsnitt ChatGPT fråga används 0.000085 US gallonsca 0.32 ml. Inlägget publicerade inte en beräkning eller definierade den underliggande förfrågningsmixen.

Siffrorna är nära, men det fastställer inte en universell kurs. Den ena är en uppmätt tidpunktsmedian för en namngiven app; den andra är ett oförklarat medelvärde för flottan. Median och medelvärde är olika statistik, och båda tjänsterna fortsätter att förändras.

Den högre forskningsuppskattningen

In Gör AI mindre "törstig", modellerade forskare direkt kylning och indirekt elrelaterat vatten för stora språkmodeller. Deras brett citerade exempel tilldelade en 500 ml flaska till cirka 20–50 medellånga svar, motsvarande cirka 10–25 ml vardera.

Detta var ett scenario baserat på antagna utbyggnadsplatser, väder, nätvattenintensitet och modellenergi. Det var inte en meteravläsning från ChatGPT. Tidningens värde visar att när och var en modell körs väsentligt kan förändra dess vattenavtryck.

Storleksgapet med senare leverantörssiffror kan återspegla effektivare hårdvara och kylning, annan modellenergi och smalare eller helt enkelt annorlunda redovisning. Eftersom jämförbara underliggande data inte är offentliga skulle det vara spekulationer att tilldela gapet till en orsak.

En enkel beräkning kräver fortfarande hårda inmatningar

Som enklast kan direkt vatten per fråga uppskattas som frågeenergi multiplicerat med anläggningens vattenanvändningseffektivitet. Indirekt vatten adderar energin multiplicerad med vattenintensiteten för elproduktion. Utbildning och tillverkning kräver separata tilldelningar.

Varje ingång rör sig. Fråga energiförändringar med modell, ingångs- och utdatatokens, batchning, hårdvara och verktygsanrop. Anläggningens vatten ändras med väder och kylläge. Nätvattenintensiteten ändras med generering. Ett årsgenomsnitt jämnar ut de timmar då det lokala vattentrycket kan vara högst.

Berkeley Lab modellerade den genomsnittliga effektiviteten för vattenanvändning i USA på drygt 0.36 liter per kWh 2023. Att multiplicera den nationella flottans uppskattning med en prompt uppskattning skulle blanda orelaterade system, inte avslöja leverantörens faktiska vatten.

"Query" är inte en stabil enhet

En kort textkomplettering kan generera några dussin tokens. En forskningsförfrågan kan behandla långa dokument, söka på webben och anropa en modell flera gånger. Bild- och videogenerering använder olika pipelines. Att räkna var och en som en fråga gör nämnaren bekväm men miljömässigt svag.

Den bättre enheten inkluderar arbetsbelastning: modell, input-tokens, output-tokens, modalitet och verktygsaktivitet. Även då innebär delad serveringsinfrastruktur att tilldelningen är ungefärlig. Inaktiva servrar, nätverk och kylning stödjer många användare samtidigt.

Det är därför hur mycket vatten ChatGPT använder kan inte besvaras från enbart meddelanderäkning. Det är också anledningen till att leverantörsdistributioner skulle vara mer användbara än ett genomsnitt: läsare måste se vanlig, avancerad och verktygstung användning separat.

Direkt vatten är inte hela fotavtrycket

Förbrukningen på plats är lokalt viktig och ofta reglerar tillstånden. Det inkluderar inte vatten som används av kraftsystemet. Omvänt kan en bred indirekt modell tilldela vatten från fjärrgeneration som är mindre relevant för datacentrets omedelbara avrinningsområde.

Flisfabriker använder ultrarent vatten, och konstruktionen påverkar leveranskedjan. Dessa stadier saknas normalt i avslöjande per fråga eftersom ingen offentlig metod med säkerhet kan fördela en processors liv över allt dess arbete. Träningsvatten har samma nämnarproblem.

Tydlig rapportering presenterar flera skikt snarare än att hävda att en är sanningen: direkt drift, indirekt elektricitet, utbildningsallokering och inbyggd försörjningskedja. Vår guide till hur AI använder vatten förklarar var varje lager förekommer.

Hur man ansvarsfullt citerar ett nummer

Namnge tjänsten och statistik: "Google rapporterade 0.26 ml för dess median Gemini App-textmeddelande i maj 2025." Bevara "median", "text" och datum. För ChatGPT, säg "Altman angav ett genomsnitt på cirka 0.32 ml, utan att ha publicerat metoden."

När du citerar det akademiska arbetet, säg "modellen uppskattade 500 ml över ungefär 20–50 svar under dess scenarier." Förkorta inte det till en flaska per meddelande.

Treechat använder ett fast milliliter-per-wattimme-antagande för att skapa konsekventa uppskattningar från meddelandeenergi. Den metodik betecknar detta som en uppskattning eftersom faktisk kylning och kraftvatten inte är tillgängligt. Konsekvens kan hjälpa till att jämföra Treechat meddelanden; den kan inte förvandla en generisk faktor till en anläggningsmätning.

Det praktiska alternativet är att minska onödig beräkning och kräva bättre avslöjande. En transparent serie är mindre minnesvärd än en flaska, men mycket närmare vad som faktiskt är känt.