Hur mycket vatten gör ChatGPT använda?
Offentliga uppskattningar för ChatGPT sträcker sig från bråkdelar till tiotals milliliter per fråga. Här är varför de konflikter och vad var och en räknas.
Det enda offentliga förstapartsgenomsnittet säger ett ChatGPT frågan använder cirka 0.000085 amerikanska gallon vatten – ungefär 0.32 milliliter. OpenAI Verkställande direktör Sam Altman publicerade den siffran 2025, men gav inte beräkningen eller definierade vilka modeller, platser och vattengränser den täcker.
Oberoende forskning har gett mycket högre uppskattningar. Ett papper från 2023 föreslog cirka 500 ml för 20–50 medellånga svar, eller ungefär 10–25 ml vardera, beroende på var och när systemet kördes. Dessa siffror är inte direkt jämförbara. Det ärliga svaret är det ChatGPT Vattenanvändningen varierar, och offentligheten är inte tillräckligt detaljerad för att beräkna din exakta konversation.
Förstapartssiffran är ett genomsnitt
Altmans publicerat uttalande gav två operativa medelvärden för ett ChatGPT fråga: cirka 0.34 Wh el och 0.000085 amerikanska gallon vatten. Omvandling av den senare ger cirka 0.32 ml.
Det är användbart eftersom det kommer från operatören, som kan observera dess infrastruktur och trafik. Det är begränsat eftersom inlägget inte avslöjar dess mätperiod, distribution av modeller, frågelängd, direkt-mot-indirekt gräns eller behandling av utbildning.
Ett genomsnitt kan också dölja ett brett intervall. En kort förfrågan och en lång resonemang är olika datorjobb. Sök, filer, bilder och agentverktyg kan anropa flera system. Figuren behandlas bäst som en vägvisare på flottnivå för vanligt bruk, inte en vattenmätare som fästs på varje ChatGPT meddelande.
Varför den akademiska uppskattningen är högre
Tidningen 2023 Gör AI mindre "törstig" uppskattas både på plats kylvatten och vatten kopplat till el. Dess forskare modellerade särskilda datacenterplatser, väder och elnät snarare än att mäta OpenAI s privata flotta.
Deras huvudexempel var att en 500 ml flaska kunde ge ungefär 20–50 svar. Det motsvarar 10–25 ml per svar enligt tidningens antaganden. Det stödde aldrig "en flaska per meddelande".
Den modellerade tjänsten, infrastrukturantagandena och tiden skiljer sig från Altmans senare genomsnitt. Hårdvara och kylning förbättrades också. En gräns som inkluderar indirekt elproduktionsvatten kommer vanligtvis att vara bredare än en som är inriktad på direkt kylning. Utan en matchande metodik från OpenAI, vi kan inte isolera hur mycket av gapet som kommer från effektivitet och hur mycket som kommer från redovisning.
Vattenanvändningen förändras med plats och tid
Evaporativ kyla förbrukar vatten för att flytta värme ut från ett datacenter. Mängden beror på temperatur och luftfuktighet, kylutrustning och serverbelastning. En anläggning som använder utomhusluft eller sluten kylning kan förbruka mindre på plats.
Elproduktion kan också förbruka vatten. Dess hastighet ändras med den lokala blandningen av värmekraft, vind, sol och andra källor. Både kylbehovet och nätmixen kan variera timme för timme, så samma modellbegäran kan ha olika allokerat vatten i olika regioner.
Knapphet ändrar konsekvens såväl som volym. En milliliter i ett torkadrabbat avrinningsområde har en annan lokal betydelse än en i en vattenrik region. Ett globalt genomsnitt kan inte uttrycka det. Se hur AI använder vatten för direkta, indirekta och tillverkningsled.
Träning och marker sitter utanför de flesta frågekrav
Den akademiska uppsatsen uppskattade den utbildningen GPT-3 i Microsofts amerikanska datacenter kunde direkt konsumera ca 700,000 liter under sin modell. Det är inte avslöjat OpenAI mätning och nyare ChatGPT modeller har olika träningskörningar. Det bör inte presenteras som en känd summa för dagens produkt.
Att dela träningsvatten över frågor är ett redovisningsval. Tilldelningen per fråga faller om en modell betjänar fler förfrågningar och stiger om den förtidspensioneras. Vattnet förbrukades under träningen, inte varje gång en användare trycker på skicka.
Halvledartillverkning använder också ultrarent vatten, medan konstruktion av datacenter har effekter uppströms. Konsumentsiffror inkluderar sällan någondera eftersom användningen, hårdvarans livslängd och tilldelningen av leveranskedjan är osäkra. En snäv driftsuppskattning förblir användbar, men det är inte en fullständig livscykelsumma.
Vad flaskjämförelsen blir fel
Frasen "ChatGPT dricker en flaska vatten” får en modellerad tilldelning att låta som en fysisk händelse. Servrar öppnar inte en flaska när ett meddelande kommer. Kylsystem fungerar över många arbetsbelastningar och forskare fördelar en del av sin förbrukning på en begäran.
Jämförelsen uppmuntrar också till en fast ränta. Även originaltidningen gav ett svarsintervall på 20–50 eftersom plats och tid spelade roll. Senare figurer beskriver bråkdelar av en milliliter. Att välja en slutpunkt utan dess källa och gräns förvandlar osäkerhet till clickbait.
Vår dedikerade revision—använder AI verkligen en flaska per meddelande?— spårar påståendet. Slutsatsen är inte att AI inte använder något vatten. Det är att enheten, nämnaren och omfattningen ska resa med numret.
Vad kan du göra med denna osäkerhet?
Behandla 0.32 ml som OpenAI s angivna medelvärde, inte ditt exakta mått. Behandla 10–25 ml som ett forskningsscenario för en annan tjänstegräns, inte en ström ChatGPT läsning. Gör inte ett genomsnitt av dem tillsammans: det skulle skapa ett tal som inte stöds av någon av källorna.
För mindre genomslagskraft, håll konversationer fokuserade, undvik upprepade försök och använd avancerade resonemang eller genererade media när uppgiften motiverar det. Att välja en mindre lämplig modell kan minska beräkningen och kylbelastningen som allokeras till svaret.
Leverantörerna har de avgörande uppgifterna. De kan publicera distributioner efter modell och uppgift, direkt och indirekt vatten, anläggningslägen och säsongsbetonad förbrukning. Tills de gör det bör ansvarsfulla uppskattningar vara breda och tydliga. Treechat följer den principen i sin metodik: dess vattenmottagning härrör från uppskattad energi och en fast faktor, inte en liveavläsning av ett datacenter.
För visuella jämförelser utan att tappa varningarna, se AI vattenanvändning kontra vardagliga saker. Nyckelläxan är enkel: miljöfrågan är aggregerad, lokal infrastruktur – inte en bokstavlig klunk som din skärm tar.