跑 AI 到底有多费电、费水？德州的接电申请功率，相当于 21 座三峡

打开聊天框，问 AI 一句话。几秒钟以后，答案出现在屏幕上。

没有机器轰鸣，没有烟囱，也看不到一根电线。整件事轻得像在云里发生。

可就在 8 月 3 日，美国得克萨斯州州长下令，要把当地所有排队接电的数据中心查一遍。查什么？一年用多少电，高峰时要多少电，自己能不能发电，还要查一年用多少水、水从哪里来、冷却设备怎么运转。

德州突然认真起来，是因为排队等着接入 ERCOT 电网的项目，申请功率已经超过 474GW。其中大约九成来自数据中心。

474GW 有多大？

三峡电站总装机容量是 22.5GW。474 除以 22.5，约等于 21.1。

这些项目目前还在排队审查。假设它们全部获批、建成，并在同一时刻满负荷运行，需要的供电功率约等于 21 座三峡电站同时满功率发电。其中的数据中心部分，约等于 19 座三峡的装机功率。

一个聊天框的背后，站着的是电厂、变电站、服务器和冷却塔。

功率像车速，电量像里程

电力新闻里经常出现两种数字：GW 和千瓦时。它们分别回答两个问题。

功率像汽车仪表盘上的速度，回答“这一刻跑得有多快”；电量像里程表，记录“这段时间一共跑了多远”。474GW 说的是这些项目同时开机时，电网要顶住多大的压力。

一段时间的用电量，要把功率和运行时间乘在一起。

假设一座算力中心的负荷是 100MW。满负荷运行一小时，它会用掉 10 万千瓦时；运行一天，是 240 万千瓦时；全年不停机，就是 8.76 亿千瓦时。

把镜头转回中国，国家能源局给出了一张年度总账：2025 年，全国算力中心用电量达到 1700 亿千瓦时，占全社会用电量的 1.6%。摊到每一天，大约是 4.7 亿千瓦时。这张总账装着通用计算、云服务和 AI 计算。

三峡电站多年平均年发电量是 882 亿千瓦时。这样一换算，中国算力中心一年用掉的电，约为三峡多年平均年发电量的 1.9 倍。

21 座三峡讲的是德州排队申请的供电能力，1.9 座三峡讲的是中国算力中心一年真实消耗的电量。一个看瞬间，一个看全年。

AI 为什么这么吃电

大模型回答问题，要做一轮又一轮数字运算。

你输入一句话，服务器先把模型需要的数据搬进高速内存，GPU 随后进行大量矩阵计算。模型越大，回答越长，需要搬运和计算的数据就越多。一个人问问题时感觉不到什么，几百万人同时使用，服务器就得成排工作。

大模型通常是一个字词接着一个字词往下生成，每多写一点，芯片就多跑一轮。让 AI 回答一句“收到”，和让它写一篇万字报告，饭量差得很远。

大模型还有两种吃电方式。训练像集中备考，大量芯片连续工作，把海量数据变成模型参数；推理像开门营业，我们每问一次，它就现场算一次。训练的声势大，推理则每天重复几百万、几亿次，成了一笔长期账单。

任务也有轻重。生成文字，要一个字词接一个字词往下算；生成图片，要处理整张画面的像素；生成视频，还要连续生成许多帧，并尽量让人物、光线和动作保持一致。国家能源局曾给过一个通俗换算：生成一段 5 秒的高清 AI 视频，耗电量大约相当于给 10 部手机充电。

机房里的电先流向 GPU，也流向 CPU、内存、硬盘和网络设备。机器还得留出一部分空闲能力，随时接住突然涌进来的请求。再加上配电设备、备用电源、风机、水泵和制冷机，一条 AI 回答背后要转动的东西很多。

更麻烦的是，芯片吃进去的电，最后几乎都会变成热。

如果把一座 100MW 的算力中心想成一台电器，它很像一台功率达到 100MW、全年不关机的巨型电暖器。机房一边计算，一边要不停地把热搬出去。算得越猛，散热系统就越忙。

这也解释了为什么德州查完电，还要接着查水。

服务器不喝水，冷却塔会

很多数据中心会用蒸发冷却。原理和人出汗差不多：水蒸发时带走热量，降温后的冷却水再回到系统里循环。

芯片和冷却水之间隔着换热设备。服务器吹出的热风先把热交给水，升温后的水流向冷却塔，一小部分蒸发到空气里，剩下的降温后继续循环。远处看到冷却塔顶冒出的白雾，就是热量离开机房的过程。

站在机房里看到的是一排排服务器。走到建筑外面，还会看到冷却塔、管道、水泵和不断流动的水。AI 的“水账”，很大一部分就记在这里。

还有一部分记在发电厂。数据中心从电网取电，火电、核电等电源在发电和冷却过程中同样会用水。再往前追，芯片制造需要超纯水，服务器生产也有自己的水耗。

所以，一次 AI 提问背后有三页水账：机房散热用的水，生产电力用的水，以及制造芯片和服务器用的水。

国内已经能看到一张具体账单。大众网今年报道，大连一座中小型人工智能计算中心，2025 年用电约 300 万千瓦时，用水约 3000 吨。到了 2026 年上半年，它的用电接近 200 万千瓦时，用水已经超过 3000 吨。

3000 吨水就是 300 万升。如果全部装进 500 毫升的矿泉水瓶，需要 600 万瓶。

一座中小型算力中心，水电表就是这样转起来的。

问 AI 十次，真的会喝掉一瓶水吗

今年国内媒体在报道 AI 耗水时，用过一个很有传播力的说法：和豆包聊 5 分钟，大约会消耗 500 毫升散热用水。另一个流传更广的版本是，问 AI 十个问题，大约喝掉一瓶矿泉水。

“一瓶水”的比喻，更早可以追溯到一项关于 GPT-3 水足迹的研究。研究者估算，GPT-3 生成大约 10 到 50 个中等长度的回答，合计会消耗约 500 毫升水。折到一次回答，大约是 10 到 50 毫升。

研究者把冷却塔和发电环节的用水，分摊到了一次次回答上。所谓“一瓶水”，就是这样算出来的。

有意思的是，换一家公司来算，数字马上会变。

Google 公布过 Gemini 的一组生产环境数据。2025 年 5 月，一个中等规模的文本请求，耗电约 0.24Wh，冷却用水约 0.26 毫升。0.24Wh，大约够一只 10W 的 LED 灯亮一分半钟；0.26 毫升水，大约是五滴。

Mistral 公布的数字则是，Le Chat 生成一段 400 token 的回答，水消耗约 45 毫升。

两个数字差了一百多倍，原因藏在账本里。Google 计算的是数据中心现场冷却，像是只看机房门口的水表；Mistral 把上游制造也算了进去，相当于一路追到了芯片工厂。前面的 GPT-3 研究，还把发电侧的用水纳入了计算。

同样一句问题，短回答和长回答用的算力不同；小模型和大模型不同；新芯片和旧芯片不同；冬天的机房和盛夏的机房也不同。有些寒冷地区的机房可以直接借室外冷空气散热，炎热天气里的冷却塔则要忙得多。AI 没有固定饭量，它吃多少电、喝多少水，要看这顿饭到底怎么做。

每次更省了，为什么总用电还在涨

过去几年，模型和芯片都在迅速变省。Google 称，Gemini 每次文本请求的能耗在一年内下降了 33 倍。

可全球数据中心的总电量仍在往上冲。

IEA 估算，2024 年全球数据中心用电约 415TWh，相当于全球用电量的 1.5%。到 2030 年，这个数字可能增长到 945TWh，接近现在的两倍半。AI 加速服务器贡献了接近一半的新增用电。

这就像汽车越来越省油，路上的车却越来越多，每辆车跑的里程也越来越长。单次成本下降，总油耗照样可能上涨。

AI 也是如此。它正在从聊天和写作，走进搜索、编程、图片、视频和各种自动运行的 Agent。一次回答省下来的电，很快会被更多调用、更长输出和更多模型吃掉。

一次提问很轻，几亿次调用叠在一起，就变成了工业级的用电和用水。AI 看起来像软件，用起来却是一门很重的工业。

它需要芯片，需要电网，也需要把热量带走的水。

德州那份 474GW 的接电队伍，让这套庞大的物理系统一下子露了出来。

主要资料

如果你身边也有人觉得，AI 只是“云端免费算一下”，可以把这篇文章转给他。

这里是「硅基斥候 S01」，我们继续把 AI 背后的真实成本和工程细节讲清楚。