问题——“算力热潮”带来的水电压力正变得越来越明显。随着生成式大模型应用快速普及，用于训练与推理的数据中心数量和规模上同步扩张。近期，美国一位业内人士在问答活动中回应外界“过度耗水”的质疑，称对应的说法并不准确，并表示行业正在逐步降低对蒸发式冷却的依赖。相关表态随即在社交平台和专业圈层引发争论：一上，单次交互的用水、用电该如何计算；另一方面，数据中心整体扩张会否超出当地电力与水资源的承载能力。 原因——高密度计算带来高热负荷，是用水与用电上升的直接原因。生成式大模型训练往往需要长时间占用大量图形计算资源，日常推理又具有高并发特点，服务器持续发热，必须依靠冷却系统维持稳定运行。目前行业主要有两类路径：一是蒸发式冷却，利用水分蒸发带走热量，降温效率较高，但会增加水的净消耗；二是闭环冷却或低耗水方案，通过循环介质反复散热来减少耗水，但对建设成本、运维能力和能效优化要求更高。不同地区的气候条件、水价、排放约束与电价结构，也会影响企业的技术选择与选址决策。 影响——局部资源约束与整体减排目标叠加，风险更趋复杂。从用水看，部分科技企业披露的数据中心年用水量已达十亿加仑量级，引发周边社区对地下水、饮用水调度以及枯水期保障的担忧。从用电看，国际能源署数据显示，美国在全球数据中心用电中占比较高，随着数据中心集群化布局，电网调峰与增容压力随之上升。更值得关注的是，生成式大模型的能耗并非线性增长：文本类任务相对可控，但图像、视频等高负载生成对电力需求更高；叠加用户规模扩大，电力与冷却需求可能在短期内被迅速放大。如果新增电力主要由化石能源供给，将对减排承诺与空气质量形成压力；如果用水增量集中在水资源紧张地区，也可能加剧行业与民生、农业之间的资源竞争。 对策——以可核查数据为基础，推动“节水优先、绿色用能、因地制宜”的系统治理。其一，完善信息披露与核算口径。建议企业按园区、流域与电网分区披露用水强度、循环利用率、耗电强度及碳排放，说明冷却方式占比与枯水期应急方案，避免用单一指标替代整体评估。其二，加速工艺与设备升级。推进闭环冷却、液冷等低耗水技术，提升余热回收与能效管理水平，并结合芯片能效提升、模型压缩与推理优化，降低单位算力能耗。其三，优化选址与用能结构。鼓励与风电、光伏、水电、核电等清洁电源协同布局，扩大绿电交易和长期购电协议覆盖，减少对高碳电源的边际依赖；在水资源紧张地区优先使用再生水、工业回用水，并通过分级用水与管网改造减少对优质水的占用。其四，强化公共政策协同。电网侧应提前规划增容与调峰能力，建立数据中心负荷可调机制；水务侧可探索与流域管理、取水许可、价格机制联动，形成约束与激励并重的制度安排。 前景——“算力增长”与“绿色转型”将长期并行，行业竞争焦点正从规模转向效率与责任。有机构预测，若缺乏约束与技术进步，未来数十年数据中心相关用水仍可能明显上升。另外，绿色技术迭代、清洁能源供给扩张与监管框架完善，也为实现“增算力不增负担”提供了现实路径。可以预见，谁能更早建立透明可信的资源账本、更快推动低碳供能与节水冷却的规模化落地，谁就更可能在新一轮产业竞争中赢得公共信任与政策空间。
技术进步从来不是孤立发生的。智能计算产业每一次跃升，都在重塑社会与自然资源之间的关系。数据中心的灯火通明，背后是电网的持续供给与水源的长期支撑。如何在推动技术创新的同时，把资源节约与环境责任真正纳入产业运行的底层逻辑——而不是停留在口头回应——将成为衡量这个产业能否赢得长期信任的重要标准。这不仅是企业要回答的问题，也是政策制定者与全社会共同面对的时代课题。