联合国大学（UNU）水、环境与健康研究所 2026年6月发布的报告测算，全球数据中心的用水足迹（含冷却与发电）将从2025年的约4.5万亿升增至2030年的9.3万亿升——后者相当于撒哈拉以南非洲约 13 亿人一年的基本生活用水。图：视觉中国

　　你向 AI 提一个问题，它用几秒钟给你答案。这段时间里，某座机房里的一排排服务器正在发热，一座冷却塔正在蒸发水分。联合国大学（UNU）水、环境与健康研究所 2026 年 6 月发布的报告测算，全球数据中心的用水足迹（含冷却与发电）将从 2025 年的约 4.5 万亿升增至 2030 年的 9.3 万亿升——后者相当于撒哈拉以南非洲约 13 亿人一年的基本生活用水。9 月 12 日，中国人民银行研究局局长王信在中央财经大学绿色金融国际研究院年会上讲到："算力中心大规模用水及其对局部地区水资源承载能力的潜在影响，值得高度关注。"他在演讲收尾处总结："目前人工智能发展带来的水资源问题，从全国总量层面看还不是特别突出，但从结构和地域分布看已经需要引起高度重视。

一次提问要喝多少水

　　AI 给人的错觉是"轻"：没有烟囱、没有卡车、没有厂房，只有一块屏幕。但在物理世界里，它是机柜、是水管、是冷却塔——服务器昼夜运转产生的热量必须被搬走，而目前最经济的搬运方式之一，仍然是让水蒸发。

　　全球账本已经不小。据联合国大学水、环境与健康研究所（UNU-INWEH）《人工智能能耗的环境成本：碳、水和土地足迹》（2026 年 6 月）测算：全球数据中心的用水足迹（含冷却与发电）2025 年约 4.5 万亿升，2030 年将增至 9.3 万亿升。这份报告还有一个容易被忽略的判断：真正占大头的不是训练大模型，而是用户与 AI 的互动过程——报告估计后者占 AI 整体能耗的 80% 至 90%（报告同时给出训练侧的量级：GPT-3 一次训练约 1.3 吉瓦时，GPT-4 的估计值为 50 至 70 吉瓦时）；一次典型聊天查询的能耗，约为基础文本分类任务的 200 倍。据媒体对这份报告的报道，把互动请求里的字数减少 30%，可降低约 25% 的能耗。报告还给出单次任务的量级：生成一张 AI 图像，电耗对应的水足迹约两汤匙（29 毫升）；一段复杂视频则跳到 4.1 升，接近一个人两天的饮用水量（按日均 2 升计）。这本水账，是每个用户一起写的。

　　再看中国的数据。据国家能源局披露：2025 年中国算力中心总用电量 1700 亿千瓦时、占全社会用电量的 1.6%，2030 年预计达 8000 亿千瓦时、占比约 6%。用水一侧，水利部《中国节约用水报告 2025》显示，2025 年全国用水总量 5944.5 亿立方米，其中农业用水 3683.8 亿立方米、占 62%，工业用水 953.7 亿立方米、占 16%。把算力中心的电耗与水效相乘可以粗算一个量级：按 1700 亿千瓦时与 2023 年国家绿色数据中心平均水资源使用效率 1.08 升/千瓦时估算，直接耗水约 1.8 亿立方米，约为全国用水总量的万分之三。

　　这也正是王信的判断：中国算力中心用水量占全国用水总量的比重还不高，但结构性问题已经逐渐凸显。总量不紧张，不等于账本可以晚点再记。

冷却塔里的物理课

　　要理解这笔账，得先知道水是怎么被消耗的。冷却塔的循环水温通常在 30℃ 至 40℃ 之间，此温度下蒸发 1 升水可以带走约 2400 千焦热量——大约相当于 1 千瓦的服务器运行 40 分钟所发出的热。散热需求一旦以"兆瓦"计，水就必然以"吨"计。

　　数据中心的水耗有三个渠道：蒸发（水变成水蒸气带走热量）、飘水（drift，随气流逸出的水滴）、排污补水（blowdown，为控制循环水含盐量而定期排污，并相应补充新水）。三者叠加，构成机房水表上的读数；这套以蒸发换散热的方案，就是蒸发冷却（evaporative cooling）。

　　对着这个读数，行业里有专门的指标。过去十年被反复提及的是电能利用效率（power usage effectiveness，PUE），即数据中心总能耗与 IT 设备能耗之比，越接近 1 越省电——中国对数据中心能效的要求是逐步加码的：2013 年五部门以电力支持政策鼓励新建数据中心把 PUE 做到 1.5 以下，2022 年 11 月起强制性国家标准 GB 40879-2021 实施，2024 年《数据中心绿色低碳发展专项行动计划》进一步要求到 2025 年底新建及改扩建大型和超大型数据中心降至 1.25 以内、国家枢纽节点不高于 1.2（同期全国数据中心平均 PUE 的目标是降至 1.5 以下）。水的对应指标是水资源使用效率（water usage effectiveness，WUE）——按国家标准 GB/T 43331-2023 的定义，即数据中心水资源全年消耗量与 IT 设备全年耗电量之比（升/千瓦时）。在 WUE 上，王信给出了一组对比：全球平均约 0.84 升/千瓦时，部分国际头部企业已达 0.12 升/千瓦时；2023 年中国国家绿色数据中心 WUE 平均值为 1.08 升/千瓦时。

　　这里有一个容易被忽略的口径问题：WUE 的分子有"取水量"与"耗水量"两种取法。亚马逊披露的 0.12 与行业平均 0.84 都按取水量计，而 0.84 本身就是推算值——按《Patterns》期刊 2025 年 de Vries-Gao 研究的耗水口径 WUE 0.56 升/千瓦时、以冷却塔 3 倍浓缩倍数（取水量约为耗水量的 1.5 倍）折算而来；3 倍是亚马逊自设的假设，美国能源部给出的常见区间是 2 至 4 倍。中国的 1.08 则出自国家绿色数据中心评价，官方未说明其统计口径。

　　水效指标"迟到"了多久，本身就是个信号。国家标准《互联网数据中心（IDC）技术和分级要求》（GB/T 43331-2023）已把 WUE 列为分级指标之一，国家绿色数据中心评价体系也已纳入；但专门针对水效的国家标准——GB/T 32910.6-2025《数据中心 资源利用 第 6 部分：水资源使用效率》——直到 2025 年 5 月 30 日才发布、2025 年 12 月 1 日施行。

　　技术路线决定水表：芯片级液冷可以不用水作为冷却介质，WUE 趋近于零；内蒙古乌兰察布的优刻得集宁数据中心改用全风冷冷源、取消冷却塔，全年约 8 至 10 个月依靠自然冷源运行，据企业介绍整体节水率超过 92%。但有一个权衡必须讲清：省水的方案往往更耗电——亚马逊的披露就提到，以冷水机组替代蒸发冷却通常要多耗 25% 至 35% 的电——而电本身也是要耗水的。联合国大学这份报告的核心发现正与此相关——三种环境足迹并不总是同步变化。报告第一作者米里亚姆·阿塞尔说得直接："从碳排放角度来看最环保的选择，最终往往会对水资源或土地造成更严重的破坏。"

　　最后是一个后面所有数字都靠它解释的细节：取水不等于耗水。取水（withdrawal）是从水体取走的量，其中一部分使用后会回流；耗水（consumption）则是被蒸发、不再回到本地水体的那部分——两者之差就是回流水量。

"电里的水"与"芯片里的水"

　　机房的冷却只是账本的第一页。王信提醒："除算力中心直接用水外，人工智能行业间接耗水更加需要关注，其规模可能达到算力中心直接耗水量的十余倍，主要涉及发电侧和芯片制造环节的大量耗水。"这句话给的是量级，不是精确值，还应当与另一组测算并排读：未澜咨询合伙人罗天一参与撰写的一份报告，以美国七个州的数据中心为样本测算，到 2030 年发电用水将占美国数据中心总水耗的 72%。前者把发电与芯片制造都算在内，后者只算发电一项，两者不能相加，也不能互相换算——但它们指向同一个结论：机房水表上的数字，很可能只是整个水足迹里的小头。

　　发电侧的水账与电源结构直接相关——数据中心的用电负荷，最终会转换成电厂的水负荷。芯片制造侧则是另一种逻辑：标普全球评级 2024 年 2 月的报告指出，随着加工技术进步，台积电等半导体制造商面临水资源短缺风险——晶圆厂要在每道工序之间用超纯水（ultrapure water，UPW）冲洗晶圆，工艺越先进、工序越多，耗水就越多；报告估算，全球芯片制造商的用水量已与拥有 750 万人口的香港相当。

　　空间上，这笔账正在向缺水地区集中——王信指出，中国约三分之二的算力中心位于人均水资源低于 2000 立方米的缺水省份。"东数西算"把算力引向电力充沛、电价便宜的西部；据《科创板日报》报道，阿里云全球数据中心总经理王朝阳判断，以训练为中心的算力正从东部向西部纵深迁移，万卡乃至十万卡集群已基本迁至"胡焕庸线"以西。内蒙古乌兰察布到北京的网络时延仅 4.2 毫秒；据媒体报道，至 2026 年 6 月底该市签约算力中心项目已达 89 个，而全市水资源年总量只有 12.91 亿立方米、人均不足 500 立方米（2017 年口径），不到全国平均水平的四分之一；宁夏中卫的数据中心电价约为每千瓦时 0.36 元，比东部便宜一半，代价是取水受"八七分水方案"与《黄河保护法》的刚性约束——"十四五"时期分配给中卫的取水指标总量 13.75 亿立方米，其中工业用水仅 0.56 亿立方米。

　　但换个角度看，这些缺水地区能成长为算力枢纽，也并非全是水资源承压的单向叙事，其气候禀赋恰恰为低水耗散热方案提供了天然条件。格兰富商业建筑事业部首席技术专家马利红指出，北方算力枢纽节点全年大部分时间可依靠自然冷源散热，仅在夏季高温时段才需要启动蒸发冷却作为辅助；不过马利红同时提醒，这些地区本就属于全国水资源最匮乏的梯队，数据中心的 “绝对耗水量” 或许不算突出，但对当地的 “相对水资源承载压力” 却不容忽视。

　　把三页账合起来看：算力中心的真实水足迹，等于现场水、电里的水、芯片里的水之和，而后两项，在企业的水报表里往往是空白。这正是王信把"强化水资源计量监测、数据核验和信息披露"放在建议之首的原因。

四重风险：从河流到资产负债表

　　王信把大量耗水可能带来的风险归纳为四个方面："一是可能加剧生态系统退化……二是可能影响农业等高耗水行业生产……三是可能损害当地民众利益……四是可能形成气候和自然相关金融风险。"这四条不是并列的清单，而是一条逐级传导的链条。

　　先说生态。王信拆出了四条渠道：大量抽取地下水可能造成超采，减少对河流、湿地的基流补给，使依赖地下水的湿地与濒危物种栖息地萎缩；部分冷却取水来自山区融雪形成的低温支流，会削弱这些支流原有的生态与降温功能；冷却过程中的大量排热可能造成河流水温升高，引发连锁反应，促进厌氧菌、藻类繁殖，直接影响河流中的鱼类和其他水生生物；排水中还可能含有杀菌剂并携带余热，处理不当会恶化河流水质和鱼类栖息条件。

　　再说农业。据水利部《中国节约用水报告 2025》，农业是中国第一用水大户，2025 年用水 3683.8 亿立方米、占全国用水总量的 62%——任何地方性取水格局的变化，最终都可能落在灌溉用水上。王信举了两个案例：中国台湾地区在 2021 年的大干旱中优先保障半导体制造用水，导致农业被迫休耕；美国得克萨斯州的超大型算力中心项目耗水，也已影响当地农业灌溉。这一担忧并非孤例：得州农业专员今年 7 月已公开呼吁召开特别会议，保护本州农业免受数据中心无序扩张的影响。

　　第三重落在人身上。王信指出，算力中心消耗大量公共水资源，相关后果一定程度上由当地社区和民众承担，但当地居民和社区未必能获得充分、及时的补偿。国际上的反应已经写进资产负债表：据媒体报道，2026 年 7 月美国 42 个州发生了 142 场反对数据中心扩张的抗议；盖洛普今年 3 月实施、5 月公布的民调显示，71% 的美国人反对在居住地附近建 AI 数据中心——这一比例甚至高于反对在附近建核电站的 53%，而在其 4 月的后续网络调查中，半数反对者把"对资源的影响"列为主要顾虑，尤其担忧过度的水资源和能源消耗。按王信的判断，部分项目因此陷入拉锯，甚至可能全面停工，造成投资浪费与资产搁浅。

　　第四重才是金融。传导路径并不复杂：水约束先影响企业的生产经营与资产价值，接下来依次是贷款违约、抵押品贬值、资产重定价。王信提醒，农业、能源、钢铁、化工等行业"背后都有大量金融资源支持"；"如果水资源约束进一步影响相关企业的生产经营和资产价值，就可能冲击金融资产的安全和收益，甚至可能在极端情况下形成区域性乃至系统性风险。"

　　这条链条上已有不少量化锚点。笔者在《从碳账到自然账》一文中引用过的几组数字，放到 AI 场景里同样适用：Ranger 等学者 2023 年的测算显示，全球 GDP 的 7% 至 9% 面临水相关风险；自然相关财务披露工作组（TNFD）证据综述引述的 CDP 数据：2022 年，69% 通过 CDP 披露水相关数据的上市公司报告，其水风险敞口价值高达 2250 亿美元，几乎是它们自己估算的 1190 亿美元应对成本的两倍；德国国际合作机构（GIZ）等 2015 年的模拟显示，若把水成本完全内化，矿业公司净债务对 EBITDA 比率平均恶化 80%、电力公用事业恶化 98%；意大利咨询公司 Prometeia 的模型测算，缺水情景下总体违约概率（PD）上升 0.59 个百分点，其中农业行业最高上升 7.86 个百分点。而在识别环节，CDP 2024 年的数据显示，只有 10% 的金融机构识别出组合内水资源风险具有实质财务影响。账本很大，记账的人还很少。

　　AI 带来的新变量，是把三组风险叠在了同一处：资产端，算力中心本身是重资产，背后是银行贷款、算力资产证券化与基础设施 REITs，水约束一旦影响运营许可或成本结构，冲击的是这批资产的现金流；电力端，数据中心推高电力需求，电力侧的用水约束会通过电价与供电可靠性反向传导；区域端，水、能、碳三重约束同时落在同一个流域上。

　　不过，也要防止把这笔账算得过头。加州大学河滨分校电气与计算机工程系教授任绍磊的提醒值得借鉴："水是一个高度本地化、极具区域性的问题。"同样的取水量落在丰水区和缺水区，金融含义完全不同——这正是水压力（water stress）指标要解决的问题；与此相关的另一层辨析是，有研究者认为真正该盯住的不是取了多少水，而是有多少水没有被补充。笔者的看法是，这两种提醒都构成记账的理由：本地化说明披露必须落到地点，"净耗水"说明指标必须区分口径——而这两点，恰好就是王信第一条建议里的"分类计量"与"数据核验"。

国际上怎么算这笔账

　　面对同一道题，各方的解法并不一样。最根本的一条提醒来自联合国这份报告：碳、水、土地三种足迹并不总是同向变化，低碳不等于低水耗——把机房搬到绿电富集的地方，碳账好看了，水账未必。

　　企业一侧动作已经不少。亚马逊公开宣称，其数据中心 2025 年的水效为 0.12 升/千瓦时，约为行业平均水平的七分之一；谷歌早在 2021 年就承诺，到 2030 年平均回补其办公场所与数据中心淡水消耗量的 120%；据媒体今年 6 月的报道，微软、OpenAI、甲骨文等企业也已声明正放弃蒸发冷却以节约用水。资本市场也在定价：据媒体报道，马斯克旗下的 SpaceX 在上市文件的"风险因素"中新增了水资源条款，称水资源的可获得性已成为数据中心选址、开发和运营的关键考量。企业承诺里当然有公关成分，但它们至少承认了一件事——水是可以被计量、被披露、被承诺的。

　　欧洲提供了一个规模参照：据中国信通院与格兰富 2026 年 9 月联合发布的《AI 时代算力基础设施流体系统水能绿色发展报告》，2025 年欧洲数据中心消耗的水资源预计达 760 亿升，其电力需求占比到 2030 年可能从目前的 3% 上升至 7% 至 9%。

　　中国的制度建设是另一种路径，进度并不慢：2024 年《数据中心绿色低碳发展专项行动计划》已把"严格新上项目能效水效要求"单列为六项重点任务之一，并提出建立数据中心节水评价、用水定额、节水型企业等标准；WUE 国家标准落地，PUE 要求持续收紧，算力项目若直接从江河湖泊或地下取水，同样要办取水许可并做水资源论证；内蒙古和林格尔新区则已在推进再生水长输管网工程——规划以再生水为该区云谷片区 16 家国家级数据中心及光伏、生物医药等产业集群提供工业水源，输送规模为近期每日 6.5 万立方米、远期 11.5 万立方米（总投资约 3.5 亿元；据 2025 年 8 月信息，已完成立项备案，尚未开工）。但短板同样清楚：有业内人士向媒体指出，数据中心的绿色指标管控、取水许可、环境影响评价分属不同部门，容易形成监管真空；已实施的 WUE 国家标准目前只是绿色数据中心评级与水资源论证的技术参考，不具备独立执法效力。

　　约束更紧的地方在指挥棒。王信直接点出，国内算力中心考核主要以电能利用率为核心指标，对水资源使用关注不够——因为水资源利用效率这类指标缺乏统一的计量与核证标准，很多算力中心倾向于多耗水以实现迅速冷却、降低制冷能耗。水在成本表上的价格偏低，在考核表上的权重更低。

　　问题的性质因此可以概括为一句话：不是"用得太多"，而是"记不清、管不齐、价不明"。

别把水账算成"反 AI"

　　讲到这里，读者需要警惕滑向一个简单的结论：AI 费水，所以少用。这不是本文的意思，也不是王信的意思。他在同一场演讲里先讲的是另一面："人工智能在可持续金融标准运用、信息披露、风险监测评估和能力建设等方面得到日益广泛的应用，为提升金融支持绿色低碳发展的效率和精准度发挥了重要作用。"这个判断有具体落点：水利部信息中心研发的"上善水利大模型"已通过生成式人工智能服务备案，成为首个完成备案的水利行业大模型，已在流域防洪、河湖库智能监管、水利工程智能运管等场景实战应用。水的问题不会靠不用 AI 解决，反而可能靠用 AI 解决一部分。

　　真正的出路在制度与金融的接口上。王信提出的六方面措施里，三条与算力本身的规划相关：强化水资源计量监测、数据核验和信息披露，推广节水技术并完善绿色数据中心资源效率评价机制，统筹算力网和水网规划建设；另外三条落在价格与金融机制上：更好发挥水价的资源配置作用，发挥绿色金融作用，加强人工智能行业气候和自然相关金融风险评估。

　　在这六条里，有两处提法特别值得金融机构留意。一是用水权：他建议探索将人工智能企业纳入用水权交易市场，并指出用水权"也可参照碳排放权的发展模式，在市场交易基础上进一步探索抵质押融资等金融产品和服务"——对银行来说，这意味着一种新的合格押品，以及一个新的风险定价变量。二是绿色金融标准的适配。

　　我们核对了现行《绿色金融支持项目目录（2025 年版）》（人民银行、金融监管总局、证监会 2025 年 6 月 27 日印发，2025 年 10 月 1 日施行），发现一个有意思的错位：算力与水"各有一页，但没有对上号"。目录里，6.6.2"绿色数据中心建设"已单列条目，覆盖互联网数据中心（IDC）、企业级数据中心（EDC）、智算中心等，门槛是"电能比不低于《数据中心能效限定值及能效等级》（GB 40879）中 2 级能效水平"（电能比即 PUE 口径）；6.6.3"数据中心节能改造"讲的也是供配电、制冷与运行控制系统的节能改造——两个条目都只盯着电，没有盯着水。而节水条目是齐的：工业节水技术改造、7.2.3"合同节水管理"、节水产品认证推广、水资源高效及循环利用装备——但它们与数据中心的两个条目并不交叉：工业节水改造条目面向的是高用水工业行业、并以位于地下水超采区为条件，按行业代码逐一列举（火力发电、炼铁、炼钢、铜铝冶炼、玻璃、陶瓷、化学原料、印染等），数据中心不在其列；"合同节水管理"面向的则是工矿工程建筑的节水技改服务。整份目录里，"算力"一词一次都没有出现。这正是王信所说的"可以研究在绿色金融支持目录等标准体系中，更多考虑节水、水资源保护和高效利用相关的创新产品和服务"的具体含义——不是新建一套标准，而是把两张纸上已有的条目连起来。

　　资金其实已经在找这条路。水利部《中国节约用水报告 2025》显示，2025 年全国"节水贷"余额 3635 亿元；算力资产一侧，绿色资产证券化与基础设施 REITs 已写进王信的建议清单，且已经跑通——2026 年 3 月，世纪互联两单数据中心机构间 REITs 在上交所挂牌，合计募集 63.56 亿元。两条通道之间缺的，是把水效指标嵌进融资条件的那一段——节水贷认的是"节了多少水"，投向绿色数据中心建设的贷款认的是"省了多少电"，中间那一格还空着。

　　把这道题拆开，其实是三张清单：监管要统一水足迹的口径与边界，把算力项目的水资源影响评估做实，并把 WUE 从"技术参考"升级为有约束力的指标；金融机构要把水风险编入信贷审批、抵押品估值与压力测试，先做到披露、再谈量化；企业则应当把当地水资源禀赋作为技术选型的前置条件，并对无法回补的那部分耗水开展水补偿。

结语

　　从碳账到自然账，从冰崩到台风，如今轮到算力的水账。算力可以上云，水不能——它只存在于具体的流域、具体的县城、具体的取水指标里。这笔账目前看还不大——只算机房现场的直接耗水，约占全国用水总量的万分之三上下；但它增长得快，而且恰好长在最缺水的地方。第一步，是先承认：AI 的水账不是一笔虚拟账，它和电账一样，值得被计量、被披露、被定价。

　　作者陈剑，复旦大学国际金融学院金融学特聘实践教授、成都复旦西部金融研究院常务副院长，主要研究方向为气候金融、人工智能与机器学习的金融应用、养老金融、信用风险及资产证券化；兼任财新智库高级顾问；朱铮嘉为复旦大学国际金融学院FMBA学员，成都市复旦西部国际金融研究院助理研究员。