ChatGPT 問一次用多少水？Sam Altman「38,000 次等於一顆杏仁」的真假與計算爭議

2026 年 9 月，一段 Sam Altman 的訪談片段在 X 上快速傳開。這位 OpenAI 執行長表示，每 38,000 次 ChatGPT 查詢所用的水，約等於加州生產一顆杏仁的用水量。

這句話想傳達的方向不難理解：現代 AI 每處理一次文字問題，所分攤到的用水量可能比多數人想像得小。但「38,000 次等於一顆杏仁」不適合直接當成已經證實的科學結論。它不只和其他公開數字對不上，也容易把真正的問題從「資料中心對當地水資源的影響」，轉成「用 ChatGPT 會不會比吃杏仁更糟」。

本文會回答三個問題：38,000 次的說法從哪裡來、為什麼現有研究會得出差距很大的數字，以及我們應該如何判斷 AI 真正的用水影響。

Sam Altman 原話說了什麼？

這段話出自 Alex Heath 主持的 Sources Podcast 首集。訪談談到美國民眾對 AI 和資料中心的反彈，Altman 認為外界對用水量的印象已變成一個難以澄清的「迷因」。

X 貼文擷取了最吸睛的結論，但完整訪談裡還有一個很重要的前提。Altman 在報出 38,000 次以前，已經說明他手邊沒有精確計算，這是憑記憶回答，可能有誤，但他認為差距不大。

因此，比較完整的讀法是：這是 OpenAI 執行長在訪談中提出的概略比喻，不是 OpenAI 發布了一份新的用水稽核報告。這不代表他的方向一定錯，但對於「38,000」這個精確數字，應該保留。

38,000 次 ChatGPT 查詢的用水量真的對得上嗎？

OpenAI 目前可找到的公開基準，來自 Altman 2025 年發表的文章 The Gentle Singularity。文中表示，平均一次 ChatGPT 查詢約使用 0.000085 美制加侖的水，換算後約為 0.32 毫升。

如果直接把這個數字乘上 38,000，結果約為 12.2 公升。然而，一份分析加州中央谷地農業用水的 2019 年研究，估算平均生產一顆杏仁約需 3.56 公升的水。

依照這兩個公開數字換算，一顆杏仁大約對應 11,000 次 ChatGPT 查詢，而不是 38,000 次。若採用不同的農業用水邊界、杏仁產量、年份或地區，結果當然會變。但當一個比喻已經精確到 38,000 次，說明採用哪種口徑就不是枝微末節，而是結論能否成立的核心。

Google 提供了另一個可供參考的同業數字。根據 Google 2025 年公開的 AI 推論環境影響方法，Gemini Apps 一次中位數文字提示約消耗 0.26 毫升的水。這和 OpenAI 的 0.32 毫升處於相似量級，支持「單次普通文字問答用水量不大」的方向，卻不能獨立證明 38,000 次的換算。

這張表無法給出一個永遠不變的「每次提示用水量」，卻能說明一件事：Altman 的比喻在大小關係上可能有根據，但 38,000 不是目前公開資料能夠穩定複現的結果。

為什麼 AI 用水量的估算會差這麼多？

首先要區分「取水」和「耗水」。取水是從河川、地下水或公共供水系統取用的總量，其中一部分可能會回到當地水循環。耗水則是蒸發、進入產品，或以其他方式離開當地可用水系統的部分。把兩者混在一起，同一座資料中心看起來就可能相差很大。

第二個差異是計算邊界。最窄的算法只看伺服器處理回答時，機房現場為散熱而消耗的水。較廣的算法還會納入發電過程的間接用水、閒置卻必須待命的機器、CPU、記憶體與機房配電。如果再擴大到完整生命週期，還可能包含晶片製造、建築施工與硬體供應鏈。

Google 的方法納入了閒置機器、CPU、記憶體、機房額外耗能與冷卻用水，並明確表示只算正在工作的 AI 加速器會低估真實營運負擔。OpenAI 的 0.32 毫升公開數字則沒有附上同等完整的方法、模型組成、查詢長度分布與地區資料，外部研究者因此難以獲得相同結果。

第三個差異是任務本身。一個短文字問題、一次長篇深度研究、一輪 AI Agent 瀏覽與操作，並不是同一種計算工作。模型、回答長度、晶片、批次處理效率、當地天氣和冷卻設計，都會改變最後數字。所以「平均一次查詢」可以幫助理解量級，卻不是每一次操作的固定水價格。

早期研究為什麼估得更高？

2023 年，UC Riverside 與 UT Arlington 研究者發表 Making AI Less Thirsty，估算 GPT-3 訓練和推論的用水足跡。這裡的「推論」，是指模型已經訓練完成後，實際處理使用者輸入並產生回答的過程。

該研究指出，資料中心現場冷卻和發電用水都會形成營運期的水足跡，而且同一個模型在不同地點、季節與電網下，用水效率可能明顯不同。這些估算使用較早期的模型、硬體和假設，不能直接當成 2026 年 ChatGPT 的實測值。

但較新的公司數字也不能因此自動視為最終答案。舊研究有模型與設備過時的限制，公司公布的平均值則需面對方法透明度與第三方驗證的問題。比較合理的結論是：AI 單次推論效率已經快速改善，但目前還沒有一套所有業者共用、可被外部稽核的公開口徑。

單次查詢很省水，為什麼資料中心仍會引發反對？

因為每次使用的效率，和整個產業的總需求，是兩個不同問題。每次查詢只用幾滴水，不代表數億人每天使用、模型越來越大，而且各地持續建造資料中心後，總量就可以忽略。

根據美國 Lawrence Berkeley National Laboratory 的 2024 年資料中心能源使用報告，美國資料中心 2023 年直接耗水約 660 億公升，高密度與共址型資料中心占了大多數。這是所有資料中心工作負載的估算，不能全部算到 ChatGPT 或 AI 頭上，卻說明只看單次提示，會錯過基礎設施總量。

同樣地，「資料中心和辦公大樓用水差不多」也不能脫離地區解讀。維吉尼亞州議會聯合立法稽核與審查委員會的 2024 年報告 確實發現，當地多數資料中心用水量與大型辦公大樓相當或更低，只有部分設施明顯偏高。但報告也提醒，設施規模、計算密度、冷卻方式和當地水源條件，都會改變影響。州級的水量充足，也不等於每個市鎮都沒有供水壓力。

這也是為什麼 2026 年 3 月的 Gallup 調查 顯示，71% 美國受訪者反對在居住地附近建造 AI 資料中心。在反對者中，水與電的過度使用各有 18% 受訪者主動提及。對科技公司來說，這不只是環保形象問題，還會變成土地、供電、供水與建造許可的擴充風險。

AI 用水問題，應該怎麼看才合理？

我對 Altman 的核心方向「中性偏認同」：把普通 ChatGPT 文字問答描述成每次都在吞掉大量用水，不符合 OpenAI 與 Google 目前公開的每次提示估算。用戶沒有必要因為問了一個有價值的問題，就把它想成開著水龍頭洗了幾個小時。

但對 38,000 次這個精確比例，我的結論是「不應當成事實引用」。它來自受益於 AI 擴張的公司執行長，說出時本人也承認是憑記憶的概略數字，而 OpenAI 仍未公開足以讓外部複核的完整方法。最直接的檢查甚至顯示，它與 OpenAI 自己的每次查詢數字、以及一份杏仁用水研究之間，約有三倍差距。

真正有用的做法，是把焦點從「一顆杏仁等於幾次提示」，移到業者是否按地區公開取水量、耗水量、冷卻方式、水源類型與發電的間接用水。只有這些資料，社區才能判斷一座資料中心建在當地是否合理。

對於投資人，這也是一個實際的產業信號。AI 公司能不能持續擴建計算能力，不只看 GPU 數量，還要看電網、水源、社區信任與審批速度。若 OpenAI 接下來公開可稽核的計算方法與各地資料，我會更願意接受它對用水疑慮的反駁；若只繼續使用好記的單顆食物比喻，這個爭議不會消失。

延伸閱讀：別被話題股騙了！如何辨識 AI 概念股哪些是炒作哪些可以投資

FAQ

問一次 ChatGPT 到底會用多少水？

Altman 2025 年公開的平均值約為每次 0.32 毫升，但 OpenAI 沒有同時公開完整方法。實際數字會隨模型、提示與回答長度、機房位置、冷卻與發電方式而變，因此不應把 0.32 毫升視為每種 ChatGPT 任務的固定值。

38,000 次 ChatGPT 查詢等於一顆杏仁嗎？

目前不能當成已驗證事實。用 OpenAI 公開的 0.32 毫升計算，38,000 次約為 12.2 公升；2019 年一份中央谷地研究則把每顆杏仁估為 3.56 公升。Altman 在訪談中也先說明 38,000 是憑記憶提出的概略數字。

資料中心現在還會用水冷卻嗎？

會，但不是每座設施都使用同一種方式。業者可採蒸發式冷卻、風冷、封閉式液體循環或混合系統。降低現場用水有時會增加電力需求，所以不能只看機房水錶，還要連電力來源一起評估。

使用 ChatGPT 會造成很大的環境傷害嗎？

單次普通文字查詢的分攤用水量似乎不大，但大規模 AI 服務仍會帶來電力、水、土地與硬體製造需求。比起因為一次必要查詢感到罪惡，更值得關注的是業者有沒有公開可比較、可稽核的總量與當地影響資料。

結論：杏仁比喻很好記，卻不足以回答 AI 用水問題

Sam Altman 想反駁的是一種過度誇大的印象：好像每問 ChatGPT 一個問題，都會直接浪費大量水。現有公開數字的確不支持這種說法。

可是，一個失真的誇大說法，不能反過來證明科技公司的概略比喻就已經足夠。38,000 次這個數字無法用現有公開資料穩定複現，而且單次平均值本來就不能取代地區與總量評估。

所以，別只記住「一顆杏仁可以問 ChatGPT 幾次」。更重要的是先問清楚：數字算了哪些水、用了什麼模型、資料中心在哪裡，以及有沒有讓外部人複核的資料。當這四個問題都有答案，AI 用水討論才會從網路攻防，變成可以做出決策的資訊。

資料來源

• Sources Podcast：Sam Altman on OpenAI’s next model and the AI backlash
• X 原始貼文：Chief Nerd 摘錄的 Sam Altman 訪談片段
• Sam Altman：The Gentle Singularity
• Google Cloud：Measuring the environmental impact of AI inference
• UC Riverside 與 UT Arlington：Making AI Less Thirsty
• U.S. Geological Survey：Characterizing Crop Water Use Dynamics in the Central Valley of California
• Lawrence Berkeley National Laboratory：2024 United States Data Center Energy Usage Report
• Virginia JLARC：Data Centers in Virginia
• Gallup：Americans Oppose AI Data Centers in Their Area