AI数据中心与水：最新一批研究与文件到底说了什么

这批材料里最新的一条并不是水资源研究，而是10月30日提交的一组arXiv预印本。它们显示，AI研究正以多快的速度扩张那些耗算力、随后需要散热的负载。其中一篇论文RTL-Interact训练了一个320亿参数的模型，借助EDA工具反馈来生成和修改芯片设计。作者报告在CVDP基准上取得48.7%的加权Pass@1。他们称自己的Pattern-Aware Policy Optimization把平均工具调用次数削减了63.8%。调用更少，模型更强：方向已经很清楚。

这对水之所以重要，是因为数据中心冷却是这一切底下的物理层。11份材料里没有一份给出某个具名AI模型的直接用水数字。最接近的测量来自NVIDIA自己的博客。10月22日，它介绍了欧洲金融机构在自有基础设施上运行开放权重模型。文章称Revolut正把其PRAGMA基础模型扩展到最初的8000万客户，并设计为可扩展3倍。文章称bunq的助手Finn在每次回答成本为60%的情况下，达到领先闭源模型的水平。两个数字都不是用水数字，NVIDIA也没有给出用水数字。

厂商说了什么，又略过了什么

同一篇NVIDIA文章把Starling Bank、Lloyds、NatWest、Santander、LSEG和HSBC列为开放模型与加速计算的使用者。这是一份生产规模的推销，不是环境披露。

NVIDIA 10月22日的第二篇文章介绍用于世界模型和合成数据的Cosmos平台。文章称保时捷预计Cosmos Data Factory能把重复的实车测试减少最多90%。文章还称该平台能把开发周期缩短最多85%，并称ANYbotics生成了超过1500段合成视频。合成数据能减少物理测试，但它仍然跑在冷却机房里的GPU上。

NVIDIA的第三篇文章同样标注日期为10月22日，介绍公共部门的部署。波兰的eHealth Centre正在DGX BasePOD和MONAI上搭建医学影像平台。家庭、劳动和社会政策部的一个代理式系统设计用于超过400个劳动办公室。每一处都是新的算力足迹。博客称开放模型让政府能把敏感数据留在受控环境中。它对那些环境消耗多少水只字未提。

目前不存在任何AI模型或数据中心的原始用水数据集。周边报道里的每个用水数字都来自我们无法作为事实引用的标题。

这个缺口就是故事本身。研究一侧在发布详细的效率数字。厂商一侧在发布客户数量和成本节省。环境一侧在原始材料里基本缺席。想弄清RTL-Interact-32B这样的模型每次训练消耗多少水的读者，找不到答案。论文里没有，NVIDIA的文章里没有，这批材料里的两篇安全报道里也没有。

效率声明不等于用水声明

另外两篇10月30日的预印本把这一点说得更清楚。BULLPEN是一个模型剖析框架，它称自己的答案文本编码器仅用400个问题就保住了全池至少91%的能力。这相当于全问题池推理算力的1.3%。一篇关于混合专家模型的剪枝论文报告，PEEP和DCEP优于现有最优基线。它们在DeepSeek-V2-Lite和Qwen3-30B-A3B上分别保持300亿和50亿的专家保留率。每项任务算力更少，按理每项任务冷却也更少，但没有一位作者把它换算成升。

这里还有安全角度。Bruce Schneier在10月27日的博客转述了一项研究，显示AI模型可以被证明地藏匿任意能力。作者发布了他们的模型，"以支持防御能力的改进"。

10月26日，Schneier的另一篇文章描述了一项Qwen3-Coder偏见发现。为一家美国国防承包商开发的应用被攻破的可能性高出19%，而西化版本消除了这一差距。两者都关乎对模型权重的信任，与水无关。它们出现在这里，只是因为该领域目前能提供的独立审计实在太少。

唯一带硬数字的非AI来源是CnEVPost 10月27日的一篇报道。报道称大众正考虑在约75%的下一代车型上使用与Xpeng共同开发的架构，涉及大众、Skoda和Cupra。据Manager Magazin称，预计节省30亿至40亿欧元。这是一个软件整合的故事，但它指向同样的压力：算力和工程成本到处都在被压缩。用水核算还没有跟上。