水资源约束（Water Availability）

3 秒看懂

芯片制造是”用水怪兽”，数据中心正在变成”喝水怪兽”。 一座先进制程晶圆厂日耗水量相当于一座中型城市，而全球 AI 训练/推理负载的爆发正在使数据中心用水量以年均两位数速率增长。水资源约束不是环保口号，它是产能落地、选址审批和运营成本的真实硬约束。

3 分钟产业解释

为什么 AI 产业链要关心水？

AI 算力链条上有两个核心用水节点：

第一层逻辑：供给端——芯片制造的水瓶颈

• 先进制程工艺步骤更多（EUV 光刻、多重曝光）、清洗次数更多，单位晶圆耗水量随制程微缩而上升。
• 极紫外光刻(EUV)系统本身需要大量冷却水。
• 先进封装（如 CoWoS 等 2.5D/3D 方案）增加了额外的清洗和化学处理步骤。
• 选址逻辑：先进 Fab 高度集中于台湾（水资源季节性波动大）、亚利桑那（沙漠气候）、得克萨斯（干旱频发）等水压力区域。

第二层逻辑：需求端——数据中心的 AI 口渴

• 大模型训练集群的 GPU 热密度极高（单卡 TDP 趋向 700W+），散热需求指数级上升。
• 蒸发冷却在干旱/半干旱地区效率更高但消耗更多水；液冷（直接接触式/浸没式）可降低用水但增加前期投资。
• 训练一次大规模模型的水足迹，已有学术团队做过估算（见后文技术原理部分），数字显著但口径差异大。

第三层逻辑：政策与市场——水权正在成为生产要素

• 多国/地区开始对工业用水实施配额或阶梯水价。
• ESG 评级机构已将水资源管理纳入半导体和云计算公司评分框架。
• 极端干旱事件（如 2021 年台湾大旱）曾直接导致部分晶圆厂限水减产。

15 分钟专家深入

水资源约束如何传导至 AI 算力供给？

极端气候事件 / 水资源政策收紧
        │
        ▼
┌──────────────────┐      ┌──────────────────┐
│ 半导体 Fab 限水   │      │ 数据中心选址受限  │
│ → 产能利用率下降  │      │ → 新建项目延期    │
│ → 晶圆交付延期    │      │ → 扩容速度放缓    │
└────────┬─────────┘      └────────┬─────────┘
         │                         │
         ▼                         ▼
    AI 芯片供给紧张          算力供给弹性下降
         │                         │
         └────────┬────────────────┘
                  ▼
        AI 训练/推理成本上升
        → 制约模型规模扩展节奏

三个关键传导机制

机制一：UPW 制备的能耗-水耦合

超纯水制备本身需要大量原水（回收率通常在 60%–80%，即制备 1 m³ UPW 需消耗 1.25–2.5 m³ 原水，具体取决于回收工艺水平 [行业通用估算，具体因厂而异]）。水资源紧张时，原水取用受限 → UPW 产能受限 → Fab 可开动的机台数受限。

机制二：冷却塔蒸发损失

数据中心的蒸发冷却系统中，水的蒸发是散热的核心物理机制——蒸发潜热约为 2,260 kJ/kg（这是热力学常数，确定的）。在干燥炎热环境中，每带走 1 kW 热量的蒸发水量更大（湿球温度低 → 更多蒸发）。这意味着同样的算力集群，在凤凰城比在西雅图”喝”更多的水。

机制三：水权交易与成本

在水资源稀缺地区，工业用水权已成为稀缺资产。部分地区的水权价格在过去十年显著上涨。对于拟建 Fab 或 DC 的运营商而言，确保长期稳定水权是项目可行性评估的前置条件。

技术原理

1. 半导体制造用水机制

超纯水在芯片制造中的角色：

半导体制造中，晶圆在数百道工艺步骤之间需要反复清洗，以去除微粒、有机残留和金属离子污染。UPW 是最基础的清洗介质。

典型工艺流程中的 UPW 使用点（示意，非穷举）：

  光刻后 → UPW 冲洗 → 去胶残留
  蚀刻后 → UPW 冲洗 → 去除蚀刻副产物
  CMP后  → UPW 冲洗 → 去除浆料残留
  离子注入后 → UPW 清洗
  ...
  每经历 ~5-10 步工艺 → 一次完整湿法清洗

  先进制程(EUV, 多重图案化):
    工艺步数 ↑↑ → 清洗次数 ↑↑ → 单片晶圆 UPW 消耗 ↑

UPW 水质核心指标：

⚠️ 以上为行业通用技术标准范围 [行业技术文献通用值]，各 Fab 实际内控标准因制程节点和产品类型而异。

2. 数据中心冷却用水机制

蒸发冷却的物理原理：

            热空气 ↑↑↑
               │
    ┌──────────┴──────────┐
    │     冷却塔顶部       │
    │  热水喷淋 (↓↓↓ 水滴) │  ← 补充水 (Makeup Water)
    │  水滴蒸发吸热         │
    │  ↓ 蒸发损失 ~1-2%    │
    │  ↓ 排污水 (Blowdown)  │  ← 排除高浓度盐水
    │  ↓ 风吹损失           │
    └──────────┬──────────┘
               │
          冷却水回流 → 冷凝器

  蒸发潜热 ≈ 2,260 kJ/kg (水在常压下的物理常数)
  → 1 kg 水蒸发可带走约 2,260 kJ 热量
  → 这是蒸发冷却高效的根本原因

数据中心用水量估算框架（简化）：

年蒸发水量 ≈ (IT 负载 kW × PUE 贡献 × 运行小时) / (蒸发潜热 × 冷却效率因子)

其中：

• IT 负载取决于 GPU 数量和利用率
• 气候条件（湿球温度）直接影响蒸发效率和补水量
• WUE（Water Usage Efficiency）= 年用水量 / IT 能耗，单位 L/kWh，是行业通用衡量指标

具体 WUE 数值各公司差异很大：Google 曾公开披露其全球数据中心 WUE 约在 0.3–0.5 L/kWh 量级 [Google 环境报告，具体年份数据请查阅最新版]；实际值取决于数据中心所在地气候和冷却技术选型。

3. AI 训练的水足迹估算

估算逻辑（学术研究常用方法论）：

训练一个大型语言模型的水消耗可分为两部分：

• Scope 1（直接）：数据中心蒸发冷却用水
• Scope 2（间接）：发电厂冷却用水（火电/核电均大量用水）

训练水足迹 ≈ GPU 总功耗(kW) × 训练时长(h) × WUE(L/kWh)
           + 电力消耗 × 发电侧水强度(L/kWh)

其中：
  发电侧水强度因电源结构差异极大：
    煤电: ~1.5-2.5 L/kWh（湿冷）[行业文献范围]
    气电: ~0.5-1.0 L/kWh
    风电/光伏: 近乎为零
    核电: ~1.5-2.5 L/kWh（湿冷）

⚠️ 关于”一次 GPT 级别训练消耗多少水”的数字，公开文献估算差异极大（从数十万升到数亿升不等），主要因为：① 对 GPU 数量/时长假设不同；② 对数据中心所在地气候假设不同；③ 是否计入 Scope 2。我们不编造具体数字，仅提示方法论框架。 相关研究可参考 UC Riverside 等团队的论文。

技术演进史

技术路线对比：冷却技术与水消耗

⚠️ 以上 WUE 和 PUE 数值为行业公开文献和厂商技术白皮书中的典型范围 [行业综合估算]，具体取决于设计、气候和负载率。不同厂商实测值差异显著。

趋势判断： 液冷技术的渗透率正在加速提升。这一趋势既由热密度驱动（GPU TDP 上升使传统风冷难以胜任），也由水约束驱动（液冷可大幅降低 WUE）。

上下游

上游：水资源供给侧

原水来源
  ├── 地表水（河流、湖泊、水库）← 受季节性和气候变化影响大
  ├── 地下水 ← 可持续性争议，部分地区已限采
  ├── 再生水/中水回用 ← 技术可行但需额外处理投入
  └── 海水淡化 ← 能耗高，成本较高，中东地区较常见

      ↓ 处理

UPW 制备系统（半导体）
  ├── 预处理（混凝、过滤）
  ├── 反渗透（RO）
  ├── 电去离子（EDI）
  └── 紫外/超滤抛光

工业冷却水系统（数据中心）
  ├── 冷却塔 + 水处理化学品
  └── 闭路循环 + 定期排污补水

中游：用水主体

下游：间接影响

• AI 模型训练/推理服务：算力成本中隐含水成本
• AI 芯片交付周期：Fab 限水 → 交期延长
• 云服务定价：水资源成本最终传导至 IaaS/PaaS 价格

关键指标

供需与市场数据

需求侧估算（方向性，非精确预测）

半导体制造用水：

• 全球半导体产业年用水量估算在数十亿立方米量级 [行业综合估算，基于各公司 ESG 报告汇总]。
• 随着先进制程（≤5nm）产能扩张和 EUV 工艺步骤增加，单位晶圆耗水量呈上升趋势。
• TSMC 年度可持续发展报告披露其年度总取水量为数亿立方米级别 [请查阅 TSMC 最新年度报告获取精确数字]。

数据中心用水：

• 全球数据中心年用水量正在快速增长，但公开的汇总数据有限且口径不一。
• Microsoft 在其环境可持续发展报告中披露 2022 年全球用水量同比显著增长（约 30%+），部分归因于 AI 训练需求 [Microsoft Environmental Sustainability Report]。
• Google 亦报告了类似的用水量增长趋势 [Google Environmental Report]。

供给侧约束

• 全球约 25%–40% 的半导体产能位于水资源中度至高度紧张地区（估算，取决于水资源压力评估模型和阈值选取）。
• 台湾、韩国、亚利桑那州、得克萨斯州等关键半导体集群均面临不同程度的水资源压力。

⚠️ 上述供需数据均为基于公开信息的方向性估算，各来源口径差异大，不构成精确市场数据。具体数字请以各公司最新年度 ESG/可持续发展报告为准。

代表公司与资本映射

用水大户（AI 产业链核心环节）

水处理解决方案供应商（间接受益）

以上公司列表为行业参与者示例，不构成投资建议。

投资逻辑

逻辑一：水资源约束 → 液冷渗透率加速

• 因果链：GPU 热密度上升 + 水资源约束 + ESG 压力 → 蒸发冷却方案的隐性成本（水权获取、社区关系、审批难度）上升 → 液冷技术相对吸引力增强
• 受益方向：液冷设备及零部件（冷板、CDU、快速接头、绝缘冷却液）
• 节奏判断：当前仍处于渗透率早期阶段，大规模替代需等待成本差距收窄和标准化推进

逻辑二：水资源约束 → 半导体产能地理再分布

• 因果链：水资源紧张地区的 Fab 扩产面临更长的审批周期和更高的运营成本 → 产能可能部分向水资源充裕地区转移（如日本部分地区、东南亚）
• 受益方向：水资源充裕地区的半导体供应链生态
• 不确定性：产业惯性极强，实际迁移速度可能慢于预期

逻辑三：水资源约束 → 水处理技术需求增长

• 因果链：Fab 和 DC 运营商需要更高效的水回用技术以降低原水取用量
• 受益方向：UPW 系统升级、工业水回用、AI 驱动的水管理平台
• 市场规模：尚缺乏权威的细分市场数据 [未充分披露]，但增长趋势方向确定

风险提示

• 液冷技术标准化进程不及预期可能延缓替代节奏
• 极端气候事件的频率和强度难以精确预测
• 水资源政策变化（如水权分配改革）可能带来不确定性
• 部分公司”水资源正效益”承诺的执行力度和可验证性存疑

常见误读纠偏

❌ 误读一：“数据中心的主要环境问题是碳排放，水资源影响可以忽略”

纠偏： 水消耗和碳排放是两个不同维度的环境影响，且存在权衡关系。使用更多可再生能源可降低碳足迹，但若采用蒸发冷却，高算力负载的水消耗仍然显著。某些水资源紧张地区，水约束可能比碳约束更直接地限制产能扩张——因为碳可以通过购买可再生能源证书或 PPA 来”抵消”，但水不行（水是就地取用、就地消耗的物理资源）。

❌ 误读二：“液冷技术可以完全消除数据中心的用水问题”

纠偏： 液冷可以大幅降低（甚至接近消除）IT 侧的直接蒸发用水，但存在以下局限：① 液冷系统仍需配套的室外散热设备（干冷器/冷却塔），部分设计方案仍需补水；② 如果电力来源的发电侧采用湿冷工艺（煤电、核电），Scope 2 的水消耗仍然存在；③ 液冷系统的冷却液本身也有环境足迹（生产、泄漏风险、报废处理）。因此液冷是大幅缓解而非完全消除水约束。

❌ 误读三：“水资源是可再生的，所以不存在真正的硬约束”

纠偏： 虽然水在地球水循环中确实是可再生资源，但在特定地点、特定时间的可用量是有限的。半导体 Fab 和数据中心的选址无法随意移动（需要靠近电网、网络骨干、人才、客户），而这些基础设施往往集中在人口密集/水资源已高度开发的区域。水资源的”可再生”特性并不能消除局部性、季节性的供需失衡。此外，UPW 制备需要大量能源，水约束和能源约束存在耦合效应。

❌ 误读四：“AI 公司公布的 WUE 数据很低，说明水问题不严重”

纠偏： WUE 是强度指标（单位能耗的水消耗），低 WUE 并不意味着总用水量低。当 IT 负载快速增长时，即使 WUE 改善，总用水量仍可能大幅上升（绝对量增长 > 效率改善）。类似于汽车油耗降低了，但汽车总量暴增导致总油耗仍然增长的逻辑。关注 WUE 趋势的同时，必须结合绝对用水量变化来判断。

学习路径

入门 ──────────────────────────────────────────────────────── 进阶

  1. 了解水循环基础               2. 了解半导体制造流程
     (水文/环境科学)                  (清洗工艺、UPW 需求)
            │                              │
            ▼                              ▼
  3. 阅读科技公司 ESG 报告         4. 阅读数据中心冷却技术文献
     (TSMC/Microsoft/Google            (蒸发冷却 vs 液冷工程对比)
      年度可持续发展报告)                   │
            │                              ▼
            └──────────┬─────────── 5. 学习工业水管理框架
                       ▼              (WUE/水足迹核算/水风险评估)
               6. 阅读水资源约束相关         │
                  产业分析报告               ▼
                  (如 CDP 水安全报告)  7. 进阶：半导体/DC 选址的
                                       水-能-土地综合评估方法论

推荐起点阅读：

• 各大半导体/云厂商最新年度可持续发展报告（水管理章节）
• CDP (Carbon Disclosure Project) 年度水安全报告（行业横评）
• 相关学术论文：搜索关键词 “data center water consumption”、“semiconductor fab water use”、“AI training water footprint”

一句话总结

水资源约束是 AI 产业链中一个被低估的物理性硬约束——它不像 GPU 供给那样有明确的市场价格信号，而是在选址审批、极端气候事件和运营成本中悄然施加影响，且随着 AI 算力需求指数级增长而加速显性化。

延伸阅读与来源

1. 各公司可持续发展/ESG 报告（数据一手来源）：
   • TSMC Corporate Sustainability Report（年度，含水资源章节）
   • Microsoft Environmental Sustainability Report
   • Google Environmental Report
   • Intel Corporate Responsibility Report
2. CDP Water Security Report：全球企业水管理披露的汇总分析
3. WRI Aqueduct / Water Risk Atlas：全球水资源压力地图工具（水资源紧张地区评估的基础数据源）
4. 学术文献方向：
   • “Making AI Less ‘Thirsty’” — UC Riverside 团队关于 AI 水足迹的研究（方法论参考）
   • 半导体行业水管理相关的 IEEE/ES&T 期刊论文
5. 行业报告：Semi Engineering、SEMI 关于半导体可持续发展的专题报告
6. 冷却技术：ASHRAE 数据中心冷却技术指南；液冷技术白皮书（各液冷厂商发布）

声明：本页所有未标注具体出处的数字均为基于公开信息的行业通用估算或定性判断，不构成精确数据引用。具体投资决策请以一手数据来源和专业分析为准。