水資源約束（Water Availability）

3 秒看懂

晶片製造是”用水怪獸”，資料中心正在變成”喝水怪獸”。 一座先進製程晶圓廠日耗水量相當於一座中型城市，而全球 AI 訓練/推論負載的爆發正在使資料中心用水量以年均兩位數速率增長。水資源約束不是環保口號，它是產能落地、選址審批和運營成本的真實硬約束。

3 分鐘產業解釋

為什麼 AI 產業鏈要關心水？

AI 算力鏈條上有兩個核心用水節點：

節點	用途	水質要求	量級特徵
半導體制造	清洗晶圓、光刻、化學機械拋光(CMP)、冷卻工藝裝置	超純水(UPW)，電阻率 ≥18.2 MΩ·cm	單座 Fab 日均消耗數萬 m³（估算量級）
資料中心	蒸發冷卻(Evaporative Cooling)、冷卻塔補水	工業級，遠低於 UPW	單座大型 DC 年耗水量可達數億升（估算量級，因設計和氣候差異極大）

第一層邏輯：供給端——晶片製造的水瓶頸

先進製程工藝步驟更多（EUV 光刻、多重曝光）、清洗次數更多，單位晶圓耗水量隨製程微縮而上升。
極紫外光刻(EUV)系統本身需要大量冷卻水。
先進封裝（如 CoWoS 等 2.5D/3D 方案）增加了額外的清洗和化學處理步驟。
選址邏輯：先進 Fab 高度集中於臺灣（水資源季節性波動大）、亞利桑那（沙漠氣候）、得克薩斯（乾旱頻發）等水壓力區域。

第二層邏輯：需求端——資料中心的 AI 口渴

大型模型訓練叢集的 GPU 熱密度極高（單卡 TDP 趨向 700W+），散熱需求指數級上升。
蒸發冷卻在乾旱/半乾旱地區效率更高但消耗更多水；液冷（直接接觸式/浸沒式）可降低用水但增加前期投資。
訓練一次大規模模型的水足跡，已有學術團隊做過估算（見後文技術原理部分），數字顯著但口徑差異大。

第三層邏輯：政策與市場——水權正在成為生產要素

多國/地區開始對工業用水實施配額或階梯水價。
ESG 評等機構已將水資源管理納入半導體和雲端運算公司評分架構。
極端乾旱事件（如 2021 年臺灣大旱）曾直接導致部分晶圓廠限水減產。

15 分鐘專家深入

水資源約束如何傳導至 AI 算力供給？

極端氣候事件 / 水資源政策收緊
        │
        ▼
┌──────────────────┐      ┌──────────────────┐
│ 半導體 Fab 限水   │      │ 資料中心選址受限  │
│ → 產能利用率下降  │      │ → 新建專案延期    │
│ → 晶圓交付延期    │      │ → 擴容速度放緩    │
└────────┬─────────┘      └────────┬─────────┘
         │                         │
         ▼                         ▼
    AI 晶片供給緊張          算力供給彈性下降
         │                         │
         └────────┬────────────────┘
                  ▼
        AI 訓練/推論成本上升
        → 制約模型規模擴充套件節奏

三個關鍵傳導機制

機制一：UPW 製備的能耗-水耦合

超純水製備本身需要大量原水（回收率通常在 60%–80%，即製備 1 m³ UPW 需消耗 1.25–2.5 m³ 原水，具體取決於回收工藝水平 [行業通用估算，具體因廠而異]）。水資源緊張時，原水取用受限 → UPW 產能受限 → Fab 可開動的機臺數受限。

機制二：冷卻塔蒸發損失

資料中心的蒸發冷卻系統中，水的蒸發是散熱的核心物理機制——蒸發潛熱約為 2,260 kJ/kg（這是熱力學常數，確定的）。在乾燥炎熱環境中，每帶走 1 kW 熱量的蒸發水量更大（溼球溫度低 → 更多蒸發）。這意味著同樣的算力叢集，在鳳凰城比在西雅圖”喝”更多的水。

機制三：水權交易與成本

在水資源稀缺地區，工業用水權已成為稀缺資產。部分地區的水權價格在過去十年顯著上漲。對於擬建 Fab 或 DC 的運營商而言，確保長期穩定水權是專案可行性評估的前置條件。

技術原理

1. 半導體制造用水機制

超純水在晶片製造中的角色：

半導體制造中，晶圓在數百道工藝步驟之間需要反覆清洗，以去除微粒、有機殘留和金屬離子汙染。UPW 是最基礎的清洗介質。

典型工藝流程中的 UPW 使用點（示意，非窮舉）：

  光刻後 → UPW 沖洗 → 去膠殘留
  蝕刻後 → UPW 沖洗 → 去除蝕刻副產物
  CMP後  → UPW 沖洗 → 去除漿料殘留
  離子注入後 → UPW 清洗
  ...
  每經歷 ~5-10 步工藝 → 一次完整溼法清洗

  先進製程(EUV, 多重圖案化):
    工藝步數 ↑↑ → 清洗次數 ↑↑ → 單片晶圓 UPW 消耗 ↑

UPW 水質核心指標：

引數	典型要求	意義
電阻率	≥18.2 MΩ·cm（理論極限，25°C）	反映離子純度
TOC（總有機碳）	< 1–5 ppb	有機汙染控制
顆粒物	≥0.05 μm 以下不可檢出	微粒控制
溶解氧	< 1 ppb（某些工藝）	防止氧化
細菌	趨近於零	生物膜控制

⚠️ 以上為行業通用技術標準範圍 [行業技術文獻通用值]，各 Fab 實際內控標準因製程節點和產品型別而異。

2. 資料中心冷卻用水機制

蒸發冷卻的物理原理：

            熱空氣 ↑↑↑
               │
    ┌──────────┴──────────┐
    │     冷卻塔頂部       │
    │  熱水噴淋 (↓↓↓ 水滴) │  ← 補充水 (Makeup Water)
    │  水滴蒸發吸熱         │
    │  ↓ 蒸發損失 ~1-2%    │
    │  ↓ 排汙水 (Blowdown)  │  ← 排除高濃度鹽水
    │  ↓ 風吹損失           │
    └──────────┬──────────┘
               │
          冷卻水迴流 → 冷凝器

  蒸發潛熱 ≈ 2,260 kJ/kg (水在常壓下的物理常數)
  → 1 kg 水蒸發可帶走約 2,260 kJ 熱量
  → 這是蒸發冷卻高效的根本原因

資料中心用水量估算架構（簡化）：

年蒸發水量 ≈ (IT 負載 kW × PUE 貢獻 × 執行小時) / (蒸發潛熱 × 冷卻效率因子)

其中：

IT 負載取決於 GPU 數量和利用率
氣候條件（溼球溫度）直接影響蒸發效率和補水量
WUE（Water Usage Efficiency）= 年用水量 / IT 能耗，單位 L/kWh，是行業通用衡量指標

具體 WUE 數值各公司差異很大：Google 曾公開揭露其全球資料中心 WUE 約在 0.3–0.5 L/kWh 量級 [Google 環境報告，具體年份資料請查閱最新版]；實際值取決於資料中心所在地氣候和冷卻技術選型。

3. AI 訓練的水足跡估算

估算邏輯（學術研究常用方法論）：

訓練一個大型語言模型的水消耗可分為兩部分：

Scope 1（直接）：資料中心蒸發冷卻用水
Scope 2（間接）：發電廠冷卻用水（火電/核電均大量用水）

訓練水足跡 ≈ GPU 總功耗(kW) × 訓練時長(h) × WUE(L/kWh)
           + 電力消耗 × 發電側水強度(L/kWh)

其中：
  發電側水強度因電源結構差異極大：
    煤電: ~1.5-2.5 L/kWh（溼冷）[行業文獻範圍]
    氣電: ~0.5-1.0 L/kWh
    風電/光伏: 近乎為零
    核電: ~1.5-2.5 L/kWh（溼冷）

⚠️ 關於”一次 GPT 級別訓練消耗多少水”的數字，公開文獻估算差異極大（從數十萬升到數億升不等），主要因為：① 對 GPU 數量/時長假設不同；② 對資料中心所在地氣候假設不同；③ 是否計入 Scope 2。我們不編造具體數字，僅提示方法論架構。 相關研究可參考 UC Riverside 等團隊的論文。

技術演進史

時期	關鍵事件	水約束形態
1990s–2000s	半導體產能主要集中在臺灣新竹、日本、美國等地	水資源問題不突出，UPW 製備技術成熟，用水視為低邊際成本
2010s	台積電、三星擴產至臺南/華城等地；雲端運算興起，超大規模 DC 建設	開始出現區域性水資源緊張；臺灣 2015 年旱情引起關注
2020	COVID 加速數字化，半導體需求激增	各地擴產計劃密集出臺，水資源論證進入選址核心環節
2021	臺灣 56 年來最嚴重旱情；台積電被迫調水車運水至 Fab	行業首次直觀感受水資源約束對產能的直接衝擊
2022–2023	ChatGPT/大型模型爆發，算力需求指數級增長；Microsoft/Google 揭露用水量年增率大幅增長	資料中心水消耗成為 ESG 和監管焦點
2023–2025	TSMC 日本熊本廠、亞利桑那廠建設推進；Intel 俄亥俄/德國專案；AI DC 在中東/沙漠地區規劃	水資源約束從”隱性成本”升級為”產能落地關鍵變數”

技術路線對比：冷卻技術與水消耗

冷卻技術	原理	WUE (估算範圍)	PUE 貢獻	適用場景	水約束敏感度
風冷 (Air Cooling)	空氣對流+風扇	極低（無蒸發）	PUE 較高(1.4–1.8)	低密度機櫃(≤10kW/櫃)	低
蒸發冷卻 (Evaporative)	水蒸發吸熱	中高 [0.3–2+ L/kWh，因氣候差異大]	PUE 較低(1.1–1.3)	大型 DC，乾燥氣候區	高
液冷-冷板式 (Direct-to-Chip)	冷卻液流經晶片冷板	低（閉路迴圈，少量補水）	PUE 極低(1.03–1.1)	高密度 GPU 機櫃(≥30kW/櫃)	低
液冷-浸沒式 (Immersion)	整機浸入絕緣冷卻液	極低	PUE 接近 1.0	超高密度計算	極低

⚠️ 以上 WUE 和 PUE 數值為行業公開文獻和廠商技術白皮書中的典型範圍 [行業綜合估算]，具體取決於設計、氣候和負載率。不同廠商實測值差異顯著。

趨勢判斷： 液冷技術的滲透率正在加速提升。這一趨勢既由熱密度驅動（GPU TDP 上升使傳統風冷難以勝任），也由水約束驅動（液冷可大幅降低 WUE）。

上下游

上游：水資源供給側

原水來源
  ├── 地表水（河流、湖泊、水庫）← 受季節性和氣候變化影響大
  ├── 地下水 ← 可持續性爭議，部分地區已限採
  ├── 再生水/中水回用 ← 技術可行但需額外處理投入
  └── 海水淡化 ← 能耗高，成本較高，中東地區較常見

      ↓ 處理

UPW 製備系統（半導體）
  ├── 預處理（混凝、過濾）
  ├── 反滲透（RO）
  ├── 電去離子（EDI）
  └── 紫外/超濾拋光

工業冷卻水系統（資料中心）
  ├── 冷卻塔 + 水處理化學品
  └── 閉路迴圈 + 定期排汙補水

中游：用水主體

用水主體	用水特徵	約束傳導路徑
先進製程 Fab（TSMC、Samsung、Intel）	大量 UPW，持續穩定需求	選址審批、乾旱限水、運營成本
先進封裝設施	UPW + 化學品清洗	隨 CoWoS 等產能擴張而增長
超大規模資料中心（雲端廠商/AI 公司）	蒸發冷卻補水為主	選址受限、ESG 壓力、社群關係

下游：間接影響

AI 模型訓練/推論服務：算力成本中隱含水成本
AI 晶片交付週期：Fab 限水 → 交期延長
雲端服務定價：水資源成本最終傳導至 IaaS/PaaS 價格

關鍵指標

指標	定義	行業參考範圍	備註
WUE (Water Usage Efficiency)	年總用水量(L) / IT 能耗(kWh)	0.3–2.0 L/kWh [行業估算]	Google/Meta 公開揭露值通常在較低區間
單位晶圓耗水量	每片 300mm 晶圓全流程 UPW 消耗	數千升/片（估算量級，具體因製程步數而異）	先進製程 > 成熟製程
UPW 回收率	UPW 製備產出 / 原水投入	60%–80% [行業通用範圍]	提高回收率是減少原水取用的關鍵
冷卻水蒸發率	冷卻塔蒸發損失佔迴圈量比例	~1%–2%/迴圈 [工程經驗值]	取決於幹球/溼球溫度差
水權成本	工業用水綜合單價	因地區差異極大（從 <1 USD/m³ 到 >5 USD/m³ 不等）	含取水費、汙水處理費、水權交易溢價
Scope 2 發電水強度	每 kWh 發電的冷卻水消耗	煤/核 ~1.5–2.5 L/kWh（溼冷）[行業文獻]	風/光近零

供需與市場資料

需求側估算（方向性，非精確預測）

半導體制造用水：

全球半導體產業年用水量估算在數十億立方米量級 [行業綜合估算，基於各公司 ESG 報告彙總]。
隨著先進製程（≤5nm）產能擴張和 EUV 工藝步驟增加，單位晶圓耗水量呈上升趨勢。
TSMC 年度可持續發展報告揭露其年度總取水量為數億立方米級別 [請查閱 TSMC 最新年度報告獲取精確數字]。

資料中心用水：

全球資料中心年用水量正在快速增長，但公開的彙總資料有限且口徑不一。
Microsoft 在其環境可持續發展報告中揭露 2022 年全球用水量年增率顯著增長（約 30%+），部分歸因於 AI 訓練需求 [Microsoft Environmental Sustainability Report]。
Google 亦報告了類似的用水量增長趨勢 [Google Environmental Report]。

供給側約束

全球約 25%–40% 的半導體產能位於水資源中度至高度緊張地區（估算，取決於水資源壓力評估模型和閾值選取）。
臺灣、韓國、亞利桑那州、得克薩斯州等關鍵半導體叢集均面臨不同程度的水資源壓力。

⚠️ 上述供需資料均為基於公開資訊的方向性估算，各來源口徑差異大，不構成精確市場資料。具體數字請以各公司最新年度 ESG/可持續發展報告為準。

代表公司與資本對映

用水大戶（AI 產業鏈核心環節）

公司	環節	水資源風險暴露	相關揭露/應對
TSMC	先進製程代工	高（臺灣水資源季節性波動大；亞利桑那沙漠氣候）	年度可持續發展報告詳盡揭露；推進再生水利用；已建成工業用再生水廠
Samsung	儲存+邏輯代工	中高（華城/平澤；得州新廠）	公開水管理目標
Intel	IDM 代工	中（奧勒岡、亞利桑那、俄亥俄、德國）	設定水資源正效益(Water Positive)目標
Microsoft	雲端/AI 訓練	中高（全球 DC 版面配置廣泛，部分位於乾旱區）	設定 2030 年水資源正效益目標
Google	雲端/AI 訓練	中（DC 選址較分散）	設定水資源正效益目標；公開 WUE
Meta	AI 訓練	中	公開 WUE 資料

水處理解決方案供應商（間接受益）

類別	代表公司	角色
UPW 系統	Veolia、Evoqua（現屬 Xylem）、Pentair	半導體 Fab 超純水製備系統
冷卻系統	Vertiv、Schneider Electric、CoolIT Systems	DC 冷卻塔/液冷系統
水回用技術	Xylem、Ecolab	工業水處理和迴圈利用
液冷解決方案	Vertiv、GRC、LiquidCool Solutions、Cooltera	直接液冷/浸沒式液冷

以上公司列表為行業參與者示例，不構成投資建議。

投資邏輯

邏輯一：水資源約束 → 液冷滲透率加速

因果鏈：GPU 熱密度上升 + 水資源約束 + ESG 壓力 → 蒸發冷卻方案的隱性成本（水權獲取、社群關係、審批難度）上升 → 液冷技術相對吸引力增強
受益方向：液冷裝置及零部件（冷板、CDU、快速接頭、絕緣冷卻液）
節奏判斷：當前仍處於滲透率早期階段，大規模替代需等待成本差距收窄和標準化推進

邏輯二：水資源約束 → 半導體產能地理再分佈

因果鏈：水資源緊張地區的 Fab 擴產面臨更長的審批週期和更高的運營成本 → 產能可能部分向水資源充裕地區轉移（如日本部分地區、東南亞）
受益方向：水資源充裕地區的半導體供應鏈生態
不確定性：產業慣性極強，實際遷移速度可能慢於預期

邏輯三：水資源約束 → 水處理技術需求增長

因果鏈：Fab 和 DC 運營商需要更高效的水回用技術以降低原水取用量
受益方向：UPW 系統升級、工業水回用、AI 驅動的水管理平台
市場規模：尚缺乏權威的細分市場資料 [未充分揭露]，但增長趨勢方向確定

風險提示

液冷技術標準化程序不及預期可能延緩替代節奏
極端氣候事件的頻率和強度難以精確預測
水資源政策變化（如水權分配改革）可能帶來不確定性
部分公司”水資源正效益”承諾的執行力度和可驗證性存疑

常見誤讀糾偏

❌ 誤讀一：“資料中心的主要環境問題是碳排放，水資源影響可以忽略”

糾偏： 水消耗和碳排放是兩個不同維度的環境影響，且存在權衡關係。使用更多可再生能源可降低碳足跡，但若採用蒸發冷卻，高算力負載的水消耗仍然顯著。某些水資源緊張地區，水約束可能比碳約束更直接地限制產能擴張——因為碳可以通過購買可再生能源證書或 PPA 來”抵消”，但水不行（水是就地取用、就地消耗的物理資源）。

❌ 誤讀二：“液冷技術可以完全消除資料中心的用水問題”

糾偏： 液冷可以大幅降低（甚至接近消除）IT 側的直接蒸發用水，但存在以下侷限：① 液冷系統仍需配套的室外散熱裝置（乾冷器/冷卻塔），部分設計方案仍需補水；② 如果電力來源的發電側採用溼冷工藝（煤電、核電），Scope 2 的水消耗仍然存在；③ 液冷系統的冷卻液本身也有環境足跡（生產、洩漏風險、報廢處理）。因此液冷是大幅緩解而非完全消除水約束。

❌ 誤讀三：“水資源是可再生的，所以不存在真正的硬約束”

糾偏： 雖然水在地球水迴圈中確實是可再生資源，但在特定地點、特定時間的可用量是有限的。半導體 Fab 和資料中心的選址無法隨意移動（需要靠近電網、網路骨幹、人才、客戶），而這些基礎設施往往集中在人口密集/水資源已高度開發的區域。水資源的”可再生”特性並不能消除區域性性、季節性的供需失衡。此外，UPW 製備需要大量能源，水約束和能源約束存在耦合效應。

❌ 誤讀四：“AI 公司公佈的 WUE 資料很低，說明水問題不嚴重”

糾偏： WUE 是強度指標（單位能耗的水消耗），低 WUE 並不意味著總用水量低。當 IT 負載快速增長時，即使 WUE 改善，總用水量仍可能大幅上升（絕對量增長 > 效率改善）。類似於汽車油耗降低了，但汽車總量暴增導致總油耗仍然增長的邏輯。關注 WUE 趨勢的同時，必須結合絕對用水量變化來判斷。

學習路徑

入門 ──────────────────────────────────────────────────────── 進階

  1. 瞭解水迴圈基礎               2. 瞭解半導體制造流程
     (水文/環境科學)                  (清洗工藝、UPW 需求)
            │                              │
            ▼                              ▼
  3. 閱讀科技公司 ESG 報告         4. 閱讀資料中心冷卻技術文獻
     (TSMC/Microsoft/Google            (蒸發冷卻 vs 液冷工程對比)
      年度可持續發展報告)                   │
            │                              ▼
            └──────────┬─────────── 5. 學習工業水管理架構
                       ▼              (WUE/水足跡核算/水風險評估)
               6. 閱讀水資源約束相關         │
                  產業分析報告               ▼
                  (如 CDP 水安全報告)  7. 進階：半導體/DC 選址的
                                       水-能-土地綜合評估方法論

推薦起點閱讀：

各大半導體/雲端廠商最新年度可持續發展報告（水管理章節）
CDP (Carbon Disclosure Project) 年度水安全報告（行業橫評）
相關學術論文：搜尋關鍵詞 “data center water consumption”、“semiconductor fab water use”、“AI training water footprint”

一句話總結

水資源約束是 AI 產業鏈中一個被低估的物理性硬約束——它不像 GPU 供給那樣有明確的市場價格訊號，而是在選址審批、極端氣候事件和運營成本中悄然施加影響，且隨著 AI 算力需求指數級增長而加速顯性化。

延伸閱讀與來源

各公司可持續發展/ESG 報告（資料一手來源）：
- TSMC Corporate Sustainability Report（年度，含水資源章節）
- Microsoft Environmental Sustainability Report
- Google Environmental Report
- Intel Corporate Responsibility Report
CDP Water Security Report：全球企業水管理揭露的彙總分析
WRI Aqueduct / Water Risk Atlas：全球水資源壓力地圖工具（水資源緊張地區評估的基礎資料來源）
學術文獻方向：
- “Making AI Less ‘Thirsty’” — UC Riverside 團隊關於 AI 水足跡的研究（方法論參考）
- 半導體行業水管理相關的 IEEE/ES&T 期刊論文
行業報告：Semi Engineering、SEMI 關於半導體可持續發展的專題報告
冷卻技術：ASHRAE 資料中心冷卻技術指南；液冷技術白皮書（各液冷廠商釋出）

宣告：本頁所有未標註具體出處的數字均為基於公開資訊的行業通用估算或定性判斷，不構成精確資料引用。具體投資決策請以一手資料來源和專業分析為準。