WUE（Water Usage Effectiveness）

3 秒看懂

WUE = 資料中心年用水量 ÷ IT 裝置年耗電量（單位：升/kWh）。數值越低越節水，0 代表不消耗水。它是衡量資料中心”每供一度電給伺服器，要燒掉多少升水”的核心指標，在 AI 算力爆發、全球水危機疊加的背景下，正成為繼 PUE 之後資料中心最關鍵的 ESG 考核尺。

3 分鐘產業解釋

為什麼資料中心要”喝水”？

資料中心本質是”把電變成熱”的設施。伺服器產生巨大熱量，必須通過冷卻系統排出。傳統方案中，蒸發冷卻（冷卻塔） 是最常見、最經濟的散熱方式——水蒸發時吸收大量汽化熱，效率遠高於純風冷。但代價是：每蒸發 1 升水，就永久消耗 1 升水資源。

WUE 的核心公式

WUE = 年度現場總用水量（升）/ IT 裝置年耗電量（kWh）

分子：冷卻塔蒸發損耗 + 加溼補水 + 其他輔助用水（清洗、生活用水等）
分母：僅計算供給 IT 裝置（伺服器、儲存、網路）的電力，不含冷卻、照明等基礎設施用電
分母不含基礎設施用電，這一點與 PUE 的分母口徑一致，便於跨指標對比

行業基準認知

場景	WUE 典型範圍	說明
傳統蒸發冷卻	1.0 – 2.5 L/kWh	高溼熱地區可達 2.0+
高效蒸發冷卻 + 回收	0.3 – 0.8 L/kWh	Google、微軟等頭部廠商水平
全風冷（無冷卻塔）	≈ 0 L/kWh	理論零水耗，實際有微量運維用水
液冷直觸（閉環）	接近 0	冷卻液迴圈，僅末端散熱可能少量蒸發

⚠️ 以上為行業公開報告與企業可持續發展報告中的公開揭露資料區間，非精確基準線。各地區氣候差異、冷卻方案差異導致 WUE 變化很大。

AI 時代為什麼 WUE 突然”出圈”？

算力密度飆升：單個 AI 訓練叢集功耗可達數十 MW 級，冷卻需求倍增
學術研究引發公眾關注：UC Riverside Ren 等人 2023 年論文《Making AI Less “Thirsty”》估算 GPT-3 訓練階段耗水約 70 萬升（含發電間接用水），引發廣泛討論——該數字基於模型方法論假設，存在爭議但推動了行業關注
選址矛盾：水價便宜、氣候涼爽的地區往往也是水資源緊張地區（如美國亞利桑那、中國內蒙古）

15 分鐘專家深入

WUE 的誕生背景

WUE 由 The Green Grid（全球知名的資料中心能效行業聯盟，也是 PUE 指標的發明者）於 2011 年正式釋出。此後被納入 ISO 30134-3 國際標準，成為全球通用的資料中心水資源效率評估指標。

三種 WUE 口徑

The Green Grid 在釋出 WUE 時實際定義了三種口徑，業界最常用的是 WUE Site：

口徑	定義	用途
WUE Site	現場用水 / IT 能耗	最常用，衡量資料中心直接用水
WUE Source	考慮一次能源開採和發電用水的全鏈路	更全面但計算複雜，需要區域電網排放因子
WUE Corporate	企業級聚合（所有站點加權平均）	企業 ESG 揭露用

WUE Source 的重要性

WUE Site 只看”資料中心圍牆內”的水消耗。但發電本身（尤其是火電、核電）也是用水大戶。WUE Source 將間接用水納入：

WUE Source = WUE Site + (PUE - 1) × 發電側水耗因子

這意味著：即使資料中心現場 WUE = 0（全風冷），如果用的是火電，其 WUE Source 仍然可能為正數。

水的消耗型別

資料中心用水全景圖
├── 直接用水（計入 WUE Site）
│   ├── 蒸發冷卻塔（蒸發損耗，佔主體，約 80-90%）
│   ├── 加溼系統（乾冷地區需要補充溼度）
│   ├── 反滲透/水處理系統（排汙損耗）
│   └── 生活用水（人員飲用、清潔）
│
└── 間接用水（僅計入 WUE Source）
    ├── 火力發電（冷卻水蒸發、鍋爐補水）
    ├── 核電（大量冷卻水需求）
    └── 可再生能源（水電站蒸發損耗、光伏板清洗）

WUE 與 PUE 的關係

PUE（Power Usage Effectiveness）衡量的是電力效率，WUE 衡量的是水資源效率。兩者不必然正相關：

某資料中心可能 PUE 很低（電力高效），但使用大量水做冷卻（WUE 高）
另一種可能：全風冷 PUE 較高（1.4-1.6），但 WUE ≈ 0

最優解是同時最佳化兩者——這正是當前業界追求的目標，但在物理層面存在 trade-off：用水冷換低 PUE，或用高 PUE 換零水耗。

技術原理（最深）

蒸發冷卻的物理基礎

資料中心冷卻的核心熱力學過程：

冷卻塔工作原理（簡化）

  熱水（來自伺服器液冷迴路）──→ 噴淋入塔
                                      │
                                      ▼
                            ┌──────────────────┐
                            │  填料層（增大接觸面積）│
                            │                    │
                            │  水 ←── 乾燥空氣    │
                            │   ↓ 蒸發傳熱 ↑     │
                            │  吸收汽化熱 ≈ 2260  │
                            │  kJ/kg（100°C 時）  │
                            └──────────────────┘
                                      │
                                      ▼
                            冷卻水迴路 → 伺服器
                            溼熱空氣 → 排出大氣
                            蒸發損耗 → 補充新水 ← 這就是 WUE 的分子來源

關鍵物理量：

水的汽化潛熱約為 2260 kJ/kg（100°C 時），遠高於顯熱散熱能力
這就是為什麼蒸發冷卻效率遠高於純風冷——單位質量的散熱能力高出約 500-1000 倍
代價是水被”消耗”了（蒸發進入大氣，不可回收）

蒸發損耗估算

冷卻塔蒸發量的粗估公式：

蒸發水量 ≈ 迴圈水量 × 蒸發份額（drift + evaporation）

簡化估算：
蒸發量（L/h）≈ 冷卻負荷（kW）× 0.00085 × ΔT（°C 溫差）

注：這是工程經驗公式，實際蒸發量受溼球溫度、風機效率、填料效能等多因素影響，此處為量級認知用。

乾球溫度 vs 溼球溫度——WUE 的地理密碼

溼球溫度是冷卻塔的理論冷卻極限（空氣的”飽和溫度”）
溼球溫度低的地區（如美國西北部、北歐），冷卻塔效率高、補水量少 → WUE 低
溼球溫度高的地區（如東南亞、中東），冷卻塔需要更多水才能達到同樣的冷卻效果 → WUE 高
這就是為什麼同樣的冷卻塔設計，在不同地點 WUE 可以差 2-3 倍

液冷系統對 WUE 的影響路徑

                          ┌─ 直接液冷（Direct-to-Chip）
                          │   CPU/GPU 冷板通冷卻液
液冷方案 ────│   └─ 末端仍需散熱（CDU + 冷卻塔 或 乾冷器）
              │
              └── 浸沒式液冷（Immersion Cooling）
                  全機架浸入介電冷卻液
                  └─ 末端散熱方式決定最終 WUE
                      ├─ 乾冷器（Dry Cooler）→ WUE ≈ 0
                      └─ 冷卻塔（Cooling Tower）→ WUE > 0

核心認知：液冷本身不等於零水耗。末端散熱方式才是決定 WUE 的關鍵。

使用乾冷器（純風冷散熱器）：WUE ≈ 0，但散熱效率受限於環境溫度，高功耗場景下可能需要更大的散熱面積或更高的風扇功耗
使用冷卻塔：WUE 仍為正，但因為液冷的溫差更精準可控，可能比傳統風冷的冷卻塔更節水

技術演進史

時間	里程碑	WUE 影響
2007 年	The Green Grid 成立，PUE 概念提出	水耗尚未進入主流視野
2011 年	The Green Grid 正式釋出 WUE 指標	首次為資料中心水效率提供標準化度量
2014-2016	Google、Facebook 公開水耗資料	頭部廠商開始公開 WUE 揭露
2016 年	ISO 30134 系列釋出（含 WUE 作為 Part 3）	WUE 成為國際標準
2018-2020	ASHRAE 推廣高進水溫度 + 免冷卻器方案	部分場景減少冷卻塔執行時間
2021-2022	乾旱事件頻發（美國西部、歐洲）	資料中心選址與水資源矛盾凸顯
2023 年	AI 訓練水耗研究引起公眾關注	WUE 從”行業指標”變為”社會議題”
2023-2024	液冷部署加速（AI 伺服器標配）	行業重新評估 WUE 最佳化路徑
2024-2025	美國多地出臺資料中心用水限制政策	WUE 從自願揭露走向合規要求

關鍵趨勢：WUE 正從”錦上添花的 ESG 指標”演變為硬約束條件。水資源緊張地區（如亞利桑那、維吉尼亞北部、中國部分省份）開始將 WUE 納入專案審批條件。

技術路線對比（量化表）

冷卻方案	典型 PUE	典型 WUE (L/kWh)	適用功率密度	CAPEX 影響	代表廠商/方案
傳統風冷 + 蒸發冷卻塔	1.3 – 1.6	1.0 – 2.5	5-10 kW/櫃	基準	傳統大型 IDC
高效蒸發冷卻（最佳化填料+變頻）	1.1 – 1.3	0.3 – 0.8	8-15 kW/櫃	+10-20%	Google、微軟
全風冷（無冷卻塔）	1.4 – 1.8	≈ 0	5-8 kW/櫃	基準	乾熱氣候地區
直接液冷（冷板式）+ 乾冷器	1.05 – 1.15	≈ 0	30-80+ kW/櫃	+30-50%	AI 訓練叢集新方案
直接液冷（冷板式）+ 冷卻塔	1.05 – 1.12	0.2 – 0.6	30-80+ kW/櫃	+30-50%	混合最佳化方案
浸沒式液冷 + 乾冷器	1.02 – 1.10	≈ 0	80-200+ kW/櫃	+50-100%	實驗性/超算

⚠️ 以上資料為行業報告、廠商白皮書中的公開揭露範圍，具體數字取決於部署環境、氣候條件、規模等因素。CAPEX 為相對於傳統風冷基準的增量估計。

上下游

產業鏈全景

上游（水資源供給與處理）              中游（冷卻技術）              下游（應用方）
┌──────────────────┐     ┌───────────────────┐     ┌──────────────────┐
│ 市政供水 / 地下水  │     │ 冷卻塔製造商        │     │ 雲端運算廠商         │
│ 水處理化學品       │ ──→ │ CDU（冷卻分配單元）   │ ──→ │ AI 訓練平台        │
│ 反滲透膜 / 過濾裝置 │     │ 液冷解決方案商       │     │ 超算中心           │
│ 水務基礎設施       │     │ 乾冷器 / 空冷器      │     │ Colocation IDC    │
│ 水權交易市場       │     │ 監控與管理系統       │     │ 電信運營商機房      │
└──────────────────┘     └───────────────────┘     └──────────────────┘

關鍵供應商/玩家

環節	代表企業	說明
冷卻塔	SPX Cooling、Baltimore Aircoil、益美高	傳統冷卻塔巨頭
CDU / 液冷方案	Vertiv、Schneider Electric、維諦技術、英維克、曙光液冷	液冷供應鏈核心
乾冷器	Kelvion、API Heat Transfer	純風冷散熱器
水處理	Nalco（Ecolab 子公司）、Suez	冷卻水化學處理
監控平台	Schneider EcoStruxure、Nlyte、華為數字能源	WUE 即時監測

關鍵指標

WUE 本身的度量

指標	定義	單位	目標
WUE Site	現場用水 / IT 能耗	L/kWh	越低越好，理想值 0
WUE Source	含間接用水 / IT 能耗	L/kWh	需結合區域電網因子
年用水量絕對值	年度總水消耗	百萬升/年（ML/yr）	關注增長趨勢
水資源回收率	迴圈水 / 總用水	%	越高越好
WUE 趨勢	YoY 變化率	%	目標為負增長

關聯指標體系

資料中心效率指標矩陣

├── 電力效率 → PUE（Power Usage Effectiveness）
├── 水效率 → WUE（Water Usage Effectiveness）  ← 本文
├── 碳效率 → CUE（Carbon Usage Effectiveness）
├── 廢棄物效率 → ERE（Energy Reuse Effectiveness）
└── 綜合 → DCeP（Data Center energy Productivity）

供需與市場資料

全球資料中心用水量估算

維度	資料	來源口徑
全球資料中心年用水量	數十億升級規模（含直接+間接）	行業綜合估算，口徑不一
典型大型資料中心（數十 MW）日用水量	數百萬升/天	基於 WUE 和功率密度估算
一次 GPT 級大型模型訓練耗水量	數十萬升（含間接用水）	學術估算（Ren et al., 2023），含方法論假設
一次 ChatGPT 對話耗水量	約數毫升（估算，含發電間接用水）	學術估算，高度依賴假設條件

⚠️ 上述資料為學術論文或行業報告中的估算值，不同方法論得出的數字差異很大。具體數字取決於假設條件（電網型別、冷卻效率等），不宜作為精確引用。

水資源約束趨勢

美國：多個州（亞利桑那、維吉尼亞、得克薩斯）已出臺或討論資料中心用水限制政策
歐盟：企業可持續發展報告指令（CSRD）要求大型企業揭露水資源使用
中國：部分缺水地區對資料中心專案提出用水效率要求
全球趨勢：WUE 從自願 ESG 揭露指標 → 硬性合規指標的趨勢明顯

代表公司與資本對映

雲端廠商 WUE 表現（來自各企業公開可持續發展報告）

公司	WUE 揭露	說明
Google	約 0.55 L/kWh（2022 年全球平均）	行業最早公開 WUE 的廠商之一，目標持續下降
Microsoft	約 0.49 L/kWh（2022 財年）	揭露較詳細，目標 2030 年水正效應（water positive）
Meta	公開揭露，資料因年度和地點波動	採用大量蒸發冷卻
AWS	公開水效率資料	關注無水冷卻方案

⚠️ 上述數字來自各公司已公開的可持續發展/環境報告。具體數字每年變化，且各公司統計口徑可能存在差異。建議參考各公司最新年度 ESG 報告獲取準確資料。

WUE 受益標的邏輯

方向	邏輯	標的舉例
液冷裝置	液冷替代冷卻塔是 WUE 最佳化主路徑	維諦技術、英維克、曙光數創
乾冷器 / 混合冷卻	零水耗末端散熱方案需求上升	傳統暖通企業轉型
水處理與回收	提高水迴圈率，降低排汙損耗	水務/環保企業
資料中心選址	向水資源豐富、氣候涼爽地區遷移	北歐、加拿大等區域資料中心 REITs
水權交易	水資源稀缺性定價上升	水權交易平台、水務基礎設施

投資邏輯

核心投資論點

1. AI 算力爆發 × 水資源約束 = WUE 最佳化的結構性需求

AI 訓練/推論叢集功率密度遠超傳統 IT，冷卻需求倍增
傳統蒸發冷卻方案在水資源緊張地區面臨監管阻力
液冷 + 乾冷器組合成為兼顧低 PUE 與低 WUE 的技術路徑

2. WUE 合規成本上升 → 重塑選址與架構

新建資料中心將更多考慮水資源因素
可能推高水資源豐富地區的土地/電力成本
水處理和回收技術的附加價值上升

3. 間接用水（WUE Source）納入核算 = 全鏈路最佳化

可再生能源佔比高的地區 WUE Source 更優
風電/光伏豐富且水資源充足的地區（如北歐、加拿大魁北克）具備雙重優勢

風險因素

風險	說明
WUE 標準化程度不足	不同廠商統計口徑差異大，可比性受限
水價過低導致激勵不足	部分地區水價不反映真實稀缺性
技術替代不確定性	空氣冷卻效率提升可能減少液冷滲透率
政策執行力度不一	各地區水資源管制差異大

常見誤讀糾偏

❌ 誤讀一：「WUE 為 0 就是完美方案」

糾偏：WUE = 0 只代表現場零水耗，不意味著環境影響為零。

全風冷方案通常 PUE 更高（1.4-1.8），意味著更多電力消耗 → 間接用水（WUE Source 可能更高）+ 更多碳排放
在水資源充足但電力緊張的地區，適度用水換取更低的 PUE 和碳排放可能是更優的系統性選擇
WUE 和 PUE 之間存在 trade-off，需要系統級最佳化，不能孤立看待單一指標

❌ 誤讀二：「液冷一定比風冷省水」

糾偏：液冷降低的是冷卻塔的負擔，但液冷系統末端的散熱方式才決定 WUE。

如果液冷系統末端仍用冷卻塔散熱 → WUE 仍然為正
如果液冷系統末端用乾冷器 → WUE ≈ 0，但乾冷器在炎熱環境中散熱能力有限，可能需要更大的面積或更多風扇功耗
液冷是降低 WUE 的”前提條件”之一，但不是充分條件

❌ 誤讀三：「AI 訓練消耗了天量水資源，是 AI 的原罪」

糾偏：需要區分口徑。

學術估算中的高水耗數字通常包含間接用水（發電側），且依賴大量假設（電網型別、發電效率等）
實際資料中心現場的直接水耗取決於冷卻方案，全風冷或閉環液冷可大幅降低
問題的核心不是 AI 本身，而是”在哪裡、用什麼方案建資料中心”

❌ 誤讀四：「PUE 好的公司 WUE 一定好」

糾偏：不一定。

Google 在炎熱地區的資料中心可能用大量水蒸發冷卻來實現低 PUE → PUE 好但 WUE 高
有些資料中心為了追求低 PUE 而大量使用蒸發冷卻，WUE 反而不理想
兩者獨立最佳化，理想狀態是雙低，但現實中常常此消彼長

學習路徑

入門（1-2 小時）

瞭解 WUE 定義和公式 → The Green Grid 官方文件
閱讀 Google / Microsoft 最新年度可持續發展報告中的 WUE 章節
理解 PUE 與 WUE 的區別

進階（半天-1天）

閱讀 ISO 30134-3 標準概要（瞭解 WUE Site / Source / Corporate 三種口徑）
學習冷卻塔工作原理和蒸發冷卻熱力學基礎
瞭解液冷系統架構（冷板式 vs 浸沒式）及其 WUE 影響路徑

專家級（1-2 周）

研讀 Ren et al. (2023) “Making AI Less ‘Thirsty’” 論文（理解 AI 水耗估算方法論及其侷限性）
分析不同氣候區的溼球溫度對冷卻效率和 WUE 的量化影響
研究各主要雲端廠商的 ESG 報告，比較 WUE 口徑差異
關注美國各州資料中心用水政策動態（Virginia、Arizona、Texas）
瞭解水資源定價機制和水權交易市場

一句話總結

WUE 是資料中心”每度電燒掉多少水”的效率標尺，在 AI 算力需求爆炸與全球水資源約束加劇的雙重壓力下，正從邊緣 ESG 指標升級為核心選址與架構決策因子；液冷 + 乾冷器是實現 WUE 趨零的主技術路徑，但需與 PUE、碳排放做系統級聯合最佳化。

延伸閱讀與來源

來源	內容	說明
The Green Grid, 2011	”Water Usage Effectiveness (WUE): A Green Grid Data Center Sustainability Metric”	WUE 定義的原始白皮書
ISO 30134-3	Information technology — Data centres — Key performance indicators — Part 3: Renewable Energy Factor (REF)	WUE 國際標準化檔案
Google Environmental Report	年度可持續發展報告，含 WUE 揭露	官方資料來源，建議查閱最新版
Microsoft Sustainability Report	年度 ESG 報告，含 WUE 及 water positive 目標	官方資料來源
Ren et al., 2023	”Making AI Less ‘Thirsty”: Uncovering and Addressing the Hidden Water Footprint of AI Models” (arXiv: 2304.03271)	AI 水耗學術估算，需注意方法論假設
Uptime Institute	資料中心行業年度調研，含冷卻方案與效率指標趨勢	行業基準參考
ASHRAE TC 9.9	Thermal Guidelines for Data Processing Environments	資料中心環境與冷卻設計指南
IEA (國際能源署)	Data Centres and Data Transmission Networks 相關報告	含能源與資源消耗的宏觀分析

⚠️ 資料準確性宣告：本文中的具體數字均來自上述公開來源或行業估算區間。因聯網檢索本次未成功獲取最新資料，部分數字（尤其是各廠商 WUE 揭露值）可能基於較早年度的公開報告。建議讀者參考各企業最新年度 ESG/可持續發展報告獲取即時資料。所有明確標註 [估算] 或 [學術估算] 的數字均應作為量級參考，而非精確引用。