ประสิทธิภาพการใช้น้ำ: การระบายความร้อนศูนย์ข้อมูล AI โดยไม่เกิดวิกฤต

อัปเดต 11 ธันวาคม 2025

อัปเดตธันวาคม 2025: Microsoft กำลังติดตั้งระบบระบายความร้อนแบบวงจรปิดที่ไม่มีการระเหยของน้ำ—ขจัดการใช้น้ำแบบระเหยและลดการใช้น้ำมากกว่า 125 ล้านลิตรต่อสถานที่ต่อปี ศูนย์ข้อมูล AI ใช้น้ำระบายความร้อนมากกว่าฟาร์มเซิร์ฟเวอร์แบบดั้งเดิม 10-50 เท่า สถานที่ของ Google ใช้น้ำเฉลี่ย 550,000 แกลลอนต่อวัน การฝึก GPT-3 ทำให้น้ำจืดระเหยไป 700,000 ลิตร การออกแบบที่ไม่ใช้น้ำกำลังกลายเป็นทิศทางของอุตสาหกรรม

ศูนย์ข้อมูลใหม่ของ Microsoft จะใช้ระบบระบายความร้อนแบบวงจรปิดที่ไม่มีการระเหยของน้ำ ซึ่งขจัดความจำเป็นในการใช้น้ำแบบระเหยโดยสิ้นเชิง¹ เมื่อเติมน้ำหล่อเย็นตอนก่อสร้างแล้ว ระบบจะหมุนเวียนน้ำหล่อเย็นอย่างต่อเนื่อง ลดการใช้น้ำประจำปีมากกว่า 125 ล้านลิตรต่อสถานที่ การออกแบบนี้แสดงถึงการเปลี่ยนแปลงครั้งสำคัญในวิธีที่โครงสร้างพื้นฐาน AI จัดการกับการใช้น้ำ—จากการยอมรับการใช้น้ำปริมาณมากไปสู่การออกแบบเพื่อกำจัดมันออกไป

ศูนย์ข้อมูล AI ใช้น้ำระบายความร้อนมากกว่าฟาร์มเซิร์ฟเวอร์แบบดั้งเดิม 10-50 เท่า² ขนาดนี้สร้างความกังวลด้านความยั่งยืนอย่างแท้จริง: ศูนย์ข้อมูลของ Google ใช้น้ำเฉลี่ย 550,000 แกลลอนต่อวันต่อสถานที่ และการฝึก GPT-3 เพียงอย่างเดียวทำให้น้ำจืดระเหยไป 700,000 ลิตร³ องค์กรที่สร้างโครงสร้างพื้นฐาน AI เผชิญแรงกดดันที่เพิ่มขึ้นจากหน่วยงานกำกับดูแล ชุมชน และพันธกิจด้านความยั่งยืนของตนเองในการจัดการกับการใช้น้ำ การทำความเข้าใจประสิทธิภาพการใช้น้ำ (Water Usage Effectiveness หรือ WUE) และเทคโนโลยีที่ขับเคลื่อนการระบายความร้อนแบบไม่ใช้น้ำช่วยนำทางในภูมิทัศน์ที่พัฒนาอยู่นี้

ทำความเข้าใจ WUE

The Green Grid ได้แนะนำประสิทธิภาพการใช้น้ำในปี 2011 เป็นตัวชี้วัดมาตรฐานสำหรับการใช้น้ำในศูนย์ข้อมูล⁴ เช่นเดียวกับประสิทธิภาพการใช้พลังงาน (Power Usage Effectiveness หรือ PUE) สำหรับพลังงาน WUE ให้มาตรฐานอ้างอิงสำหรับการเปรียบเทียบประสิทธิภาพการใช้น้ำระหว่างสถานที่ต่างๆ

การคำนวณ WUE

WUE วัดลิตรของน้ำที่ใช้ต่อกิโลวัตต์-ชั่วโมงของพลังงานอุปกรณ์ IT:

WUE = ปริมาณน้ำที่ใช้ต่อปีของสถานที่ (ลิตร) / พลังงานอุปกรณ์ IT ต่อปี (kWh)

สูตรนี้ครอบคลุมการใช้น้ำทั้งหมด—น้ำเติมหอระบายความร้อน การเพิ่มความชื้น และการใช้น้ำในการดำเนินงานอื่นๆ—เทียบกับการประมวลผลจริงที่ส่งมอบ

ตัวอย่างการคำนวณ:

การใช้น้ำของสถานที่: 50 ล้านลิตร/ปี
การใช้พลังงาน IT: 100 ล้าน kWh/ปี
WUE = 50,000,000 / 100,000,000 = 0.5 L/kWh

มาตรฐาน WUE

WUE ในอุดมคติ: 0.0 L/kWh สถานที่ที่ใช้การระบายความร้อนด้วยอากาศโดยไม่ใช้การระบายความร้อนแบบระเหยสามารถบรรลุการใช้น้ำเป็นศูนย์ได้ ข้อแลกเปลี่ยน: การใช้พลังงานและ PUE ที่สูงขึ้น

ค่าเฉลี่ยอุตสาหกรรม: 1.8-1.9 L/kWh ศูนย์ข้อมูลส่วนใหญ่อยู่ในช่วงนี้ โดยใช้การระบายความร้อนแบบระเหยที่แลกน้ำเพื่อประสิทธิภาพพลังงาน⁵

ระดับดีที่สุดในอุตสาหกรรม: 0.3-0.7 L/kWh ศูนย์ข้อมูลของ NREL บรรลุ 0.7 L/kWh พร้อมกับ PUE 1.06 แสดงให้เห็นว่า WUE ต่ำไม่จำเป็นต้องเสียสละประสิทธิภาพพลังงาน⁶

ความแตกต่างตามภูมิภาค: WUE ของ Microsoft แตกต่างกันอย่างมากตามสถานที่—แอริโซนาทำงานที่ 1.52 L/kWh ในขณะที่สิงคโปร์บรรลุ 0.02 L/kWh⁷ สภาพอากาศ ความพร้อมของน้ำ และเทคโนโลยีระบายความร้อนล้วนมีอิทธิพลต่อ WUE ที่สามารถบรรลุได้

การแลกเปลี่ยนระหว่าง WUE และ PUE

WUE และ PUE มักเคลื่อนไหวสวนทางกัน:

การระบายความร้อนด้วยอากาศ: ไม่ใช้น้ำ (WUE = 0) แต่ใช้พลังงานสูงกว่า (PUE 1.4-1.8)

การระบายความร้อนแบบระเหย: ใช้น้ำมาก (WUE 1.5-2.5) แต่ประสิทธิภาพพลังงานดีกว่า (PUE 1.1-1.3)

การระบายความร้อนด้วยของเหลว: ใช้น้ำน้อยมากในการออกแบบวงจรปิด (WUE ใกล้ 0) พร้อมประสิทธิภาพพลังงานที่ยอดเยี่ยม (PUE 1.05-1.2)

การระบายความร้อนด้วยของเหลวทำลายการแลกเปลี่ยนแบบดั้งเดิม ทำให้ได้ทั้ง WUE ต่ำและ PUE ต่ำ—ซึ่งอธิบายการนำมาใช้อย่างรวดเร็วสำหรับโครงสร้างพื้นฐาน AI

ความท้าทายด้านการใช้น้ำของ AI

ปริมาณงาน AI สร้างความต้องการน้ำที่ไม่เคยมีมาก่อนผ่านการรวมกันของความหนาแน่นพลังงานที่สูงขึ้นและการทำงานอย่างต่อเนื่อง

ขนาดของการใช้

การใช้น้ำของ Hyperscaler เติบโตอย่างมากพร้อมกับการขยายตัวของ AI:

Google: ใช้ 24,227 เมกะลิตรในปี 2023—สามเท่าของการใช้ของ Microsoft และเติบโต 17% ต่อปี⁸

Microsoft: 7,844 เมกะลิตรในปี 2023 โดย 41% ใช้ในพื้นที่ขาดแคลนน้ำ การดำเนินงานทั่วโลกใช้น้ำเกือบ 6.4 ล้านลูกบาศก์เมตร เพิ่มขึ้น 34% เมื่อเทียบปีต่อปี⁹

การคาดการณ์อุตสาหกรรม: การใช้น้ำคาดว่าจะถึง 1,068 พันล้านลิตรต่อปีภายในปี 2028—เพิ่มขึ้น 11 เท่าจากระดับปัจจุบัน¹⁰

ปัจจัยเฉพาะของ AI

ปริมาณงาน AI ขับเคลื่อนการใช้น้ำที่สูงขึ้นผ่านกลไกหลายอย่าง:

ความหนาแน่นพลังงาน: แร็ค GPU ทำงานที่ 50-135 kW เทียบกับ 10-20 kW สำหรับเซิร์ฟเวอร์แบบดั้งเดิม ความร้อนที่ออกมามากขึ้นต้องการการระบายความร้อนที่เข้มข้นมากขึ้น

การทำงานอย่างต่อเนื่อง: การฝึกที่ดำเนินไปเป็นสัปดาห์หรือเดือนสร้างภาระความร้อนที่ต่อเนื่องโดยไม่มีช่วงว่างเว้นแบบปริมาณงานองค์กรทั่วไป

การเติบโตของ Inference: การปรับใช้ AI ในการผลิตรัน inference อย่างต่อเนื่อง สร้างความต้องการระบายความร้อน 24/7 ที่สะสมการใช้น้ำ

ผลกระทบต่อคำถาม: นักวิจัยที่ UC Riverside ประมาณว่าแต่ละ prompt AI 100 คำใช้น้ำประมาณ 519 มิลลิลิตร—ประมาณหนึ่งขวดต่อการโต้ตอบ¹¹

ความเข้มข้นทางภูมิศาสตร์

ความเครียดด้านน้ำทวีความรุนแรงในภูมิภาคที่มีการลงทุนโครงสร้างพื้นฐาน AI หนัก:

แอริโซนา: มี Hyperscaler หลักในสภาพอากาศทะเลทรายที่มีทรัพยากรน้ำจำกัด สถานที่ในแอริโซนาของ Microsoft ทำงานที่ WUE 1.52 L/kWh—สูงที่สุดในโลก

โอเรกอน: การแพร่กระจายของศูนย์ข้อมูลสร้างความตึงเครียดต่อทรัพยากรน้ำในชุมชนที่พึ่งพาแหล่งเดียวกันสำหรับเกษตรกรรมและที่อยู่อาศัย

การขยายตัวทั่วโลก: Hyperscaler เผชิญคำวิจารณ์สำหรับการสร้างสถานที่ที่ใช้น้ำมากในภูมิภาคที่มีแนวโน้มแห้งแล้งขณะที่ดำเนินพันธกิจเป็น water-positive¹²

เทคโนโลยีระบายความร้อนและประสิทธิภาพการใช้น้ำ

การระบายความร้อนแบบระเหยดั้งเดิม

การระบายความร้อนแบบระเหยยังคงเป็นเทคโนโลยีหลักในศูนย์ข้อมูลที่มีอยู่:

วิธีการทำงาน: น้ำดูดซับความร้อนขณะระเหย ถ่ายโอนพลังงานความร้อนจากสถานที่สู่บรรยากาศ หอระบายความร้อนระเหยน้ำอย่างต่อเนื่องเพื่อระบายความร้อนจากศูนย์ข้อมูล

การใช้น้ำ: ระบบระเหยใช้ 1.5-3.0 L/kWh ขึ้นอยู่กับสภาพอากาศและประสิทธิภาพ

ข้อได้เปรียบด้านพลังงาน: การระบายความร้อนแบบระเหยลดการทำงานของคอมเพรสเซอร์ ปรับปรุง PUE 15-30% เทียบกับการระบายความร้อนเชิงกลในสภาพอากาศที่เหมาะสม

ข้อจำกัด: การใช้น้ำสูง ความต้องการการบำบัดน้ำเติม และความเสี่ยงจากเชื้อ Legionella จากหอระบายความร้อน

ทางเลือกการระบายความร้อนด้วยอากาศ

สถานที่ที่ระบายความร้อนด้วยอากาศขจัดการใช้น้ำแต่เสียสละประสิทธิภาพพลังงาน:

การระบายความร้อนเชิงกล: ระบบที่ใช้คอมเพรสเซอร์ระบายความร้อนโดยไม่มีการระเหยของน้ำ ใช้พลังงานสูงกว่า (PUE 1.4+) แต่ไม่ใช้น้ำ

Free cooling: ใช้อากาศภายนอกโดยตรงเมื่ออุณหภูมิภายนอกอนุญาต มีประสิทธิภาพในสภาพอากาศเย็นแต่มีข้อจำกัดในการใช้งานสำหรับโครงสร้างพื้นฐาน AI ในการกำหนดค่าความหนาแน่นสูง

เหมาะสำหรับ: ภูมิภาคที่ขาดแคลนน้ำที่การอนุรักษ์น้ำสำคัญกว่าการพิจารณาประสิทธิภาพพลังงาน

การระบายความร้อนด้วยของเหลวโดยตรงที่ชิป

การระบายความร้อนด้วยของเหลวเป็นเทคโนโลยีก้าวหน้าที่ทำให้ได้ทั้งประสิทธิภาพน้ำและพลังงาน:

วิธีการทำงาน: แผ่นระบายความร้อนติดตั้งโดยตรงบน CPU, GPU, โมดูลหน่วยความจำ และตัวควบคุมแรงดันไฟฟ้า ระบบวงจรปิดหมุนเวียนน้ำหล่อเย็นผ่านแผ่นเหล่านี้ ระบายความร้อนที่แหล่งกำเนิดก่อนที่จะกระจายสู่อากาศ¹³

การใช้น้ำ: การออกแบบวงจรปิดไม่ใช้น้ำในการทำงานปกติ ระบบเติมครั้งเดียวตอนก่อสร้างและหมุนเวียนอย่างต่อเนื่อง

ประสิทธิภาพพลังงาน: การระบายความร้อนด้วยของเหลวบรรลุ PUE ต่ำกว่า 1.2 ในขณะที่ขจัดการใช้น้ำโดยสิ้นเชิง¹⁴

การนำไปใช้ของ NVIDIA: ระบบระบายความร้อนด้วยของเหลวระดับแร็ค GB200 NVL72 ให้ประสิทธิภาพน้ำดีกว่าสถาปัตยกรรมระบายความร้อนด้วยอากาศแบบดั้งเดิม 300 เท่า¹⁵

การระบายความร้อนแบบสองเฟส

การระบายความร้อนด้วยของเหลวขั้นสูงใช้การเปลี่ยนเฟสเพื่อประสิทธิภาพสูงสุด:

วิธีการทำงาน: ของเหลว dielectric ที่สูตรพิเศษ (จากซัพพลายเออร์เช่น Honeywell และ Chemours) เดือดที่อุณหภูมิต่ำถึง 18°C การเปลี่ยนเฟสดูดซับพลังงานความร้อนจำนวนมาก ให้การระบายความร้อนที่มีประสิทธิภาพมากกว่าระบบของเหลวเฟสเดียว¹⁶

การทำงานไม่ใช้น้ำ: เทคโนโลยี HyperCool ของ ZutaCore ระบายความร้อนโดยตรงที่แหล่งกำเนิด ขจัดการใช้น้ำและลดการใช้พลังงานถึง 82%¹⁷

ข้อได้เปรียบด้านความปลอดภัย: ของเหลว dielectric จะไม่ทำลายอุปกรณ์อิเล็กทรอนิกส์หากรั่ว ต่างจากน้ำหล่อเย็นที่ใช้น้ำ

การระบายความร้อนแบบแช่

การแช่เต็มรูปแบบให้โซลูชันความหนาแน่นความร้อนสูงสุด:

การแช่เฟสเดียว: เซิร์ฟเวอร์จมอยู่ในของเหลว dielectric ที่ดูดซับความร้อนผ่านการพาความร้อน ไม่ต้องการน้ำ

การแช่สองเฟส: เซิร์ฟเวอร์จมอยู่ในของเหลวที่มีจุดเดือดต่ำที่เดือดอย่างมีประสิทธิภาพติดกับส่วนประกอบที่ผลิตความร้อน ให้การระบายความร้อนที่มีประสิทธิภาพสูงมาก

การนำมาใช้: Microsoft, Google และ Meta ได้นำการระบายความร้อนแบบแช่มาใช้สำหรับโครงสร้างพื้นฐานฝึก AI ที่มีความหนาแน่นสูงสุด

กลยุทธ์ด้านน้ำของ Hyperscaler

เส้นทางสู่ Water-Positive ของ Microsoft

Microsoft มุ่งมั่นที่จะเป็น water-positive ภายในปี 2030—เติมน้ำมากกว่าที่ใช้ในการดำเนินงานทั่วโลก:¹⁸

การติดตั้งการระบายความร้อนแบบไม่ใช้น้ำ: การระบายความร้อนด้วยของเหลวระดับชิปแบบวงจรปิดขจัดน้ำแบบระเหยโดยสิ้นเชิง กำลังทดสอบในฟีนิกซ์ แอริโซนา และ Mt. Pleasant วิสคอนซิน คาดว่าจะเริ่มดำเนินการในปี 2026 ภายในปลายปี 2027 การระเหยน้ำเป็นศูนย์จะกลายเป็นมาตรฐานทั่วศูนย์ข้อมูลใหม่

ผลกระทบต่อสถานที่: สถานที่ไม่ใช้น้ำแต่ละแห่งลดการใช้ประจำปีมากกว่า 125 ล้านลิตรเมื่อเทียบกับการออกแบบแบบระเหย

โครงการเติมน้ำ: โครงการฟื้นฟูน้ำในชุมชนที่ขาดแคลนน้ำชดเชยการใช้ของสถานที่ที่มีอยู่

ผลการดำเนินงานปี 2023: ใช้ 7,844 เมกะลิตร แม้ว่า 41% อยู่ในพื้นที่ขาดแคลนน้ำเน้นย้ำถึงความท้าทายของโครงสร้างพื้นฐานที่มีอยู่

พันธกิจการเติมน้ำของ Google

Google ให้คำมั่นที่จะเติมน้ำ 120% ของที่ใช้ภายในปี 2030:¹⁹

ประสิทธิภาพการดำเนินงาน: ปรับปรุงประสิทธิภาพการระบายความร้อนทั่วสถานที่ที่มีอยู่เพื่อลดการใช้พื้นฐาน

หุ้นส่วนลุ่มน้ำ: ร่วมมือกับชุมชนและองค์กรเพื่อเติมน้ำที่ใช้และปรับปรุงสุขภาพลุ่มน้ำ

การลงทุนด้านเทคโนโลยี: สนับสนุนความมั่นคงด้านน้ำผ่านเทคโนโลยีและนวัตกรรมนอกเหนือจากการดำเนินงานโดยตรง

การใช้ปี 2023: 24,227 เมกะลิตร—สูงที่สุดในบรรดา Hyperscaler รายใหญ่ สะท้อนขนาดศูนย์ข้อมูลของ Google

การมุ่งเน้นประสิทธิภาพของ Meta

Meta มุ่งมั่นสู่ water positivity ภายในปี 2030 โดยเน้นประสิทธิภาพการดำเนินงาน:²⁰

แนวปฏิบัติการก่อสร้าง: ใช้น้ำรีไซเคิลสำหรับการก่อสร้างและนำแนวปฏิบัติที่ดีที่สุดมาใช้เพื่อลดความต้องการน้ำในการก่อสร้าง

การรีไซเคิลในสถานที่: รีไซเคิลน้ำภายในสถานที่หลายครั้งก่อนปล่อย

ประสิทธิภาพการดำเนินงาน: ศูนย์ข้อมูลเป็นสัดส่วนหลักของการใช้น้ำของ Meta ทำให้การปรับปรุงการดำเนินงานเป็นคันโยกหลัก

ค่าพื้นฐานต่ำกว่า: 2,938 เมกะลิตรในปี 2023—น้อยกว่า Google หรือ Microsoft อย่างมาก สะท้อนขนาดโครงสร้างพื้นฐานที่แตกต่างกัน

การเข้ามาช้าของ AWS

AWS มุ่งมั่นสู่ water positivity ภายในปี 2030 ที่ re:Invent 2024:²¹

การนำ Direct-to-chip มาใช้: AWS ติดตั้งแผ่นระบายความร้อนโดยตรงบนชิปพร้อมการหมุนเวียนวงจรปิด ขจัดการเพิ่มขึ้นของการใช้น้ำจากโครงสร้างพื้นฐาน AI ใหม่

ของเหลวที่ออกแบบมา: ใช้ของเหลวระบายความร้อนที่สูตรพิเศษแทนน้ำ หลีกเลี่ยงการสูญเสียจากการระเหยโดยสิ้นเชิง

การเติมน้ำชุมชน: คืนน้ำให้ชุมชนมากกว่าที่การดำเนินงานโดยตรงใช้

แนวปฏิบัติที่ดีที่สุดในการดำเนินงาน

การวัดและการติดตาม

การจัดการน้ำที่มีประสิทธิภาพต้องการการวัดที่ครอบคลุม:

โครงสร้างพื้นฐานการวัด: ติดตั้งมิเตอร์ย่อยสำหรับหอระบายความร้อน ระบบเพิ่มความชื้น และอุปกรณ์ที่ใช้น้ำอื่นๆ การรวมรายเดือนหรือรายปีให้ WUE ที่เป็นตัวแทนมากกว่าภาพรวมรายวัน²²

การติดตามแบบเรียลไทม์: ติดตามการใช้น้ำพร้อมกับอุณหภูมิ ความชื้น และภาระ IT เพื่อระบุโอกาสในการปรับปรุง

การกำหนดค่าพื้นฐาน: บันทึก WUE ปัจจุบันก่อนดำเนินการปรับปรุงเพื่อวัดผลกระทบอย่างแม่นยำ

การปรับอุณหภูมิและความชื้นให้เหมาะสม

การปรับพารามิเตอร์สิ่งแวดล้อมลดการใช้น้ำ:

เพิ่มจุดตั้งค่าอุณหภูมิ:

[เนื้อหาถูกตัดสำหรับการแปล]