2025年，微軟、Google、亞馬遜、Meta 四大科技巨頭合計宣布超過 3,000 億美元的資料中心投資計畫。這些設施不只是伺服器廠房，它們是耗電怪獸——每一個大型 AI 資料中心園區的用電量，相當於一座中型城市。隨著 AI 推論請求的爆炸性成長，全球電網正承受前所未有的新壓力，電力供應問題已從環保議題升格為國家安全議題。
一、AI 用電：到底多少？
要理解 AI 的電力消耗規模，先從幾個具體數字出發：
| 操作 | 估計耗電量 | 對比 |
|---|---|---|
| Google 搜尋一次 | 約 0.3 Wh | 基準值 |
| ChatGPT 對話一次 | 約 3 Wh | Google 搜尋的 10 倍 |
| 生成一張 AI 圖片 | 約 2.9 Wh | 手機充電 20 分鐘 |
| 訓練 GPT-3（一次） | 約 1,287 MWh | 美國家庭 120 年用電 |
| 訓練 GPT-4（估計） | 約 50,000+ MWh | 台灣新竹市約 5 天用電 |
根據國際能源署（IEA）2025年報告，全球資料中心的用電量在 2026 年預計達到 1,000 TWh（兆瓦時），佔全球總用電量的約 3.5%。這個數字在 2020 年還不到 200 TWh，六年成長超過 5 倍。
二、為什麼 AI 這麼耗電？
1. GPU 的物理特性：高效能 = 高耗電
訓練 AI 模型的主力 GPU（如 NVIDIA H100）單張功耗高達 700 瓦，一個 AI 訓練叢集通常由數千張 GPU 組成。以 10,000 張 H100 組成的叢集為例，光 GPU 本身的峰值功耗就達到 7 百萬瓦（7 MW），加上冷卻、網路、儲存設備，整體功耗可達 15–20 MW。這相當於一座中型資料中心 24 小時不間斷運轉的電力需求。
2. 推論需求爆炸：訓練只是冰山一角
很多人以為 AI 的電力主要花在「訓練」，但實際上，訓練只發生一次，而「推論」（使用模型回答問題）是持續進行的。ChatGPT 每天有超過 1 億次對話，每次都需要 GPU 運算。隨著 AI 助理嵌入搜尋引擎、辦公軟體、手機 App，推論的累積用電量正在超越訓練。
3. 冷卻系統：用電的隱藏大戶
GPU 運算會產生大量熱能，資料中心需要精密的冷卻系統維持設備運作溫度。傳統風冷系統的 PUE（電源使用效率）約在 1.4–1.6，意味著每消耗 1 瓦計算電力，就需要額外 0.4–0.6 瓦的冷卻電力。液冷技術可將 PUE 降至 1.1 以下，這也是 2025–2026 年資料中心建設的主要技術趨勢。
三、各國的電力衝擊與應對策略
美國：核電復興與「AI 電力優先」政策
2025年，美國政府宣布重啟 Three Mile Island 等多座核電廠，以確保 AI 資料中心的穩定電力供應。微軟直接與 Constellation Energy 簽署 20 年的核電購電協議，Google 也與多家核電公司合作開發小型模組反應爐（SMR）。核能因其「零碳排放 + 穩定基載」的特性，成為 AI 時代的理想電源。
歐洲：能源危機的雙重壓力
歐洲在努力擺脫俄羅斯天然氣依賴的同時，又面臨 AI 資料中心的新增電力需求。愛爾蘭的資料中心在 2024 年消耗了該國約 21% 的總用電量，已引發電網穩定性的嚴重警告。部分歐洲國家開始對新建資料中心實施電力使用總量管制。
台灣：半導體 + AI 的雙重用電壓力
台灣面臨獨特的電力困境：
- 半導體製造本身就是耗電大戶：台積電一年用電量超過台灣總用電量的 8%
- AI 晶片需求帶動晶圓廠擴建：CoWoS 先進封裝、2nm 製程全面量產，電力需求持續攀升
- AI 服務業者在台設點：微軟、Google、AWS 相繼在台灣設立資料中心，台灣電網承受前所未有的壓力
- 2025 年廢核後的電力缺口：核一、核二、核三廠陸續除役，再生能源替代進度壓力倍增
四、AI 能源消耗的數據可視化
理解 AI 能源危機，離不開數據視覺化。以下是幾個值得追蹤的關鍵指標：
指標 1：全球資料中心用電佔比趨勢（折線圖）
- 2015年：約 1% 全球用電
- 2020年：約 1.5%
- 2025年：約 2.8%
- 2030年預估：約 5–10%（視 AI 發展速度而定）
指標 2：主要科技公司的 PUE 效率比較（長條圖）
- Google 全球平均 PUE：1.10（業界最佳之一）
- Microsoft 全球平均 PUE：1.18
- 業界平均 PUE：約 1.5–1.6
- PUE 每降低 0.1，等同於 6–10% 的能源節省
指標 3：AI 訓練耗電的指數成長（對數刻度圖）
從 AlexNet（2012 年，約 0.01 MWh）到 GPT-4（2023 年，估計 50,000+ MWh），AI 模型訓練耗電量在 10 年間成長了超過 500 萬倍，遠遠超越摩爾定律的硬體效率提升速度。
五、「綠色 AI」：解方還是公關？
面對外界批評，各大科技公司紛紛提出「永續 AI」計畫：
真實的進展
- 液冷技術普及：將 PUE 從 1.5 降至 1.1，節能效果顯著
- 再生能源採購：Google、Microsoft、Amazon 均宣示 24/7 碳無排放目標
- 模型效率提升：Mistral、Llama 等開源小模型，以更少電力達到可接受的效能
- 推論端優化：量化（Quantization）、蒸餾（Distillation）技術讓模型在更低功耗下運行
未解決的問題
- 「碳中和」數字的可信度：許多公司購買碳信用抵消，而非實際減排
- 用電成長速度超越效率改善：即使每次請求的用電持續下降，總用電量因需求暴增而上升
- 水資源消耗：液冷資料中心大量使用水冷卻，一個大型資料中心每天耗水量可達數百萬公升
六、個人觀點：AI 能源問題值得關注嗎？
對個人用戶而言，AI 能源危機並非遙不可及的議題：
- 電費帳單：資料中心用電需求推高電力市場需求，可能間接影響民用電費
- 科技公司的能源責任：你選擇使用哪個 AI 服務，間接影響對能源效率較高業者的市場支持
- 本地運算的崛起：Apple Silicon、Qualcomm Snapdragon 等晶片讓部分 AI 任務可在裝置端完成，無需送往雲端，減少資料中心負擔
- 開源小模型：LLaMA、Mistral 等本地運行的小模型，讓個人可以在自己的電腦上使用 AI，完全不依賴雲端資料中心
總結
- AI 資料中心的全球用電量在 2026 年預計突破 1,000 TWh，相當於日本全國用電量的約 1/3
- 每次 ChatGPT 對話消耗的電力是 Google 搜尋的 10 倍，推論需求的累積效應已超越訓練
- 美國選擇核能、歐洲面臨管制，台灣則在半導體與 AI 雙重耗電壓力下電網日趨緊張
- 「綠色 AI」計畫中的液冷、再生能源採購有實際進展，但整體用電成長仍遠超節能速度
- 本地端 AI（裝置端推論、開源小模型）是減輕資料中心負擔最直接的技術路徑