人工智慧擴張引發全球能源壓力隱憂

人工智慧的能源需求正迅速演變為一項艱鉅挑戰。此問題不僅涉及電費上漲，更伴隨重大環境後果，包括重要水源枯竭、電子廢棄物堆積，以及溫室氣體排放量增加。

隨著AI模型日益精進並融入日常生活，關鍵問題浮現：我們能否在不危及地球未來的前提下，持續推動這場技術革命？

證據顯示人工智慧能耗正加速攀升

先進人工智慧系統的運算需求正呈現驚人增長軌跡，部分估算顯示其每數月便會翻倍。這並非漸進式增長，而是可能超越最雄心勃勃能源生產策略的指數級飆升。

為凸顯其規模，未來AI能源需求可能很快達到日本、荷蘭等國家，或美國加州等主要州份的總用電量。此類對比凸顯了AI可能對全球電力基礎設施造成的潛在壓力。

2024年全球電力需求以創紀錄的4.3%增幅攀升，主要驅動力來自AI擴張、電動車普及及工業活動增長。

2022年，支援人工智慧與加密貨幣運算的資料中心已消耗全球近2%的電力——約460太瓦時。

至2024年，單是資料中心耗電量已達約415太瓦時，約佔全球用電量1.5%，且以每年12%的速度增長。人工智慧的直接耗電份額目前仍相對溫和，約為20太瓦時（佔全球能源消耗的0.02%），但此數字正處於快速擴張的臨界點。

預測顯示未來將出現顯著增長。至2025年末，全球人工智慧數據中心可能需要額外10吉瓦的電力容量——這將超過猶他州等州的總發電量。

展望2026年，全球數據中心用電量可能達到1,000太瓦時，相當於日本當前用電總量。至2027年，全球AI數據中心需求可能攀升至68吉瓦——幾乎與2022年加州總發電量持平。

本世紀末的預測數據更為驚人：全球數據中心用電量預計將於2030年翻倍至約945太瓦時，佔全球電力消耗比例將逼近3%。

石油輸出國組織（OPEC）估計，數據中心耗電量到2030年可能增至1,500太瓦時，而高盛預測全球數據中心電力需求將較2023年增長165%，其中AI專用基礎設施用電量更將激增逾四倍。

部分分析指出，若將向終端用戶提供AI服務所需的完整能源鏈納入考量，到2030年數據中心可能佔全球能源需求的21%。

人工智慧的能源消耗主要分為兩個階段：模型訓練與運算推論。

訓練GPT-4等巨型模型需投入龐大能源。GPT-3訓練耗電量估計達1,287百萬瓦時，而GPT-4所需能源可能達其五十倍。

儘管訓練階段耗能驚人，但運算推論通常佔AI總能耗足跡的80%以上。單次ChatGPT查詢的能耗約為標準Google搜尋的十倍（約2.9瓦特時對比0.3瓦特時）。

生成式人工智慧的蓬勃發展，正推動全球興建日益強大——因而也更耗能——的資料中心。

平衡人工智慧的能源需求與人類需求

這正是根本性挑戰：全球能源系統能否在維持現有服務的同時，容納這項新增需求？當前能源結構融合化石燃料、核能與再生能源。要支撐AI持續成長，必須快速擴充並多元化能源產能。

太陽能、風能、水力及地熱等再生能源是解決方案的關鍵要素。美國再生能源發電占比預計將從2024年的23%提升至2026年的27%。

科技企業正作出重大承諾：微軟計劃在2026至2030年間為數據中心採購10.5吉瓦的可再生能源。人工智慧技術本身可優化可再生能源利用，透過改進儲能管理與電網優化，在特定應用中將能耗降低高達60%。

然而，再生能源面臨固有挑戰。太陽能與風能間歇性發電特性，對需持續運轉的資料中心構成可靠性隱憂。現行儲能方案仍存在成本高昂與空間需求龐大的問題。將大型再生能源專案整合至現有電網基礎設施，亦涉及複雜的物流與法規調適。

核能作為穩定且低碳的能源方案，正因能滿足人工智慧龐大的能源需求而備受矚目。其持續發電特性與資料中心運作需求完美契合。小型模組化反應爐（SMR）因具備強化安全特性與部署彈性而引發高度關注。微軟、亞馬遜及谷歌等科技巨頭正積極探索核能選項。

亞馬遜雲端服務（AWS）執行長馬特·加曼近期接受BBC專訪時，將核能形容為資料中心的「絕佳解決方案」，稱其為「卓越的零碳、全天候電力來源」。他強調長期能源規劃是AWS營運的核心要素。

「我們會提前數年規劃，」加曼指出，「進行前瞻性投資。我認為世界需要發展新技術，核能將是重要組成部分，尤其在十年展望期內。」

然而核能仍面臨諸多挑戰。新建反應爐需耗費漫長時間、龐大成本及複雜監管程序。儘管現代安全技術已獲提升，公眾認知仍受歷史事故影響。

人工智慧的急速發展進程與核能基礎設施部署時程錯位，可能加劇短期對化石燃料的依賴。將數據中心集中部署於核設施周邊，亦引發區域電價波動及影響其他用戶電網可靠性的隱憂。

超越電力：人工智慧的廣泛環境影響

人工智慧的環境後果遠不止於電力消耗。資料中心冷卻系統消耗巨量水資源，平均設施每消耗1千瓦時能源約耗水1.7公升。

據報導，2022年谷歌數據中心消耗約50億加侖淡水，較前一年增長20%。部分估算顯示，數據中心每千瓦時冷卻作業可能耗水達兩公升。換言之，全球人工智慧基礎設施的用水量可能很快達到丹麥全國總用水量的六倍。

電子廢棄物問題同樣日益嚴峻。人工智慧硬體的快速迭代——尤其是GPU與TPU等專用元件——加速了設備淘汰週期。至2030年，資料中心產生的AI相關電子廢棄物可能達到每年五百萬公噸。

製造人工智慧晶片與資料中心元件同樣伴隨環境後果，需透過常破壞生態的方式開採鋰、鈷等關鍵礦物。

單顆人工智慧晶片的生產過程，耗水量可超過1,400公升，耗電量則達3,000度。先進硬體的需求正驅動半導體工廠擴建，此類擴建往往伴隨新建天然氣發電廠。

碳排放仍是重大隱憂。當人工智慧運轉所用電力來自化石燃料時，將直接加劇氣候變遷。訓練單一大型人工智慧模型所產生的碳排放量，相當於數百個美國家庭的年排放總和。

企業永續報告揭示了AI日益擴大的碳足跡：微軟2020至2023年間排放量增長約40%，主要源於AI資料中心建設；谷歌五年內溫室氣體排放量攀升近50%，歸因於AI基礎設施的電力需求激增。

技術創新潛在解決方案

儘管趨勢令人憂慮，多條創新路徑仍提供潛在緩解策略。

開發更節能的人工智慧演算法是關鍵領域。研究進展包括模型修剪（移除冗餘神經網路元件）、量化（採用低精度運算降低能源需求）及知識蒸餾（運用大型模型輸出訓練精簡模型）等技術。針對特定任務開發更精簡的專用模型亦能降低耗電量。

在數據中心層面，實施電力上限控制（限制硬體最大功耗）與動態資源調度（依據即時需求及可再生能源供應調整運算資源）等策略，可顯著提升效能。具備AI感知能力的排程軟體能將非關鍵運算任務延後至清潔能源供應充足或電網需求低谷時段執行。AI系統亦可優化數據中心冷卻效率。

裝置端人工智慧處理提供另一種節能途徑。相較於將資料傳輸至耗能的雲端資料中心，運算直接在智慧型手機或邊緣裝置上執行。此方法能大幅降低能源消耗，因專用晶片優先考量效率而非原始效能。

監管框架日益重要。各國政府正逐漸意識到，需對人工智慧的能源消耗與環境影響建立問責機制。

建立標準化的AI環境足跡測量與報告方法，是至關重要的第一步。政策激勵措施可推動耐用且可回收的硬體設計，從而緩解電子廢棄物問題；能源信用交易系統則能為採用綠色AI技術創造財務誘因。

近期發展凸顯這些議題的全球關聯性。阿拉伯聯合大公國與美國近期達成協議，將在海灣地區建造美國境外最大的人工智慧園區。此計畫不僅彰顯人工智慧日益增長的國際重要性，更強調為何在大型人工智慧基礎設施規劃中必須優先考量能源與環境因素。

為人工智慧發展規劃永續之路

人工智慧蘊含巨大正向轉型潛力，但其龐大能源需求構成嚴峻挑戰。預測顯示其耗能規模可媲美國家級別，實屬警訊。

滿足此需求需採取多元能源策略。再生能源雖具長期發展潛力，卻面臨穩定性與擴展性限制。核能——包含新興小型模塊化反應堆技術——提供可靠的低碳替代方案，正吸引科技產業高度關注，然安全、成本及建置時程等挑戰仍存。

全面環境評估必須超越電力範疇，涵蓋冷卻用水、硬體相關電子廢棄物產生，以及製造過程中的資源利用。要解決人工智慧的完整生態足跡，必須進行整體性評估。

所幸眾多具潛力的發展已然展開。

節能演算法、智慧型資料中心電力管理、工作負載感知調度軟體及分散式人工智慧處理技術，皆有助降低能源消耗。隨著各界日益關注人工智慧的環境影響，以永續發展為核心的政策討論正持續升溫。

解決人工智慧的能源與環境挑戰，需要研究機構、科技企業與政策制定者以適當緊迫感展開協調行動。

透過優先考量人工智慧開發的能源效率、投資永續能源基礎建設、實施負責任的硬體生命週期管理，以及建立支持性政策框架，我們得以在不損害地球健康的前提下，實現人工智慧的變革潛能。

人工智慧領導權的競爭，必須同步轉化為邁向永續人工智慧實踐的競賽。

另請參閱：AI工具加速政府反饋，專家呼籲謹慎使用

想向業界領袖深入了解人工智慧與大數據？歡迎參與於阿姆斯特丹、加州及倫敦舉辦的「人工智慧與大數據博覽會」。此綜合性活動將與「智慧自動化大會」、「區塊鏈博覽會」、「數位轉型週」及「網路安全與雲端博覽會」等頂尖盛會同期舉行。

探索TechForge主辦的其他企業科技活動與線上研討會，請點擊此處。