AI 碳排：為什麼它會加劇氣候變遷
模型規模競賽：參數越多，耗能越高
過去幾年，AI 產業陷入了一場沒有終點的「規模競賽」。從早期的數億參數模型，到後來的數千億參數，再到現在動輒上兆參數的巨型模型，每一次規模躍升都代表著訓練成本與推論成本的倍增。為什麼廠商要這樣做？因為在許多任務上，模型越大、表現越好，這使得「加大模型」成為最直接有效的競爭策略。
但規模競賽的代價，就是能源消耗的線性甚至超線性成長。訓練一個更大的模型，需要更多的 GPU、更長的訓練時間、更多的電力與冷卻資源。而且模型變大之後，推論時每次運算所需的資源也跟著增加。這形成了一個惡性循環：模型越大，用電越多；用電越多，碳排越高；而碳排越高，氣候變遷就越嚴重。
有人會說，摩爾定律與硬體效率的提升，應該可以抵銷規模成長帶來的耗能吧？遺憾的是，實際情況並不樂觀。雖然單顆晶片的能源效率確實在進步，但模型規模的成長速度往往快過效率提升的速度。這就是所謂的「杰文斯悖論」（Jevons Paradox）：效率提升反而讓使用量增加，最終總消耗不減反增。當 AI 變得更便宜、更強大，就會有更多應用被開發出來，整體能源需求自然持續攀升。
生成式 AI 的普及與推論需求爆炸
如果說模型規模競賽是「供給面」的耗能推手，那麼生成式 AI 的普及就是「需求面」的耗能引擎。自從生成式 AI 走入大眾市場，AI 不再只是實驗室裡的研究工具，而是成為數億人日常使用的生產力工具。寫文案、做簡報、寫程式、生成圖片、整理會議紀錄，這些過去需要人力的工作，現在都交給 AI 處理。
每一次使用，都是一次推論運算；每一次推論運算，都消耗電力。當 AI 被整合進搜尋引擎、辦公軟體、通訊軟體與作業系統，推論的頻率就從「偶爾使用」變成「無時無刻」。這種「背景式」的 AI 使用模式，讓能源消耗變得更加隱形，也更加難以估計。使用者往往不知道自己的每一次點擊、每一次語音指令，都在驅動遠端資料中心的耗能。
更值得關注的是，生成式 AI 的輸出往往比傳統 AI 更「長」。生成一段文字、一張高解析度圖片、甚至一段影片，所需的運算量遠高於傳統的分類或預測任務。當多模態 AI 開始普及，影音生成成為新戰場，推論的能源需求只會進一步飆升。這意味著，即使訓練階段的能耗趨於穩定，推論階段的碳排仍會持續成長，成為 AI 碳足跡的主要來源。
AI 碳排與氣候變遷的惡性循環
AI 碳排之所以令人憂心，不只是因為總量龐大，更因為它與氣候變遷之間存在著一種「惡性循環」的關係。AI 的用電推高了碳排放，碳排放加劇了氣候變遷，而氣候變遷又回過頭來威脅 AI 基礎設施的穩定運作。這個循環如果不被打破，AI 與氣候將陷入兩敗俱傷的局面。
能源結構的現實：化石燃料仍占大宗
儘管再生能源快速發展，全球電力結構中化石燃料仍占相當大的比重。這意味著，AI 資料中心每多用一度電，就有相當比例來自燃煤或燃氣。當 AI 用電需求快速成長，而再生能源的建置速度跟不上時，缺口往往由化石燃料補上。這種「排擠效應」讓 AI 的邊際碳排居高不下。
有些人主張，科技巨頭可以透過購買再生能源憑證（REC）或簽訂綠電購電協議（PPA）來「抵銷」碳排。這些做法確實有助於推動再生能源發展，但也常被批評為「帳面減碳」，因為實際用電的即時性與再生能源的間歇性之間仍有落差。當資料中心在夜間或無風時段用電，電網仍需依賴化石燃料機組，碳排並不會因為憑證而消失。
此外，AI 產業的用電成長速度，可能超過電網綠化的速度。這就像一場賽跑：AI 用電需求跑得比再生能源建置還快，結果就是化石燃料占比難以下降，甚至不降反升。這是 AI 加劇氣候變遷最直接的機制之一。
資料中心選址與水資源排擠效應
除了碳排放，AI 資料中心還帶來另一個氣候相關的環境壓力：水資源消耗。許多資料中心使用蒸發式冷卻系統，需要大量用水來散熱。在氣候變遷導致乾旱頻率增加、水資源日益緊張的背景下，資料中心與民生、農業搶水的情況時有所聞。這種「水資源排擠效應」雖然不直接等於碳排，卻同樣加劇了氣候變遷對社會的衝擊。
資料中心的選址也會影響電網的穩定與碳排。當大量資料中心集中在某個區域，可能導致當地電網負載過重，迫使電力公司啟用效率較差、碳排較高的備用機組。這種「區域性碳排上升」的現象，往往被全國平均數據所掩蓋，卻是真實存在的環境成本。
更長遠來看，氣候變遷本身也會威脅 AI 基礎設施。極端高溫會增加冷卻負擔，缺水會影響冷卻系統運作，洪水與颱風可能損壞資料中心。也就是說，AI 加劇氣候變遷，氣候變遷又回過頭來讓 AI 更耗能、更不穩定。這個惡性循環，正是我們必須正視 AI 碳排問題的核心原因。
企業與使用者的因應之道
面對 AI 碳排持續攀升的現實，我們並非束手無策。從技術層面到個人層面，都有可以努力的方向。關鍵在於，不要把 AI 碳排當成「別人的問題」，而是把它視為整個產業與社會必須共同承擔的責任。
綠色 AI 的技術路線
在技術層面，「綠色 AI」已經成為產業的重要議題。第一個方向是「效率優化」：透過模型壓縮、量化、知識蒸餾、稀疏化等技術，讓同樣的任務用更少的運算完成。例如，把大型模型蒸餾成小型模型，可以在犧牲少量準確率的情況下，大幅降低推論能耗。第二個方向是「硬體革新」：新一代 AI 晶片在每瓦效能上持續進步，專用加速器也比通用 GPU 更省電。第三個方向是「綠色資料中心」：採用液冷、餘熱回收、智慧能耗管理，並優先選址在再生能源豐富、電網碳強度低的地區。
此外，「碳感知運算」（carbon-aware computing）也逐漸受到重視。這個概念是讓運算任務在時間與空間上具有彈性：例如把非急迫的訓練任務安排在再生能源充沛的時段執行，或把推論任務分配到碳強度較低的資料中心。透過軟體與排程的優化，可以在不影響服務品質的前提下，有效降低碳排。
當然，技術解方有其極限。如果模型規模競賽不停止、如果使用需求持續爆炸，效率提升所省下的能源，很可能被新增的需求抵銷。因此，綠色 AI 不能只靠工程師，還需要產業政策、碳定價與企業治理的配合，才能真正發揮效果。
個人層面可以怎麼做
身為一般使用者，我們或許無法決定資料中心要用什麼電，但我們的每一次使用選擇，都會形塑 AI 產業的發展方向。首先，我們可以「用得更精準」：與其讓 AI 生成一大堆用不到的內容，不如把提示詞寫清楚，減少來回修改的次數。其次，我們可以「選得更聰明」：在不需要大型模型的時候，選擇較輕量的工具；在離線或低耗能模式下完成簡單任務。第三，我們可以「問得更深入」：主動關心所使用的 AI 服務是否揭露碳排資訊、是否有減碳承諾，用消費者的力量督促企業負起責任。
更重要的是，我們可以把 AI 碳排的議題帶進公共討論。氣候變遷是集體行動的問題，AI 碳排也不例外。當更多使用者、企業與政策制定者意識到 AI 的環境成本，才會有更強的動力去推動透明化、標準化與減碳規範。雅寶社區的討論區，正是匯聚這種意識的好地方。每一個願意理解、願意發聲的人，都是打破惡性循環的一份力量。
結論：AI 發展與氣候責任的平衡
AI 無疑是這個時代最具變革性的技術之一，它為醫療、教育、科研與產業帶來巨大機會。但機會的背後，是真實的能源消耗與碳排放。從訓練到推論，從資料中心到硬體製造，AI 的碳足跡正在快速膨脹，並且與化石燃料依賴、水資源排擠、電網壓力等問題交織在一起，形成一個加劇氣候變遷的惡性循環。
我們不需要因此否定 AI 的價值，但必須拒絕「視而不見」的態度。氣候變遷不會因為我們把伺服器放在雲端就消失，碳排也不會因為我們看不見煙囪就不存在。真正的解方，在於透明化的碳排揭露、務實的減碳技術、合理的產業規範，以及每一個使用者對環境成本的清醒認知。
AI 可以是氣候問題的一部分，也可以成為氣候解方的一部分。關鍵在於，我們是否願意在追求更強模型的同時，也追求更綠的運算；是否願意在享受便利的同時，也承擔相應的氣候責任。這是一場關於價值選擇的競賽，而比賽才剛剛開始。雅寶社區的每一位讀者，都可以是改變的起點。