社企流／編譯：Jenny Yeh
你的日常生活是不是越來越難以離開 AI？從搜尋、寫作、客服、設計，到企業決策與科學研究，有越來越多工作開始仰賴大型 AI 語言模型與雲端運算；麥肯錫在 2023 年報告指出，AI 有潛力可以改變美國經濟，估計每年可美國勞動生產力提高 0.5%至 0.9%。但支撐這些 AI 科技技術與服務的是一座座不分晝夜運轉的資料中心。
這也使得 AI 正在成為這個時代最矛盾的科技之一。
一方面，快速發展的 AI 科技與大型語言模型，加快全球資料中心擴張速度。根據國際能源總署（International Energy Agency, IEA）2026 年 3 月發布報告預估，全球資料中心用電量預計將從 2024 年的 415 TWh，成長至 2030 年約 945 TWh；根據美國能源部研究指出，美國 2023 年的資料中心用電占全國電力消耗 4.4%，到了 2028 年將會上升至 6.7% 至 12%。此外，國際能源總署與布魯金斯學會（Brookings Institution）最新估算結果出爐，2026 年全球資料中心的總耗電量將突破 1050 TWh（太瓦時）相當於 1 兆 500 億度電，這是能讓台灣全國所有電力設施連續運轉 3.8 年的用電量。
當 AI 基礎設施的成長速度遠快於電網擴充能力，電力供應、水資源壓力與電價上漲，正逐漸成為各國政府必須面對的現實問題。但矛盾的是，AI 卻也被視為能源轉型的重要工具。從再生能源場址優化、電網即時調度，到石油開採與工業製程的碳排放管理，人類期望透過 AI 科技的協助，讓能源使用更有效率，甚至加速走向低碳未來。
如何讓 AI 技術在科技進步與環境永續間取得平衡，從吃電怪獸搖身變成推動能源轉型的關鍵技術，是當前重要且急迫的問題。
翻轉電力系統的想像，從索取到成為貢獻者
回應這道 AI 科技帶來的能源矛盾，第一步或許不是尋找更多電力，而是重新定義資料中心與電網的關係。
目前全球多數的電力基礎設施與電業體制，大多建立在「前 AI 時代」，發電廠、輸電線路與變電設施的規劃建設，往往需要數年甚至更長時間；相較之下，資料中心的擴張速度更快，也使傳統電網面臨供電能力與建設時程跟不上的壓力。若資料中心持續只是向公共電網索取電力，最終將導致區域電網供給崩潰，更會排擠到一般民生用電。
對此，全球知名超大規模的雲端服務數據中心基礎設施供應商 Compass Datacenters 執行長 Chris Crosby 表示，若要解決資料中心的電力問題，就需要翻轉對於電力系統的既定思維，讓資料中心從電力的「索取者」轉型為「貢獻者」；他提出「Give Before Take 先給後拿」的觀念。
Crosby 認為，科技產業不能再將公共電網視為無限供應的自助餐，而是將能源視為社會共有的資產；在索取電力之前，先對電網有所貢獻。他建議，可從 3 個關鍵策略進行改變：
- 主動投資能源基礎設施： 科技巨頭不應只是被動等待電力公司供電，而是能主動參與新型發電廠與輸電網絡的投資與開發。包括投資無碳能源、儲能系統、輸電網絡與變電設施等，加速乾淨能源併網的速度，協助補上 AI 用電需求與電網供應能力之間的落差。
- 微電網與虛擬電廠的深度整合： 資料中心也有機會從電網負擔轉型為電網資源。透過微電網與儲能系統，資料中心可以在尖峰用電時降低對公共電網的依賴；此外，更能扮演「虛擬電廠」的角色，將多餘電力反向輸回公共電網，穩定區域供電。
- 打破公私部門的煙囪效應： 科技企業、電力公司與政府監管機構需要建立緊密的公私協力模式。透過大數據共享，共同預測未來的電力需求，讓讓資料中心擴張與電網升級同步進行，避免因單方擴張造成社會排擠效應。
AI 時代的能源挑戰，不只是「如何供應更多電」，而是「誰來承擔供電背後的成本與責任」。若資料中心仍只是單向消耗電力，AI 的成長可能加劇能源不平等與在地社群的負擔；但若資料中心願意承擔更多基礎設施風險與投資成本，它也可能成為推動電網升級、乾淨能源併網與能源韌性的關鍵力量。（同場加映：AI 算力崛起中，科技大廠如何解決資料中心耗能困境？）
用科技，解決科技造成的問題
AI 不只是能源問題的製造者，也可能是能源轉型中最有力的工具。
AI 的耗電問題，從上述提到的「Give Before Take」在基礎設施與責任分配的角度，重新定義資料中心與公共電網的關係；而在能源產業的第一線， AI 則透過運算能力為減碳與能源再生找出更優的路徑。
全球能源技術服務公司 SLB 數位與整合事業群總裁 Rakesh Jaggi 指出，能源產業本身就是一個高度數據密集，卻也同時受到嚴格物理條件限制的場域。以石油開採為例，一口現代化油井每天可能產生超過 10 TB 的數據，其中包括地下岩層狀態、井內壓力、油氣流速、管線安全與設備耗能等。這些資訊就像油田的「身體訊號」，能透露哪裡壓力異常、哪個設備快要故障、哪個環節正在浪費能源。
過去，這些訊號主要仰賴工程師判讀；但當資料量太大、變化太快，人力很難即時掌握全貌。透過 AI 科技的協助，能同時讀取大量感測器資料，快速找出隱藏在數據中的異常與效率問題，協助能源系統維持在更安全、更省能、排放更低的狀態，協助人類看見過去難以掌握的現場變化，進而減少浪費與碳排放。
因此，Jaggi 提出「工程化 AI」（Engineered AI）的概念，結合機器學習與生成式 AI 並深度融入能源領域專屬數據、物理模型，以及地質學家、工程師數十年累積的領域知識，所建構的 AI 系統。其應用場景包括：
- 地下探勘到油田開發：從油藏設計、油井鑿鑿建造，到設施維護，全生命週期的效率優化
- 碳捕集與封存的選址：利用數十年的地下地質數據，精準找出最適合封存二氧化碳的地質構造
- 地熱能源開發：協助識別最具開採潛力的地熱熱源，加速再生能源部署
當 AI 從單純提供建議的「數位助理」，進一步走向能主動協調任務的「自主代理人」（Agentic AI），能源系統就有機會在更少人為干預下，維持高效率運轉，並降低不必要的能源消耗與碳排放。AI 在能源領域的角色，不只是替既有化石燃料體系「減少傷害」，更可能成為推動低碳轉型的關鍵工具。
AI 不只需要算力，也需要能源韌性
AI 科技一方面關注 AI 如何推高用電需求、加重電網負擔；另一方面則看見 AI 如何協助能源系統提升效率、降低浪費與排放。AI 科技發展面臨的能源矛盾，不能只靠單點技術解決，而需要從基礎設施、產業責任、制度設計與應用場景一同思考與改變。
作為 AI 產業重要供應鏈國的台灣而言，隨著 AI 算力需求成長，大型資料中心與雲端基礎設施的布局，為台灣帶來投資、就業與產業升級機會；但同時，也會對電力供應、電網韌性與能源分配公平形成壓力。
未來大型用電企業是否能從單純的電力消費者，轉型為能源系統的共同建設者？是否能更主動參與再生能源、儲能、微電網與輸配電基礎設施的投資？這些問題不只關乎企業用電，也關乎地方社群是否需要承擔電價上漲、供電壓力與環境成本。
另一方面，台灣擁有半導體、硬體設計與系統整合能力，若能進一步結合在地能源數據、電網管理經驗與工程專業，便有機會發展出符合台灣在地或亞太需求的工程化 AI 解決方案。讓 AI 不只是用來提升運算效率，更能用於能源調度、設備維護、減碳管理與低碳能源開發，成為能源轉型中的實用工具。
AI 科技能否真正成為推動永續轉型的力量，關鍵不在於它有多強大的運算能力，而在於支撐它的能源系統是否足夠公平、韌性且負責。未來的 AI 發展，不能只是單向地索取電力、水資源與土地，而必須學會「先付出，再取用」；在消耗能源之前，也為能源系統創造新的能力，可能才是 AI 時代下能源能否走向永續的真正分水嶺。
參考資料
- How AI is unlocking a cleaner energy future（Fast Company）
- AI and power requires give before take（Fast Company）
- AI poised to drive 160% increase in power demand（Goldman Sachs Research）
- Generative AI and the future of work in America（McKinsey Global Institute）
- Data Centers and Servers（U.S. Department of Energy）
