圖1、Google 的六層蛋糕解析 （譯自Google 2026）
第一層：能源系統重塑
隨著 AI 模型規模快速擴張，資料中心整體用電需求大幅提升，能源挑戰也從單一設施的供電問題，逐漸演變為整體電網與能源系統的治理課題。
Google 於《2026 環境報告》指出，儘管企業持續投資再生能源並提升能源效率，但 AI 基礎設施的建設速度仍快於電網脫碳進程，顯示 AI 所帶動的新增電力需求，已超越能源基礎設施擴建與低碳轉型的速度。對能源系統而言，AI 帶來的挑戰已不只是提供更多電力，而是如何兼顧供電可靠性、電網韌性與淨零轉型。
(一) 電網韌性與供電可靠性
為因應大型 AI 負載快速增加，各國政府開始調整能源治理與電網管理制度。以美國為例，聯邦能源監管委員會（FERC）在2026年6月18日要求六大區域電網營運商重新檢討大型用電戶的併網規則，改革內容涵蓋大型資料中心的併網流程、電網成本分攤、資料中心共址（Co-location）、表後發電（Behind-the-meter）及鄰近發電設施的評估機制，希望在加速 AI 基礎設施部署的同時，維持電網運作的公平性與穩定性。
除了制度改革之外，能源產業也開始發展更具彈性的供電模式，以降低大型新增負載對電網造成的壓力。由普林斯頓大學 ZERO Lab、能源軟體公司 Camus 與電網模擬公司 encoord 共同發布的研究指出資料中心目前面對的最大問題，在於輸電容量與可靠發電容量不足所造成的併網限制。
研究提出結合彈性併網與自帶容量（Bring Your Own Capacity, BYOC）的模式，讓大型用電戶在絕大多數時間使用公共電網供電，僅於少數尖峰或電網壅塞時，透過現場儲能、自建電源或可調度負載降低對電網的依賴，並自行提供部分可靠容量，而非完全等待公用事業完成輸電與發電設施擴建。
研究以美國六座資料中心進行情境分析，結果顯示，此模式可使資料中心提前 3 至 5 年取得供電，同時全年仍有超過 99% 的時間使用公共電網，顯示未來能源系統的重點已逐漸由「增加供電能力」，轉向「提升供電彈性與能源協同調度」。隨著虛擬電廠（VPP）與智慧能源管理技術發展，AI 資料中心將不只是電力消費者，也將成為提升電網韌性的參與者。
(二) 再生能源與淨零轉型
另一方面，在淨零排放目標下，如何降低新增用電的碳排放，已成為能源轉型的另一項重要課題。2025 年全球企業簽署的再生能源購電協議（PPA）中，約有四成來自科技產業。
然而，由於風力與太陽能具有間歇性，企業採購的綠電未必能與實際用電時段一致，因此 Google、Microsoft 等企業開始推動 24/7 全天候小時級能源匹配（24/7 Hourly Matching），透過再生能源與儲能系統整合，提高每一小時低碳電力供應與實際用電的匹配程度，使 AI 基礎設施的能源管理由年度綠電採購，逐步邁向即時且精細化的低碳供電模式。
除了企業自主推動之外，部分國家也開始透過制度要求大型資料中心帶動新增再生能源建設。以愛爾蘭為例，由於資料中心用電已占全國總用電約 22%，能源監管機關（CRU）於 2025 年公布新的資料中心電力連接政策，規定新建資料中心除了須配置相應的發電或儲能能力外，還必須在啟用六年內，以愛爾蘭境內新增的再生能源專案滿足至少 80% 的年度用電需求，並提出具體的再生能源開發計畫，作為取得電網連接的重要條件。此政策反映資料中心未來不再只是綠電的消費者，而必須成為新增低碳電力供給的驅動者。
整體而言，能源對於AI發展不再只是提供電力的底層基礎，而是決定 AI 基礎設施能否持續擴張的重要限制條件。 從併網制度改革、彈性接電、BYOC、需求回應、儲能調度，到全天候低碳能源匹配，能源系統正逐步由傳統集中供電模式，轉向兼具可靠性、彈性與低碳化的新型架構。在解決能源供應與電網挑戰之後，下一層需要面對的課題，則是如何透過資料中心設計，進一步提升高密度 AI 運算的能源效率與基礎設施韌性。
第二層：資料中心氣候友善設計 －落實用電彈性與效率提升
隨著大型語言模型與生成式 AI 快速發展，GPU 運算密度大幅提升，使資料中心面臨前所未有的供電、散熱及系統韌性挑戰。傳統資料中心的機櫃電力密度約 5–15 kW，少有超過 20 kW；然而，以搭載 NVIDIA Blackwell 等新一代 AI GPU 的機櫃為例，單櫃用電需求已普遍提升至 40–130 kW，甚至更高。
如此高密度的運算環境，使散熱系統由輔助設施轉變為維持 AI 運作的核心基礎，一旦冷卻失效，GPU 可能因局部過熱而在極短時間內觸發保護機制甚至停機，因此資料中心設計的重點，已從提升容量轉向兼顧能源效率、散熱能力與營運韌性。
(一) 冷卻系統
在 AI 資料中心中，冷卻約占資料中心總耗電量的 30–40%，因此如何降低冷卻能耗，已成為提升整體能源效率的重要方向。面對高密度GPU 所產生的集中熱源，傳統氣冷已逐漸難以滿足需求，新型液冷技術如直接晶片液冷（Direct-to-chip Cooling）與浸沒式冷卻（Immersion Cooling)正逐漸受到重視。
其中，直接晶片液冷可直接於熱源帶走約 70–80% 的熱量，而浸沒式冷卻則透過液體取代空氣進行熱交換，可進一步降低風扇耗能並提升散熱效率。企業端如 Google 則透過導入機器學習與即時熱分析控制系統，結合天氣預測與負載管理，成功將冷卻能耗降低約 40%，證明 AI 不僅增加能源需求，也可反過來優化資料中心本身的能源使用效率。
(二) 廢熱循環利用
AI資料中心的設計也開始由單純追求設備效率，進一步走向循環資源利用。除了持續改善既有資料中心的能源效率之外，如何有效利用伺服器運作所產生的大量廢熱，也成為降低碳排的重要策略。
例如 Google 與 Danfoss 合作開發高效率熱回收系統，將資料中心產生的低品位熱能回收後，供應鄰近建築物供暖、工業製程或區域能源系統使用，將原本排放至環境中的廢熱轉化為可再利用的能源，不僅降低冷卻需求，也提升整體能源使用效率。
相較於全面新建資料中心，透過冷卻系統更新、熱管理優化及廢熱回收等方式進行既有設施改造，亦可有效降低能源使用強度（PUE），成為兼顧成本與減碳的重要途徑。
(三) 負載移轉與儲能
除了提升單一資料中心的效率之外，新一代 AI 資料中心也開始具備與能源系統互動的能力。 部分 AI 工作負載，特別是模型訓練、影片轉碼等非即時運算，可依據電網負載或再生能源供應情形，調整執行時間或地點。
Google 已於台灣及比利時實施時間負載移轉（Temporal Load Shifting），將部分運算工作安排於電力供應充裕或再生能源發電高峰時段執行，以降低尖峰用電需求。另一方面，隨著大型電池儲能系統（BESS）逐漸成為資料中心的標準配置，資料中心除了可平滑 GPU 瞬間功率波動、提升供電穩定性外，也能於必要時提供頻率調節及電網支援服務。
全球第三大資料中心供應商NTT DATA 即透過管理約 340 MWh 的儲能容量，參與日本電力市場及供需平衡服務，使資料中心由單純的耗能設施，逐步轉變為具備調度能力的能源節點。
整體而言，在 AI Stack 中，資料中心設計扮演承接能源與運算的重要橋梁。 它不僅決定 AI 是否能以高效率使用能源，更影響供電穩定、水資源利用、熱管理及與電網互動的能力。下一層則進一步探討晶片設計如何從運算源頭提升每瓦效能，降低 AI 每一次訓練與推論的能源消耗。
第三層：晶片與模型效率—從設計起點落實效率優先
AI 的能源足跡正快速從「模型訓練」轉向「推論（Inference）」，亦即 AI 模型完成訓練後，實際回應使用者提問、生成內容、執行搜尋、翻譯或代理任務等每一次運算過程。
推論往往成為模型部署後累積能耗的主要來源，但占比會隨模型、使用規模與範疇而異。因此，效率優先的部署模式必須從軟體模型架構到硬體晶片設計進行全面變革，確保其能源成本與所帶來的社會或經濟效益相稱。
(一) 軟體與模型最佳化
目前業界普遍存在「先建構模型，再尋找用途」的迷思，使許多任務在尚未釐清實際需求前，便投入過多算力與能源。為改善此問題，模型架構與軟體設計應由應用目的出發，優先選擇符合任務需求的模型規模。
聯合國相關研究指出，針對特定任務採用量身打造的小型模型（Small Models），能源消耗最高可降低約九成；此外，「綠色提示工程」（Green Prompt Engineering）也逐漸成為重要的效率管理工具，透過明確設定模型角色、提供精確情境、結構化輸出要求及降低指令模糊性，可避免不必要的重複生成與反覆修正。
這在多模態模型與代理式 AI（Agentic AI）快速發展的情況下尤其重要，因為代理式 AI 會自主規劃並執行多步驟任務，若缺乏適當的資源限制與終止條件，單次互動所消耗的算力與能源可能遠高於簡單文字生成。
(二) 硬體及晶片設計
過去十年間，AI 處理器的每瓦效能平均每年提升約 30%至40%，雲端服務業者也開始部署針對推論工作負載最佳化的客製化矽晶片，例如 Google 的張量處理器（TPU），以較高的能源效率取代部分由通用型 CPU 執行的 AI 運算。部分新一代晶片與系統也在設計初期同步考量熱管理、配電效率及資料中心資源限制。
以 NVIDIA Rubin 世代 AI 基礎設施為例，在設計之初就考慮到水資源限制，透過重新設計熱管理與配電系統，使其能在較高溫度下穩定運行，大幅降低對水冷系統與淡水的依賴。
(三) 能源評估機制
然而，要讓「設計即節能」真正成為市場標準，仍須建立一致且透明的能源評估機制。歐盟《人工智慧法案》（EU AI Act）要求通用型 AI 模型供應商揭露模型已知或估計的能源消耗資訊，使開發者、企業與監管機關能更清楚掌握模型的環境影響。
開源社群 Hugging Face 亦推出「AI 能源分數」（AI Energy Score），透過在相同 GPU 硬體及標準化任務條件下進行基準測試，為不同模型提供類似家電能源效率標示的分級資訊。這類制度有助於將能源效率納入模型選擇與部署決策，使市場不再只比較準確率、速度與參數規模，也能進一步評估模型完成相同任務所需的實際能源成本。
晶片與模型設計決定了 AI 每一次運算所需付出的能源成本，從模型選擇、推論最佳化、晶片設計到能源評估機制，效率優先的核心並非一味追求更大的模型，而是在滿足應用需求的前提下，以最少的能源完成每一次運算。
然而，降低 AI 本身的能源消耗只是第一步，AI 除了具有足以抵銷其環境成本的社會價值，應進一步創造有利於氣候與環境永續的條件，才是AI 與氣候的終極目標。
第四層：善用人工智慧應對氣候行動
依據國際能源署（IEA）與專家參與小組的評估，若能將現有 AI 應用廣泛導入終端能源部門，預計到 2035 年將可節省高達 13.5 EJ（艾焦耳）的能源，相當於印尼目前的年度總能源消耗量。
另一方面，AI 不應僅被視為高耗能技術，而應視為推動低碳轉型的通用技術。依據知名氣候經濟學家Stern爵士領導的研究團隊分析，若能將 AI 應用於電力、食品及交通三大部門，到 2035 年每年可減少 3.2–5.4 GtCO₂e 的溫室氣體排放，不僅足以抵銷 AI 資料中心所增加的排放，更可能成為推動全球淨零轉型的重要工具（Stern et al. 2025）。
(一) 能源系統優化與彈性提升
在電力系統中，AI 驅動的預測性維護 能夠顯著減少關鍵設備的停機時間。例如在美國，AI 工具目前已監控超過 10,000 個變壓器和 22,000 個斷路器，大幅降低了意外停電的風險。在需求響應方面，歐洲八個國家的 25 萬棟建築中導入了 AI 平台，透過機器學習自動管理空調 (HVAC) 設備，成功釋放了 2 GW 的需求響應彈性。
此外，針對再生能源併網，AI 提升了氣象預測的準確度，例如智利採用 AI 預測模型後，準確度提升高達 15%，有效減少了風電的棄電率 (curtailment)；印度則透過 AI 太陽能預測平台，降低了發電廠因預測誤差而面臨的法規罰款。
(二) 工業流程自動化與去碳化
AI 在產業減碳應用不僅能優化營運，還能加速突破性材料的發現。例如在電池材料創新上，美國實驗室利用 AI 篩選潛在電池材料的速度，比傳統的計算快 1,500 倍，將原本需要數年的實驗縮短至幾天，並發現了有望將電池鋰需求降低約 70% 的新材料。
發表於Nature的研究指出，Google DeepMind 開發的 GNoME（Graph Networks for Materials Exploration） 已發現超過 200 萬種潛在晶體材料，是過去材料科學累積成果的數十倍，未來有望加速新型電池、太陽能材料及氫能催化材料的研發，大幅縮短低碳技術商業化所需時間。
(三) 氣候調適與災害預警
AI 在處理龐大的地球觀測數據與衛星影像上展現巨大潛力，可以對提升地區韌性與應對氣候災害上有所貢獻。例如在衣索比亞的MedEWSa 計畫中，AI 被用於早期火災探測、即時模擬與警報生成，協助國家公園防範極端天氣與野火。
Google FloodHub 已利用機器學習模型於全球 80 多個國家提供洪水預測服務，可提前五天發布洪水警報，協助政府及居民提前避難，降低生命財產損失；另一方面，NVIDIA Earth-2 及歐洲太空總署（ESA）的 DestinE 數位孿生平台，也正結合 AI 與物理模型，提高極端天氣預測及災害應變能力。
台灣反思
IPCC AR6 中，便已指出在適當的治理機制下，數位化可實現碳排減量，否則可能會產生不利的副作用。綜合前述分析，AI與氣候的關聯性，絕非僅止於資料中心耗電，導致淨零承諾破功的單向道，仍有機會作為氣候行動的推進器。
今週刊編按：AI算力需求快速成長，資料中心用電也成為台灣能源轉型的新課題。TCAN「台灣資料中心能源地圖」盤點用電負載達5MW以上的資料中心，整合變電所利用率與各縣市綠能比例，了解資料中心分布及其對區域電網的潛在衝擊。
台灣目前對資料中心用電的管理，已不再只有單一的限電措施。台電於2026年6月提出「電網面＋電源面」雙軌策略，包括針對供電裕度較為吃緊地區進行用電核供管理、要求資料中心具備降載及現場備援等用電彈性，並推動「電力供需匹配（Power Couple）」，引導大型用電設施在地搭配再生能源、儲能及其他電源。
經濟部也依《能源管理法》修正三項子法，將用電容量達5 MW以上的超大型資料中心及主機代管資料中心，納入設置或擴建前的能源使用說明書審查，要求採用最佳可行技術，並將能源使用效率（PUE）納入審查。2026年公布施行的《人工智慧基本法》，也已將環境永續、透明與問責，以及資料開放列為治理原則。
然而，現行制度仍分散在用電核供、設施設計及一般AI治理等不同環節，尚未形成一套貫穿能源供應、資料中心、晶片與模型，以及氣候應用的整體治理架構。
目前規範主要著重設置前的能源審查，對資料中心營運期間的用電、用水、排碳量及廢熱利用績效，仍欠缺持續性的揭露與查核要求；資料中心如何參與需量反應、儲能調度及彈性併網，也尚未建立明確的責任分工、市場機制及成本分攤原則。
在晶片與模型層次，台灣仍缺乏針對訓練及推論能源消耗、碳足跡與運算效率的統一評估標準；在應用層次，也尚未建立以排放減量、電網效益或氣候韌性為目標的任務導向政策及成效指標。
台灣AI氣候責任檢視。圖表來源：本文作者整理
且面對資料中心持續擴張，亦有陣營將新增用電需求作為重啟核電的理由，認為唯有核電才是解方。然而具有明確非核政策方向的德國，已透過《能源效率法》規定，2026年7月後開始營運的新設資料中心，年度平均PUE不得高於1.2；同時分階段要求新設資料中心達到10%、15%及20%的能源再利用比例，以促進廢熱回收。更重要的是，自2027年起，德國資料中心的用電必須100%來自再生能源。
反觀台灣，目前超大型資料中心的PUE要求僅訂為1.3，也尚未訂定再生能源使用比例、逐時電力匹配或廢熱利用的強制標準，顯示資料中心的能源與資源管理仍有相當大的精進空間。
政府應訂定逐步加嚴PUE標準的時程，並將水資源使用效率（WUE）、碳使用效率（CUE）、廢熱利用率及營運期間的實際資源績效，一併納入揭露與查核。同時，應分階段要求大型資料中心達成100%使用再生能源，並逐步從年度綠電匹配邁向逐時匹配。
資料中心業者具有較高的購電能力及成本負擔能力，政府應引導業者成為離岸風電、地熱及其他新增再生能源的長期穩定買家，透過企業購售電契約帶動國內再生能源建置，而不是將電網擴建與備援供電的成本轉嫁給一般用戶。
這條路徑在非核條件下並非不可行。英國氣候非營利組織TransitionZero針對台灣電力系統的模擬結果顯示，若相當於全國5%用電量的工商業用戶，要在2030年達到80%的逐時無碳電力匹配，仍可主要透過加速布建太陽光電、充分開發陸域風力潛力及發展地熱來達成。
在該模型中，購售電契約的平均成本約為每度電2.7元，低於2019年至2024年間觀察到的最低平均電價每度2.9元；同時每年可為整體電力系統節省近10億美元，並減少約500萬噸CO₂當量排放。研究也顯示，核三是否重啟，對達成80%逐時無碳電力的技術組合與成本並沒有顯著影響。
因此，對能源與資源相對有限的台灣而言，面對半導體及AI用電快速成長，政策核心應朝向建立「責任用電」制度，要求新增用電需求較高的企業承擔相應的能源轉型責任。延續2020年版白皮書提出的「能源轉型責任」行動方案，政府應要求能源大用戶設置自用再生能源發電及儲能設備，提升企業能源自給能力與用電彈性。
然在能管法的責任用電條款大幅窄化下，行政體系仍可針對AI與半導體業者建立跨部會推動平台，整合再生能源採購、儲能、彈性併網、逐時電力匹配及電網成本分攤等制度，要求其合理承擔新增電源、電網及環境成本。如此不僅能回應社會對AI用電及供電公平的關切，也能使高用電產業從能源轉型的壓力來源，轉化為擴大再生能源投資、提升電網韌性及推動淨零轉型的重要力量。
參考資料：
-
CAMUS、encoord、Princeton University ZERO Lab（2025年12月）。《Flexible Data Centers: A Faster, More Affordable Path to Power》。
-
Dalberg Global Development Advisors、Council on Energy, Environment and Water（CEEW）（2026年2月）。《Recommendations Report of the Expert Engagement Group on AI and Climate》。
-
Google（2026年6月）。《2026 Environmental Report》。
-
International Energy Agency（IEA）（2026年4月）。《Key Questions on Energy and AI》。
-
Pathak, M., Slade, R., Shukla, P. R., Skea, J., Pichs-Madruga, R., & Ürge-Vorsatz, D.（2022）。〈Technical Summary〉。收錄於 P. R. Shukla, J. Skea, R. Slade, A. Al Khourdajie, R. van Diemen, D. McCollum, M. Pathak, S. Some, P. Vyas, R. Fradera, M. Belkacemi, A. Hasija, G. Lisboa, S. Luz, & J. Malley（編），《Climate Change 2022: Mitigation of Climate Change—Contribution of Working Group III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change》。Cambridge University Press。https://doi.org/10.1017/9781009157926.002
-
Stern, N., Romani, M., Pierfederici, R., et al.（2025）。〈Green and intelligent: The role of AI in the climate transition〉。《npj Climate Action》，4，56。https://doi.org/10.1038/s44168-025-00252-3
-
TransitionZero（2025年10月）。《全時無碳電力（CFE）的系統級影響：台灣》（System-level Impacts of 24/7 Carbon-Free Electricity (CFE): Taiwan）。研究介紹；中文報告
-
台灣電力公司（2026年6月）。〈我國針對AI資料中心用電有哪些配套措施？〉。
-
國家科學及技術委員會（2026）。《人工智慧基本法》。https://law.nstc.gov.tw/LawContent.aspx?id=GL000592
-
經濟部能源署（2025年11月）。〈現行的能源使用說明書審查納入一定規模以上資訊服務業〉。https://www.moeaea.gov.tw/ECW/PDA.aspx?kind=1&news_id=34268
※ 本文授權轉載自台灣氣候行動網絡研究中心，原文見此。
