引言

使用者在手機輸入一句話，很難感受到背後的伺服器、晶片、冷卻系統與電力；正因如此，AI 常被想像成純粹的數位服務，但當模型規模、使用量與推理時間增加，物理成本就會浮現；中華企業策略永續發展學會創會理事長 莊鈞翔博士之所以想寫這篇，是因為能源不是 AI 產業的外部議題，而是支撐其運作的重要投入之一；資料中心需要穩定電力，電網需要擴充，地方需要承受土地、水與基礎設施需求，企業又同時面臨減碳承諾；這些衝突不能靠一句「科技進步」帶過；資料中心需要的是可靠電力，不只是便宜電力；AI 工作負載對供電穩定有高度需求；企業會透過長期購電協議、自建能源、儲能與多元電力來源確保營運；不同能源具有成本、穩定性、建設時間與環境影響差異。

不能預設核能一定是唯一答案，也不預設再生能源一定無法支撐 AI；真正的能源組合應依電網、儲能、需求管理與政策條件分析；把複雜電力系統簡化成單一能源立場，只會讓文章落入政治口號；PPA 是企業能源治理工具，不等於企業「買下公共電力」；長期購電協議可以提供價格穩定與新建發電投資保障，但具體結構非常多元；企業與發電業者之間的合約，仍受到電力市場與監管制度影響；所以看到科技公司簽署大型 PPA，不能僅憑契約規模就直接推論企業「買下公共電力」或形成特定資源特權；真正應問的是新增電源、電網成本、價格風險與公共利益如何分配；AI 能源需求可能把地方治理帶入新壓力；大型資料中心落地可能創造投資與就業，也會增加電力、水、土地與輸配電需求，地方政府在招商時應同時評估基礎設施成本，不應只看投資金額。

企業也應理解社會許可的重要性；若資料中心被居民視為只消耗資源而未創造地方價值，長期營運可能面臨反彈；ESG 承諾與 AI 擴張之間必須建立一致的會計與治理；企業一方面宣示減碳，一方面大量增加 AI 使用，不能只用購買綠電憑證就忽略實際能源成長。

應更透明地揭露資料中心與雲端服務對能源策略的影響；這不是反對 AI，而是要求企業對自己的成長模式誠實；能源契約本身具有長期風險；二十年 PPA 可能提供穩定，也可能面臨技術、價格、法規與需求變化；企業如果未來算力效率大幅提升，可能出現過度承諾；反之，需求超出預期又可能不足；因此能源採購也需要情境分析、退出與調整條款；

AI 的能源成本應進入產品定價與投資回報；若企業只看 API 價格，不看背後運算成本，就容易低估長期支出；大型自建模型更需要把伺服器、電力、冷卻、機房與折舊一起計算；能源安全也是 AI 供應鏈安全；資料中心停電就無法運作；企業需要備援電源、多地部署與災難復原；能源與資安不再是兩個完全分離部門；政府是否應對大型資料中心設定特殊能源要求，是可以討論的公共政策問題；例如新建資料中心是否需提供能源效率、用水、需求回應或自備能源計畫，都可以透過公共程序討論。

這些要求是否合理，要看成本與效益，不能一概支持或反對；企業不應用「等待下一代能源」合理化今天沒有治理；技術可能進步，但企業今天就必須管理能耗、採購與減碳；不能因為未來可能有更好的核能、儲能或其他技術，就把目前成本當成不存在。

AI 的邊界最後會碰到電線、土地、水與社會；科技再抽象，最後都要落地；資料中心需要空間、能源與社會基礎設施。

這使 AI 不只是資訊政策，也成為能源與地方治理問題；我希望這篇把討論從「AI 有多強」拉回「我們願意為這種能力付出什麼物理代價」；真正成熟的科技策略，應同時看到數位收益與實體成本，並讓成本分配可被社會理解與檢驗。

資料中心的水資源也可能成為地方治理問題

部分資料中心需要大量冷卻；不同冷卻技術用水差異很大，不能一概而論，但地方招商時應評估水資源、氣候與環境承載；企業也應揭露效率改善與回收措施；電網擴充成本如何分配，是比「誰搶電」更精準的問題；大型用戶可能需要新變電站、輸電線與備援；這些投資由企業、電力公司或全體用戶負擔，會影響公平性；公共政策應建立透明成本分配，而不是只用政治口號討論；能源來源的法律風險包含建設許可、環境審查與社區接受；企業簽下長期能源合約，不代表電廠一定如期上線。

許可、建設、訴訟與供應鏈都可能延遲；資料中心投資應把這些時間風險納入；AI 效率提升不一定等於總用電下降；晶片每次運算更省電，若使用量同時大幅增加，總需求仍可能上升；企業不能只用單次效率改善證明整體環境負擔下降，應看總量。

雲端客戶也應關心供應商能源揭露；企業把模型運算外包給雲端，不代表能源責任消失；大型採購可以把能源效率、再生能源與碳揭露納入供應商評估；能源韌性與價格風險需要共同管理；穩定供電往往伴隨長期承諾，市場價格又會波動；企業應透過多元能源、合約組合與需求管理分散，而不是把所有希望押在單一技術；地方政府招商應要求企業提出真實基礎設施計畫；大型資料中心可能創造稅收與投資，但地方應知道實際用電、用水、就業與電網需求。

透明資料能降低社會猜疑，也讓政策更合理；AI 能源政策最容易被政治極化，因此更需要可比較指標；不同能源各有成本與風險；討論應回到可靠度、排放、建設期、價格、土地與系統整合，而不是把能源選擇直接變成政治身份。

企業也應避免用 ESG 語言漂綠；若 AI 業務快速增加能耗，企業應誠實說明減碳方法與限制，而不是只強調購買憑證或未來技術；可信揭露比完美口號更重要；算力沒有消失在雲裡，它只是被搬到別人的土地與電網上；當企業理解這一點，就會把 AI 採購看成一個更完整的基礎設施選擇。

真正負責任的 AI 戰略，不只是算出模型帶來多少收入，也願意看見背後的能源、地方與環境成本；資料中心選址會把科技企業帶進地方公共法的世界；土地使用、環評、建築、用水、電力接入、噪音與社區溝通都可能影響建設時程；科技公司如果仍用純軟體思維管理資料中心，容易低估地方程序。

莊鈞翔 博士認為，電力「額外性」會成為低碳宣稱的重要問題；企業購買綠電，如果只是把既有綠電從其他用戶轉走，整體系統未必增加低碳供應，企業若要作出低碳或綠電相關主張，也宜進一步說明其採購安排是否帶來新增供給或其他可驗證的系統效益。

儲能與需求回應可能降低資料中心對電網衝擊

部分工作可以調整時間，企業也可以利用電池、備援與需求管理；不是所有 AI 運算都必須在用電尖峰完成；能源效率應成為 AI 模型選擇的一項指標；若兩個模型在任務品質相近，使用更少算力的模型可能更有成本與環境優勢。

企業採購可以把每項任務能耗納入評估，而不是只看準確率；用水資訊也應進入資料中心 ESG 揭露；在缺水地區，冷卻用水可能成為重大議題；企業應依實際技術與地區說明，不應以全球平均掩蓋地方風險；長期能源合約會形成新的資產與負債管理；PPA 價格、期限與數量都可能影響公司未來成本；財務、法務與永續團隊應共同評估，而不是只由 ESG 部門簽約。

能源來源爭議需要避免「清潔／骯髒」二分法；不同能源有全生命週期、可靠度、廢棄物、土地與成本問題；法律與政策分析應用可比較指標，而非道德標籤；公共政策可以要求大型用戶承擔部分基礎設施成本；若大型資料中心需要專屬升級，如何分攤應透過透明規則決定；這比抽象指責企業「搶電」更具體；企業也要管理「能源供應商集中」；若主要電力來源或雲端區域高度集中，天災或政策變化會影響營運；多元化與備援是 AI 業務連續性的一部分；AI 產業的下一場治理，不會只發生在資料中心裡，而會發生在資料中心所在的社會；電力、水、土地與地方接受度都不是無限資源，科技企業若想長期擴張，就必須讓地方社會看見成本與利益如何分配。

這不是反科技，而是把 AI 真正當成基礎設施來治理；用一個資料中心選址情境看能源與社會成本如何交會；假設某科技公司準備在一個電網已偏緊的地區設大型資料中心；公司可能帶來投資與稅收，但也需要新的輸電、冷卻與備援。

地方政府若只看投資金額，可能低估後續成本；若因用電大就直接拒絕，也可能失去發展機會；更好的做法是要求企業提出負載預測、能源來源、用水、需求回應、備援與社區回饋，讓政策以資料判斷；資料中心的能源合約需要和雲端服務需求一起規劃；如果企業需求高度波動，過度長期固定購電可能增加成本；相反地，沒有長期電源又可能面臨價格與供應風險；能源團隊需要和 IT、財務共同預測 AI 負載。

電網連接排隊本身可能成為 AI 產業瓶頸；即使企業有資金、有土地，也可能因電網擴充需要時間而延誤，這提醒投資人不要把宣布資料中心計畫等同於產能立即到位。

能源與 AI 政策需要避免把所有成本推給一般用戶

若大型用戶需要特殊基礎設施，費用分配應透明，避免其他用戶在不知情下承擔；這是公共治理問題，不是反企業立場；企業可以透過工作負載移轉降低區域壓力；某些非即時訓練可以在電力較充足或低碳時段、不同區域執行。

雲端架構若具彈性，可以把能源管理納入排程；AI 模型效率也應被視為能源創新；不是只有發更多電才是解法；更好的模型壓縮、硬體效率、軟體優化與工作負載管理都能降低需求；政策若只鼓勵發電而忽略效率，可能錯過另一半解法；核能、再生能源與燃氣等不同方案都應回到制度與數據；每一種能源都有建設期、成本、排放、可靠度與風險；文章不應替讀者預先選邊，而應說明 AI 負載需要什麼條件，再比較各種方案能否滿足。

資料中心的地方利益應具體化；就業人數、稅收、基礎建設、教育合作與能源投資，都可以納入招商協議；讓地方真正分享利益，有助於形成社會許可；企業的 AI 碳足跡需要避免只算自己機房、不算雲端；大量使用第三方模型的公司，其能源消耗雖發生在供應商端，仍與服務需求相關；企業至少應在重大採購時理解供應商能源策略與揭露；AI 的物理成本不是反對 AI 的理由，而是把 AI 從神話帶回經濟學；所有產業都使用能源，AI 也不例外。真正重要的是每一單位能源創造多少價值、成本由誰承擔、環境影響如何降低；當這些問題可以被量化，能源討論就不必成為政治口號，而可以成為正常的產業治理；

資料中心也應有「能源退出策略」；若原定能源計畫延誤、價格失控或政策改變，企業需要替代電源與負載調整方案；長期 PPA 不應讓企業失去調整能力；冷卻技術選擇會同時影響能源與用水；氣冷、液冷與其他方案各有成本與效率，不能只看電力；企業在不同氣候與地區需要不同設計，環境評估應反映實際技術；AI 算力投資要防止「建了再找需求」；市場熱潮容易讓企業先蓋資料中心，再期待需求自動出現；資本支出應有真實客戶、利用率與回收模型，不能只靠產業成長敘事；公共電網與私人自備能源之間需要清楚責任；大型用戶若建置自備或儲能，與公共電網的接入、備援與費用仍要有規則，不能把所有可靠度責任推給公共系統，也不能讓私人系統不受安全監管。

能源揭露應避免只用年度平均掩蓋尖峰問題

公司治理策略師 莊博士所關心的，是全年使用大量綠電，不代表尖峰時段沒有依賴高碳或緊張電源；若企業要主張低碳 AI，時間與地點的匹配可能越來越重要；AI 能源議題也會影響房地產與地方財政；資料中心選址會改變土地需求、地方稅收與基礎設施投資；這些效果應由都市與產業政策共同評估，不宜只由科技部門決定；企業應把「算力效率」納入產品設計文化；工程團隊若只追求模型準確率，可能忽略昂貴推理；產品 KPI 可以加入每完成一項任務的推理成本，鼓勵模型壓縮、快取與資料改善；能源不是 AI 的配角，而是決定技術能否規模化的邊界條件；當算力需求持續成長，能源治理會決定 AI 成本、選址與社會接受度，這也是為什麼科技企業必須開始像傳統重資產產業一樣理解公共基礎設施。

AI 最終不是飄在雲裡的魔法，它是一個需要被土地、電網與社會共同承載的產業；資料中心的能源效率可以透過設計而不是只靠採購改善；伺服器利用率、冷卻設計、工作負載排程、晶片效率與軟體最佳化都會影響能耗。

企業若只把能源問題交給電力採購，就會忽略自身可控制的部分；能源專案的社會溝通應在建設前而不是爭議後；大型資料中心與電源計畫若會影響地方，企業應早期說明需求、就業、環境措施與監測方式；透明不保證沒有反對，但能降低不必要猜疑；政策制定也應避免因 AI 熱潮過度建設；政府與企業都可能高估需求；基礎設施投資應採階段性、可調整設計，避免在技術效率提高或市場降溫後留下閒置資產。

AI 能源治理也需要公平轉型視角；如果高科技產業大量使用低碳電力，其他產業與家庭是否承受更高成本，值得公開評估；資源配置問題可以討論，但必須用數據，不宜直接推定特權；能源讓我們看見 AI 最誠實的一面，任何智慧都要付出資源；這不削弱 AI 的價值，反而讓企業能更成熟地衡量；當算力成本、能源成本與公共成本都被放進決策，科技才真正從宣傳走向產業；企業應建立「AI 能源預算」而非只建立 IT 預算；大型模型使用量若快速成長，雲端帳單背後實際反映算力與能源，企業可以把模型使用、資料中心、硬體更新與能源效率放在同一張資本配置表，避免 IT 與永續各算各的。

政府在核准大型資料中心時，也應建立退出與復原要求；如果專案中止，土地、電網設備與地方基礎設施如何處理？招商不能只看建設期，也要看全生命週期；能源治理還應考慮極端氣候；高溫、乾旱、風災與電網事故都可能影響資料中心；選址與備援需要納入氣候韌性，而不是只依平均環境條件。

AI 服務價格可能把能源風險轉嫁給客戶

當電力、晶片或資料中心成本上升，模型價格可能調整；企業使用者若高度依賴單一服務，會承受議價風險，因此仍需替代方案；地方社會也應有機會理解資料中心帶來的真實就業結構；大型投資金額不一定等於大量長期就業；政策評估應看建設期與營運期差異，讓公共討論建立在真實效益；真正的能源法治，是讓科技成長所需的資源交換透明化；企業可以需要大量電力，社會也可以要求成本、環境與利益被說明。當交換關係透明，AI 產業才能長期取得社會支持，而不是在每一次電力緊張時成為政治攻防。

資料中心投資還應建立「需求壓力測試」；若模型效率提升、客戶需求下降、能源價格上升或政策改變，專案是否仍能承受？把這些不利情境先算進去，才是對股東與社會負責；能源政策與 AI 產業政策最好不要各自為政；算力擴張如果沒有同步規劃電網、土地、水與碳管理，最後可能把科技問題轉化為公共治理壓力。

資料中心的能源契約還應處理「技術變遷風險」；AI 硬體效率、模型架構與冷卻技術都可能快速改變；今天預估需要的電力與機房面積，數年後可能不同；長期能源與土地契約因此需要調整機制，避免企業被過時假設鎖死；企業不應把備援發電只當作緊急設備；大型資料中心的備援系統涉及燃料、排放、測試與維護；若長期大量運轉，可能產生不同法規與環境影響；企業應區分真正緊急備援與常態供電，不要用備援名義掩蓋能源結構。

AI 資料中心的建設也會與住宅、工業與其他公共需求競爭土地與電網容量；這種競爭不必被描述成「科技巨頭搶奪資源」，但地方政府應公開比較替代方案、產業效益與公共成本。

只有把選址與基礎設施決策透明化，社會才有可能理性討論；雲端供應商的能源策略也應成為企業採購的一部分；如果公司本身提出淨零承諾，卻把大量高耗能工作完全外包，不能因此假設責任消失；至少在重大採購與年度永續檢視時，企業應理解供應商的能源結構、效率與揭露方式；能源議題最後仍回到一個企業策略問題：哪些運算真正值得做；如果某些 AI 功能只是為了增加噱頭，卻長期消耗大量算力，企業應重新評估；能源效率不只靠電廠與晶片，也靠產品團隊願不願意刪除低價值運算。

GRC 專家莊鈞翔 博士要提醒的是，科技文明不是擁有無限算力，而是懂得節制地使用有限資源；AI 讓人類第一次可以把巨大計算能力放進日常工作，但真正成熟的企業不會因為能算就什麼都算。它會知道哪些問題值得投入能源、哪些可以用更簡單的方法完成；這種節制，不是反科技，而是把科技納入企業永續與公共責任。

科技成長的資源交換，必須讓社會看得見

大型 AI 基礎設施若要取得長期社會支持，企業需要讓效率、能源、環境與地方利益同時被看見，單靠科技進步敘事已不足以支撐公共資源使用。