AI 號稱要拯救氣候，但它本身正成為氣候問題#

AI 提倡者最寄予希望的科學突破，許多都與氣候相關：更好的電池、更高效的化肥/水泥/氫能生產、被追逐多年的核融合，以及讓電網吸納更多再生能源。

但「AI 將解決氣候變遷」這個說法是錯的——它甚至可能讓問題變糟。

問題的根源：

• AI 模型對能源的胃口空前——大型生成式 AI 比過去其他運算消耗多出極多電力。
• AI 晶片的熱量也比一般晶片高，散熱又需要更多能源。
• 除了碳足跡，AI 還耗水、耗稀土、產生有毒廢料。
• 巨型語言模型若被廣泛整合進日常產品中，可能讓企業與政府的「淨零承諾」化為泡影。

部分加速派的論述是：「任何延遲 AGI 的努力，都是在拿地球冒險」——以氣候緊急當理由，反對對超強 AI 設立安全規範。本章對這個說法持保留立場。

AI 救援的成功案例#

Open Climate Fix 的太陽能預測#

• 前 DeepMind 機器學習工程師 Jack Kelly 在 Google 期間參與用 AI 預測風力發電的研究：更精準的風速預測能讓電網少留「轉動備用（spinning reserve）」的天然氣機組（待命中以 50% 出力空轉，效率最差、CO₂ 排放最不必要）。
• DeepMind 的風電預測能領先 36 小時——但因 Google 私有資料的競爭考量，無法公開。
• Kelly 認為「真要產生影響，工具必須開放」，於 2018 年離職，成立非營利的 Open Climate Fix。

第一個專案：與英國電網營運商 National Grid 合作，用每 5 分鐘一次的衛星影像訓練 AI，預測太陽能發電。

兩小時前的預測誤差從平均 600 MW 降到 200 MW（提升 3 倍），足以從電網的旋轉備用中拿掉好幾組瓦斯渦輪機。

此工具現也應用到印度（Rajasthan）的大型太陽能廠。

邊際性的小幫手#

• Google Project Green Light：以 AI 分析十二城市七十個路口紅綠燈的時序協調。停等車輛減少 30%、CO₂ 排放下降 10%。
• DroneDeploy：用無人機監控太陽能廠、推薦最佳面板配置、識別髒污或損壞面板。
• 矽谷新創 Aionics 與德國電池廠 Cellforce 合作，用 AI 找新電解質——若成功將顯著延長電動車續航或讓電網全用再生能源。
• 美歐實驗室也用 AI 控制核融合反應爐的等離子。

這些都是有用的邊際改善；但單靠 AI 無法解決氣候。核融合的能量產出至今幾乎只能勉強抵掉自身耗能。

AI 在氣候議題上是「問題的一部分，並且每小時都正在變大」。

Koomey 推論的崩塌#

從 Moore’s Law 到 Koomey’s Corollary#

• 摩爾定律（Moore’s law）：每兩年同一面積晶片上電晶體數量翻倍。
• Stanford 研究者 Jonathan Koomey 在 2010 年提出推論：自 1940 年代中期起，單一運算所需電量每 1.6 年減半——比摩爾定律更快。智慧型手機要求長續航，又進一步推動這個趨勢。

但摩爾定律已減速；Koomey 推論也跟著崩塌。2000 年起，運算能效翻倍平均要 2.7 年，LLM 與生成式 AI 的爆發完全打破了這個推論：

• 大型 AI 模型跑在 GPU 上，每顆 GPU 比一般晶片更耗電。
• 最大模型需要把上萬顆 GPU 串成超大資料中心。

規模化下的恐怖數字#

• GPT-3 訓練估算：相當於開新車跑 43.5 萬英里（差不多繞地球到月球往返一次）的 CO₂ 排放。論文作者警告：「AI 有可能變成氣候變遷的重大貢獻者。」
• Hugging Face BLOOM：訓練排碳 25 公噸 CO₂；計入 GPU 製造與部署後生命週期碳足跡為兩倍——大約 60 趟跨大西洋飛行的排碳——而 BLOOM 大約只有 GPT-4 的十分之一。
• 2012–2018 年間，訓練 AI 所需電力上升 30 萬倍，最強模型每三個月翻一倍。

訓練只是開始#

• BLOOM 的訓練在法國（多為核能），碳足跡較低；訓練於印度、中國等高化石能源地區的模型則更糟。
• 生成式 AI 的單次推論耗電遠高於早期軟體：與 chatbot 一次對話的算力是傳統搜尋的 4–5 倍；單次 GPT-4 查詢可能消耗智慧型手機 1/3 電池容量。

Big Tech 的能源胃口#

• 全球資料中心 2010–2020 年算力成長 550%，但耗電僅升 6%——已大幅優化過。
• 但 AI 推進讓總耗電持續攀升：
  • 2021 年 AI 占 Google 用電 10–15%（2.3 TWh，相當於 Atlanta 全市用電）。
  • 2023 年微軟、Google、Amazon 共投入約 1000 億美元蓋資料中心；BoA 預估 2025 年將超過 1200 億美元。
  • 估算：到 2027 年 AI 將至少占全球用電的 0.5%。
• 微軟甚至在美國推動 AI 加速核電廠申設審批。

多數科技公司不公開實際耗電。要評估 AI 的真實衝擊，必須要求完整揭露。

水也喝光了#

AI 不只飢，更渴。製造 AI 晶片的 fab、與置放這些晶片的資料中心，都是巨型耗水戶。

• 微軟 2021–2022 年全球用水增加 34% 至 17 億加侖，足以填滿 2500 多個奧運游泳池——同年正是 OpenAI 在微軟愛荷華資料中心訓練 GPT-4。
• 微軟在 Des Moines 西郊的五座資料中心，2022 年夏吃掉當地夏季總用水量約 6%，當地水利機構警告將反對任何擴建；West Des Moines 自來水公司被迫從本就極度瀕危的 Raccoon River 引水補缺。
• UC Riverside 的 Shaolei Ren 估算：與 ChatGPT 一次 5–50 輪的對話會消耗約 0.5 公升水。
• Google 2021–2022 年現場用水增加 20%，多半來自 AI 擴張。

地理上：

• 大資料中心多選在水資源吃緊地區（拉斯維加斯、亞利桑那 Mesa），因為太陽能/核能電力便宜、地便宜、稅務優惠。
• Virginia Tech 與 LBNL 研究：全美 1/5 的資料中心使用中度至高度受脅迫的水資源流域。

政府可透過內政部 Bureau of Reclamation、USGS Office of Groundwater 與 EPA 強制揭露；ESG 投資人也能用資金力量壓低耗水。

髒亂的礦坑與不那麼乾淨的潔淨室#

GPU 的礦業足跡#

AI 晶片含稀土比例高於一般晶片，並需鉻、鎘、汞、鉛、鈷、鎢、硼。多以露天礦坑開採，再用化學浸漬池處理；地下水與河流可能受重金屬與放射性釷、鈾污染。

每生產一公噸稀土，產生約 2000 公噸有毒廢料。

Fab 的真相#

• 媒體鏡頭裡身穿白色潔淨服的工人，看似潔淨無瑕——但 fab 本身耗電耗水、使用大量有毒化學品。
• TSMC 約占晶圓代工市占 56%，為 Nvidia、Google、微軟代工 AI 晶片：
  • 用掉台灣 6% 以上的電力。
  • 2022 年排碳 1160 萬公噸——是福特或通用汽車整體排碳的 3–4 倍。
  • 承諾 2050 年 100% 再生能源；2021 年與 Ørsted 簽署當時全球最大企業再生能源購電協議（採購其建於台灣海峽的離岸風場全部電力）。
  • 但 2022 年實際使用再生能源仍僅 10.4%。
• 2022 年 TSMC 台灣 fabs 用水 9680 萬公噸，雖宣稱回收 85%，仍有上百萬公噸從本地水源取走。台灣近年乾旱，農民抗議水資源被半導體業占用。
• 半導體製造高度依賴永久化學品（PFAS，per- and polyfluoroalkyl substances），與不孕、胎兒發育不良、肝病、癌症相關；歐洲擬禁、3M 宣布 2025 年停產，TSMC 緊急召開供應商會議——目前仍無替代品。

Superfund 的歷史教訓#

• 矽谷本身正是美國最嚴重的 EPA Superfund 場址之一：地下水與土壤被當地 fab 洩漏的化學物質污染，與當地高流產率、生殖健康、癌症問題有關。
• Google 山景城園區部分坐落在這類場址。

TSMC 等業者正計畫在美國新建 fab，EPA 與相關機構必須警覺，避免我們把地下水與土壤污染一併「再回流（reshore）」回美國。

結語：AI 與氣候的終極問題不在資料，在政治#

我們可能需要 AI 來幫忙讓 AI 自己變得更乾淨。否則，按目前速度推進而不降低碳足跡、用水量與毒性，地球只會更糟。

一個樂觀的可能：人腦一天用的能量，比 ChatGPT 回答一個問題還少十分之一以上。若能找到更接近大腦運作模式的 AI，將是巨大成就。

但作者最終的提醒是：氣候變遷的最大障礙不是資料或政策設計，而是政治意志。

在許多面向，我們早就知道淨零所需的技術與步驟，缺的是政治與經濟意志。

「真正『解決』氣候變遷、打造永續未來，最終必須求助於我們自己的自然智能（natural intelligence），而不是人工智能。」