IEA深度解析AI與能源交織未來：機會與挑戰並存

國際能源資訊署(IEA)於4月10日公布能源與人工智慧(Energy and AI)，這份報告把現在最夯的人工智慧(AI)跟我們每天都離不開的能源兩件大事，仔細地講個清楚明白。

首先，報告一開頭就點出，這幾年AI真的是紅到發紫，從以前學術界的小玩意，搖身一變變成兆元級的產業。雖然未來還充滿變數，但是很明顯，AI這波是擋不住的，很多產業都已經開始用了，甚至已經是現在進行式。報告裡面還列了一大串來自各國產官學界的大人物，看起來大家都很重視這個議題。這份報告是國際能源署(IEA)製作出來的，不過裡面講的內容不一定代表IEA會員國或是其他贊助單位的立場。

接下來，報告就針對AI的崛起做了深入的分析。AI其實歷史蠻久的，早在1950年代就有了，中間也是起起落落，有時候很熱門，有時候又好像沒什麼進展，這就是大家說的「AI寒冬」。但是這幾年，因為技術、成本還有科技都有重大突破，特別是生成式AI的出現，才讓AI又整個紅了起來。像ChatGPT，在2022年推出之後，像是文字、圖像這些生成式AI工具的使用量就大幅飆升。短短兩年內，美國跟英國大概就有四成的家庭用過類似的工具，而且到了2025年二月，ChatGPT全球每週的活躍用戶竟然高達4億。現在很多我們常用的軟體，像是Email、聊天軟體、社群媒體，都開始整合AI工具。

報告也解釋一些AI的基礎概念，像是神經網路跟深度學習。神經網路就是學人類大腦的運作模式，一層一層的節點接收跟處理資訊。深度學習就是指有很多「隱藏」計算層的神經網路。其實早在1990年代初期，就有用神經網路來辨識銀行支票上的數字。現在很流行的生成式AI，就是專門產生新的內容，像是文字、圖片、聲音、影片等等，ChatGPT就是一個例子。大家現在這麼關注AI的能源消耗，也是因為這些生成式AI模型需要大量的資料中心來訓練跟運行。

講到能源消耗，報告裡面有特別提到AI模型的生命週期跟能源消耗。其中一個很重要的階段就是模型訓練，這個過程就是要讓模型從大量的資料裡面學習規律跟關係。這幾年，訓練AI模型需要的資料量跟計算量都是指數級成長。舉例來說，報告估計GPT-4的訓練資料量大約是4.9兆個資料點，訓練所需的計算量更是高達2.2e25。報告還提到一個叫做DeepSeek的模型，它用了一種叫做MoE(混合專家)的方法，可以減少95%的模型大小，但是效能還能維持。它還用了很厲害的方法來更有效率地處理輸入問題裡面不同元素之間的關聯性，而且可以並行計算輸出文字，大幅提升效率。

報告裡面也有提到不同AI任務的GPU能源消耗。用小型語言模型產生文字大概只需要0.3瓦時，中型模型大概是5瓦時。產生圖片大約是1.7瓦時，但是產生短時間、低畫質的影片就要115瓦時左右，這可是比充手機(約15瓦時)或筆電(約60瓦時)要多很多。報告也強調，模型設計跟選擇對能源消耗有很大的影響，同樣的任務，用不同的模型，耗電量可能會差很多。在實際應用中，通常會用批次處理(batch processing)的方式來提高GPU的利用率，但是這樣反而可能會增加每個token的能源消耗。

第二章就聚焦在AI所需的能源。報告指出，最近兩年全球新的資料中心投資暴增近70%。這背後的主要推手就是AI的崛起，以及全球經濟的數位化。資料中心投資快速增加，也讓人開始擔心電力系統能不能及時、安全、且永續地滿足這麼大的電力需求。報告也坦言，現在對於資料中心的電力消耗數據還很有限，AI模型的種類又很多，所以很難分析AI需求跟資料中心電力消耗之間的關聯。不同的模型估算方法，對於全球資料中心的電力消耗量可能會產生很大的差異。IEA自己是用由下而上(bottom-up)的方法來估算，主要是根據IT設備的出貨量來推動資料中心的能源需求。AI的發展正在加速高效能加速伺服器的部署，這也導致資料中心的功率密度越來越高。所以，加速器的普及速度跟規模，將會是未來電力需求的一個關鍵因素。

報告也提到，資料中心是廣義的ICT產業的一部分，還包括電信網路跟終端設備，像是筆電跟手機。AI對資料中心以及整個ICT產業的能源影響，很大程度上取決於生成式AI的採用跟部署方式，而這兩者都充滿不確定性。報告也探討了幾種可能的情境及其影響。為了滿足資料中心的電力需求，科技公司也開始採用不同的採購策略，像是直接購買再生能源。怎麼樣讓電力供應跟資料中心的需求更好匹配也是一個重要的議題。有些資料中心也開始考慮使用備用柴油發電機，雖然可靠，但是會有污染跟噪音的問題。核能雖然可以提供穩定的電力，但是在資料中心電力供應中的占比，預計到2035年會降到10%左右。報告也分析不同情境下，資料中心電力生產所產生的二氧化碳排放量。美國的資料中心地點也出現一些變化，雖然主要的樞紐還是在持續擴張，但是像內華達州的拉斯維加斯跟德州的艾爾帕索，因為土地便宜、再生能源便宜、又有稅收優惠，也開始吸引大型的資料中心開發。

報告也提到了一些可以優化資料中心能源使用的方法，像是調整冷卻負載、工作負載的時間管理等等。Google就部署了一個「碳感知」的排程系統，把工作負載移到再生能源比較多的時候執行。

第三章就把重點放在AI在能源優化上的應用。AI現在已經被應用在能源系統的很多方面，像是降低成本、整合更多變動性再生能源、提高系統效率、優化燃料供應、確保基礎設施的及時維護、以及減少排放等等。報告仔細介紹了AI怎麼樣被用來優化現有的能源技術跟流程，第四章則是看AI在能源領域的技術創新中扮演什麼角色。AI可以增強氣候跟天氣科學的能力跟準確性，進一步為能源產業帶來益處。

在降低材料成本方面，AI在電動車跟風力發電機製造業最有潛力，而在優化能源成本方面，太陽能光伏產業的潛力最高。AI也可以應用在運輸部門來節省能源，像是優化自動駕駛汽車的燃油效率，以及提高共享汽車的載客率。不過報告也提醒，雖然自動駕駛可以節省單次行程的能源，但是如果因為成本降低跟舒適度提高而增加總體出行需求，反而可能會讓運輸部門的總體能源需求大幅增加。在建築領域，AI可以優化數位化的暖通空調(HVAC)系統的運作，節省能源。Meta就在其伊利諾州DeKalb的資料中心建設中，利用AI模型設計出可以減少水泥用量但不影響強度的混凝土，據說可以減少高達40%的碳排放。

報告也強調能源系統的韌性對於能源安全跟可負擔性非常重要。天氣狀況對能源系統的影響很大，AI可以幫助預測跟應對這些風險。

第四章則是深入探討AI在能源創新中的應用。報告提到，AI在各個領域的創投基金占比持續增加，尤其是在數位領域。AI也被應用在加速新材料的發現，例如電池材料、碳捕獲材料等等。AI甚至可以用來設計更安全、更有效率的核反應爐核心。報告中也列出一些AI有潛力帶來重大影響的能源技術挑戰，像是長時儲能、低碳水泥、塑膠回收、以及有效的核融合等等。報告也勾勒出了一些AI在能源領域的未來願景，像是零外部能源需求的建築、自動化的公共運輸系統、以及可以快速調整的低廢料工業製程。各國政府也開始增加在AI相關的研發(R&D)上的投入。

最後，第五章討論了能源與AI的新興議題。報告提到在AI時代的能源安全問題，包括AI在提升能源安全方面的應用，以及AI供應鏈的安全性。報告也初步探討了AI對碳排放的潛在影響，包括資料中心排放量的背景，以及AI在減少能源使用排放方面的作用。

整體來看，這份報告非常全面地分析AI跟能源之間的複雜關係，既點出了AI發展帶來的能源需求挑戰，也看到了AI在優化能源使用跟加速能源創新方面的巨大潛力。對於我們這些關心財經趨勢的人來說，這份報告絕對值得好好研究一番，才能更清楚掌握未來能源跟科技發展的方向。

圖資來源：IEA