人工智慧（artificial intelligence，AI）的能源悖論

人工智慧快速崛起，在全球對抗氣候變遷的過程中引入了一個複雜的悖論。一方面，這項技術的實體基礎設施——充斥著高耗能伺服器的大型資料中心——正在推動電力消耗和碳排放的大幅上升。另一方面，新的研究與實際應用則顯示，AI 可能正是加速邁向淨零未來所需的催化劑。隨著產業成熟，重點已從單純觀察這種張力，轉向透過政策、創新與策略性部署來積極管理它。

最近的一項分析凸顯了這種二元性，強調雖然 AI 對環境的負擔正在增加，但其減緩溫室氣體排放的潛力可能遠超其碳足跡。關鍵因素不在於技術本身，而在於人類的治理以及我們選擇優先投入的具體應用。

The Cost of Compute: Rising Emissions and Resource Strain

AI 繁榮對環境的影響既立即又具體。資料中心（Data centers） 正以前所未有的速度擴展，以支援大型語言模型（large language models，LLMs）的訓練與部署。這些設施是電力與用水的重要消耗者，常常對當地電網與資源造成壓力。在某些地區，科技巨頭的需求已導致與當地社區就資源取得與污染問題發生衝突。

這些資料中心的實際營運需要龐大的能量來支援冷卻技術與處理能力。隨著企業競相建立更大型的模型，「計算成本」造成了可觀的碳債。批評者指出，現階段大量能源被用於面向消費者的應用——例如生成數位內容或「無關緊要的消耗」——而非高效益的氣候解決方案。然而，將 AI 單純標籤為氣候惡棍的論述，忽視了目前正被部署於關鍵產業背後的變革性能力。

A Tool for Transition: How AI Can Decarbonize Industries

與關於能源消耗的陰鬱標題形成對照，《npj Climate Action》發表的一項研究提供了以資料為本的反駁。包括 Grantham Research Institute 的 Roberta Pierfederici 在內的研究人員發現，AI 的進展有潛力在 2035 年前每年減少全球 32 到 54 億公噸的溫室氣體排放。此預測節省量足以抵消同一時期所有全球資料中心預測總排放量。

該研究指出在 AI 介入能產生最高回報的關鍵部門：

• Transportation（運輸）: 優化演算法已被用來即時重新計時交通號誌，顯著減少擁擠城市中的怠速排放。
• Agriculture and Food Systems（農業與食品系統）: 在商業廚房與供應鏈中使用 AI 驅動的解決方案，有助於追蹤並減少食物浪費——食物浪費是全球甲烷排放的重要來源。
• Energy Systems（能源系統）: 機器學習（machine learning）模型正在提升現有電網的效率，允許更智慧的負載平衡與減少浪費。

Material Science and Grid Optimization

除了即時效率外，AI 正推動材料科學方面的突破，這對長期永續至關重要。向再生能源（renewable energy）的轉型長久以來受限於硬體限制，特別是在電池儲能與傳輸方面。

Google DeepMind 的 GNoME 專案即是此潛力的典範。該 AI 工具已預測了 220 萬種新晶體的結構，並辨識出約 38 萬種足夠穩定、可能用於驅動次世代電池與超導體的材料。加速這些材料的發現，對於擴大量產電動車及儲存來自太陽能與風能等間歇性再生能源至關重要。

此外，將再生能源整合到電網面臨挑戰，因其受天候影響而具有波動性。AI 系統如今能改進電力需求預測並管理來自可變來源的供給。藉由更準確地預測天氣模式，電網營運者能更有效地平衡負載，確保綠能被最大限度利用，而非浪費。

Beyond the Chatbot: Ecosystem Monitoring and Indigenous Data

儘管公共討論常聚焦於生成文字與影像的模型，機器學習正革新生態監測。Stanford Woods Institute for the Environment 的 Natural Climate Solutions Initiative 的常務董事 Tara O’Shea 強調，AI 使得分散的資料集「能互相對話」，揭示人類分析可能遺漏的關連性。

O’Shea 的工作包括共同開發系統，利用衛星影像與 3D 資料繪製森林結構與碳儲量的時間變化圖。從間接估算轉向直接、即時的測量，提供了高解析度的地球碳匯圖像。可靠的資料是有效全球政策的先決條件，例如最近氣候高峰會討論的熱帶森林保護基金。

然而，這些模型的效力取決於資料治理。人們越來越認識到，世代以來成功管理這些生態系統的原住民社群，必須在氣候模型的訓練與驗證中居於核心地位。確保資料主權的公平性，不僅能產生更準確的科學結果，也能確保碳保護的財務利益流向當地社群。

The Critical Role of Governance and Guardrails

AI 對地球造成傷害或療癒能力的分歧，最終將由治理決定。電影製作人兼環保倡議者 Sergio Izquierdo 指出，雖然 AI 並非污染的主要驅動力，但若任其不受限制，演算法驅動的生產鏈可能會加速資源開採。

化石燃料產業已在利用 AI 來優化勘探與開採，實際上是使用該技術來加深氣候危機（climate crisis）。這凸顯了制定「防護欄（guardrails）」與強力政府監管的迫切需求，以確保 AI 應用被導向公共利益，而非純粹的掠奪性利潤。

永續 AI 的策略包括：

• Decarbonizing Data Centers（資料中心去碳化）: 科技大廠正投資於以再生能源對應其消耗，並開發更高效率的冷卻技術。
• Policy Intervention（政策介入）: 各國政府開始塑造框架，鼓勵將 AI 用於氣候解決方案，同時懲罰過度排放。
• Capital Redirection（資本重定向）: 將資金流向生態系保存與復育技術。

Conclusion: Choosing the Path Forward

AI 既非天生的氣候救星，也非惡棍；它放大的是使用者的意圖。該技術既有能力為了利潤而加劇電網負荷，也有能力透過材料發現與系統優化來穩定正在升溫的世界。

未來的道路需要雙管齊下：積極減輕 AI 基礎設施的直接環境足跡，同時擴大其在再生能源、材料科學與生態監測等領域的應用。隨著這個產業演進，衡量 AI 成功的指標將不再僅是模型大小或處理速度，而是其對可持續未來的實質貢獻。

Strategic AI Applications for Climate Action

下表概述了目前 AI 正被部署以減緩氣候影響的具體領域，並對應該應用的潛在環境效益。