議題背景：

臺灣時間6月3日（三）晚上10:00，聯合國大學水、環境與健康研究所發布《AI能源使用的環境成本：碳、水與土地足跡》 （Environmental Cost of AI's Energy Use: Carbon, Water and Land Footprints）報告。報告指出，2025年全球資料中心耗電約4480億度，相當於法國一年用電，若視為單一國家可排全球第11；水足跡[1]約4.5兆公升，土地足跡約6,900平方公里。預估2030年，全球資料中心用電可能超過9450億度，約占全球用電3%，水足跡約9.3兆公升，土地足跡逾14,500平方公里，並最高可能產生250萬噸電子廢棄物。

報告也指出，訓練AI雖然耗電，但使用者與AI每日數十億次的連續「推論」（inference）的互動，更佔AI耗用的能源80–90%。報告中說明2025年全球資料中心的耗電，與AI相關工作約佔20%，930億度電。報告主張，評估AI環境成本不應只看碳排放，而需同時量化碳、水、土地足跡，並注意電子廢棄物的後果，因為「低碳排不等於低影響」。足跡也會隨各地電力結構與運算中心位置而分布不均，被轉嫁的負擔可能加劇當地社群的環境問題。

報告原文： https://unu.edu/inweh/collection/environmental-cost-of-AIs-Enrgy-Use-Carbon-water-and-land-footprints

台灣目前約有36座資料中心，建置數量全球第9；國科會2026年1月估計，AI資料中心的用電規模將在2029年達約450百萬瓦（MW）。台電已開始限制，桃園以北不再受理5MW以上資料中心申設。即使資料中心未來不致成為台灣最大用電來源，高密度用電仍可能對區域電網造成壓力。如何整合考量用水、土地與相關環境成本，也逐漸成為議題。

為使大眾更加理解AI資料中心的環境成本，以及應該如何設計制度回應環境成本議題，台灣科技媒體中心邀請電力治理及區域治理專家提供觀點。

專家怎麼說？
【洪綾君】【王穎達】【鄭安廷】【趙家緯】

2026年06月01日
國立成功大學研究發展基金會兼任研究員 洪綾君

從ChatGPT在2022年底問世開始，許多人的生活已經離不開AI演算，「萬事問AI」，但AI搜尋的耗電量是傳統搜尋的10倍。除了搜尋外，模型訓練、資料中心營運，以及建置資料中心所需的材料等，無一不需耗電耗能。這份報告揭露AI時代對能源的大量需求與消耗：不只電力，水和土地也都是支應AI資料中心建置的資源。企業能購買綠電或使用再生能源供電達成零碳，但建置AI資料中心的水足跡和土地足跡，也都是不能忽視的環境影響。

「在地承擔，遠方得利」（Local costs, distant benefits），這份報告點出未來AI資料中心可能造成衝突的核心：當AI資料中心被快速及大量建置時，我們如何評估其帶來的影響？除了科技進步及商業利益外，是否會影響到更多人？哪些人會被迫承擔能源消耗和環境改變的代價？受益者和付出代價者是否為不同的群體？過去台灣發展地面型太陽光電時，便面臨到類似的「綠色衝突」：在南部的魚塭或濕地建置太陽能板，但地方並未享受到再生能源發展的利益。可以預期這種誰付出代價、又是誰享受好處的爭議，未來也將在AI建置潮中成為討論焦點。

面對氣候變遷及能源轉型的壓力，以及在AI時代全球供應鏈扮演要角，台灣近年針對相關資源使用，有著各種討論及政策修訂。未來的討論，將延伸至企業及區域治理中的用電責任，抑或採用「全資源視角的整合資源規劃」思維，整合利害關係人的意見，回應社會需求，並兼顧電業與國土使用的目標，提升規劃的透明度與包容性等。這些討論都可以提早因應AI資料中心加速建置帶來的影響。這份報告提供的他國經驗與科學證據，映照出這些議題的重要性與急迫性，預期對台灣相關的討論將有正面的影響與幫助。

2026年06月01日
NIRAS資深經濟顧問 王穎達

Q1：報告補充或修正了哪些既有認知？台灣的 AI 資料中心耗電情況是否接近全球趨勢？

台灣過去討論AI耗能，多從「問一次AI要多少電」切入。這份報告把問題拉回基礎設施層次，納入訓練、推論、資料中心、電力結構、冷卻水、土地、關鍵礦物與電子廢棄物。報告亦指出AI推論規模擴張後將形成資料中心固定負載，並對區域電網、燃氣調度、綠電供給、水資源、土地使用與環境承載構成壓力。

台灣已要求5MW以上資料中心提出能源使用說明書，電力使用效率（Power Usage Effectiveness, PUE）[2]標準為超大型不超過1.3、主機代管不超過1.4。但若與訂定類似標準的德國比較，目前針對新資料中心的規範仍較寬鬆。台灣可能要進一步思考，未來本土模型、訓練中心與推論中心所需電力、設址與能源來源等問題。台灣目前對AI戰略的討論仍偏重應用與產業競爭，能源、水資源與區域治理規劃還沒有被放到同等位置。

Q2：報告資料來源與方法是否合理？有哪些研究限制？

報告用模型訓練、推論與資料中心三個尺度估算AI環境成本，再依電力結構轉換成碳、水、土地足跡，較能回應公共治理需求。PUE只能反映資料中心內部效率，無法說明電力來源、發電水足跡、土地壓力與地方環境成本。報告也明確指出，單一碳指標可能掩蓋環境負擔轉移，低碳電力在部分情境下仍可能帶來較高水足跡或土地足跡。這對台灣尤其重要，因為能源轉型、資料中心設址、科學園區擴張、農業用水、區域電網壅塞，經常集中在同一個西部空間帶。

這份報告主要限制在於AI公司揭露不足，GPT-4、GPT-5類模型耗能多屬文獻與情境推估，不能當作企業正式揭露的實測數字。報告也未完整量化AI生命週期的足跡，包括晶片製造、伺服器供應鏈、備援柴油機、輸電線路、直接冷卻水與地方空污。第三個限制是時間與區域解析度。報告多使用國家或全球平均電力足跡，適合跨國比較，較難反映資料中心24小時連續負載的時段特性。台灣若要套用這套分析，還要納入北部電網壅塞、夜間電力調度、尖峰備轉、科學園區所在水區與枯水期供水風險。

Q3：台灣政府如何因應區域治理與能源轉型？

AI戰略不宜和能源治理分開推進。就公開資訊觀察，目前大型資料中心與AI基礎設施仍偏向由廠商自行申請、政府個案審查的模式。這種模式可能低估AI訓練中心與AI推論中心未來需要的電力規模。歐美新一代AI訓練與推論中心已進入百萬瓦（MW）到十億瓦（GW）的用電等級，例如xAI、微軟與Stargate Norway個案。大型資料中心基地面積有限，供電系統卻可能需要變電所、輸電線、燃氣機組、儲能與備轉容量。若政府只做個案審查，容易低估區域環境成本。

台灣社會在能源轉型過程中，已經出現「別的地方用電，為何設施蓋在這裡？」以及天災來臨時「再生能源案場在發電，鄰里卻無法直接使用」等地方感受。未來大型AI資料中心若與再生能源設施、天然氣機組或輸變電工程綁定，類似衝突可能加劇。政府應建立高耗能數位基礎設施的區域審查制度，將資料中心用電、併網容量、能源來源、備援電力、水資源、土地使用與地方回饋一起評估。

Q4：台灣政府如何因應水資源議題？

台灣現行政策主軸是增加多元水源、強化調度、推動產業用水回收，並以再生水支援科技產業。水利署曾說明，行政院已核定16案再生水廠，完成後每日可增加約60.69萬噸穩定水源。缺口在於政策仍偏重總供水量，對特定流域、枯水期、園區競爭與氣候風險揭露不足。氣候變遷加劇後，降雨時序、水庫蓄水、地下水補注與農業灌溉需求都可能出現更大波動，既有規劃可能與實際水情脫節。

大型AI資料中心若採水冷或蒸發冷卻，應揭露取水量、耗水量、排水量、水使用效率（WUE）、冷卻技術、再生水比例與枯水期降載計畫。政府應將再生水使用義務與大型資料中心設址結合。若資料中心設於水情敏感區、地下水管制區、農業灌溉壓力區或科學園區供水瓶頸區，審查門檻應提高。

Q5：台灣AI資料中心／晶圓製造的用電、用水與回收量級？

台灣尚無AI資料中心用電及用文完整統計。若以美國及歐洲大型資料中心的1GW連續負載估算，全年滿載約87.6億度電；容量因數80%時約70億度電，約占台灣2025年總發電量2,889億度的2.4%至3.0%。晶圓製造方面，台積電2024年用電255.5億度，約占全台電力消費9%。科技民主與社會研究中心（DSET）研究指出，已知2奈米先進製程最高用電約1.928GW，若全年連續運轉約168.9億度，約等於322萬戶住宅全年用電。用水方面，台積電2024年總用水約1.29億立方公尺，台南廠區每日再生水供應已超過6.7萬立方公尺。由於目前未有完整公開可取得針對晶圓產業的官方用水及電力報告，若未來能參考這個研究報告做全方面的檢視，可能會比現在的治理模式更具循證治理的基礎。

2026年06月01日
國立政治大學地政學系教授 鄭安廷

Q1：這篇報告在資料、方法或結論上，補充或修正了哪些既有認知？

台灣平地面積有限，開發密度卻極高。在這樣的國土條件下，無論是出於經濟發展的需求，還是地緣政治的考量，台灣在積極發展AI相關產業與基礎設施的同時，也必須正視其背後的環境代價與資源消耗。

這份聯合國報告提供了一個有用的視角：藉比較各國資料中心的用水、用電與土地足跡，讓我們得以具體評估資料中心對環境的影響。

其中，土地足跡對台灣而言尤其值得關注。報告指出，土地足跡的大小取決於各國的發電結構。若生質能、陸域風機、水力發電的占比較高，土地足跡也會隨之增加。台灣目前的能源政策以太陽光電和離岸風電為主軸，雖然跟報告提及的能源類型不同，但這兩種能源在推動過程中，已經在台灣引發了大規模的土地利用競合與社會衝突。

因此，即使台灣的土地足跡數值在國際比較中看似不算突出，但當同樣的土地壓力落在一個國土面積相對有限的地方，實際衝擊卻可能遠比數字所呈現的更為嚴峻。

 

Q2：報告指出，新建一座資料中心所需土地不大，但供電的電力基礎設施占地廣大；資料中心又往往集中於特定區域，可能加重區域電網的環境負擔，甚至拖延能源轉型。台灣政府應如何設計政策與制度，因應區域治理與能源轉型議題？

涉及土地或環境資源耗用的議題，可由國土空間規劃體系尋找因應途徑。當前地方政府握有空間規劃權限，皆將產業園區開發視為重要執政目標，並且積極爭取資料中心的投資建設。問題在於，地方政府往往僅關注產業進駐與地方經濟發展，至於確保電力供應，則被視為中央政府的權責，並不受到地方重視。而且電力可經電網跨區域傳輸，在當前淨零能源轉型的背景下，此現象就導致其他地區必須設置更多的再生能源，以供應擴張的用電需求，形成區域性的不平等。

隨著近年資源逐漸下放至地方，未來機制設計應強化地方政府的相關權責。建議以國土計畫的開發審查，要求地方政府須負擔一定的淨零義務與發電責任。依循此模式，資料中心設置須將在地資源限制與淨零需求納入考量，朝向更加永續的AI產業發展。

2026年06月01日
國立臺灣大學氣候變遷與永續發展國際學位學程兼任助理教授／台灣氣候行動網絡研究中心總監  趙家緯

Q1：這篇報告補充或修正了哪些既有認知？台灣的 AI 資料中心耗電情況，與全球趨勢是否相近？
這份報告引用國際能源總署（IEA）對全球資料中心用電的推估：2025年約4,480億度電，約占全球用電1.4%；2030年可能升至約9,450億度電，接近全球用電3%。其中，AI工作負載占資料中心用電的比重，可能由2025年約 20%提高到2030年約40%。並估算出資料中心年度營運的碳足跡為 1.89 億噸二氧化碳當量（CO₂e）。

報告也進一步估算前沿模型訓練的環境成本。GPT-3訓練約耗電128.7萬度電；GPT-4 估計耗電5,000–7,000萬度電，約為GPT-3的 40–55 倍，碳足跡約2.5萬噸二氧化碳當量，水足跡約6億公升。報告也說明，目前尚無GPT-5訓練用電資料，但若依GPT-3與GPT-4的擴張趨勢推估，下一代模型訓練可能達1億度電，碳足跡約4.2 萬噸二氧化碳當量，其訓練用電約等於撒哈拉以南非洲77萬人的年住宅用電。

更重要的是，報告提出透明度、效率優先設計、環境正義、生命週期責任、國際合作與永續使用六項治理原則。具體包括：要求AI業者分別揭露訓練、部署與任務層級推論的能耗與環境足跡；預設小模型優先、低解析度與短輸出；明確揭露高耗能的圖像與影片生成；並把晶片、關鍵礦物、冷卻、廢熱與電子廢棄物納入生命週期管理。這也呼應印度AI影響力峰會的「AI與氣候專家諮詢小組」（Expert Engagement Group on AI and Climate）的建議：例如建立「AI能源之星」1到5星效率標示，要求模型與基礎設施的能效直接顯示於服務介面；要求資料中心定期揭露每次推論任務的電力使用效率（PUE）[2]、碳足跡與水使用效率（WUE）指標，並經第三方查核；公共採購也不應只看最低成本，而應納入模型準確度、能源效率、永續性與無碳能源（CFE）承諾。該專家小組也建議設置結合再生能源、儲能與算力設施的「能源園區」，並以 PUE、WUE、CFE 承諾作為基礎設施許可基準，讓資料中心從單純用電大戶，轉為電網與資源網絡的積極參與者。

在台灣方面，現在資料中心占全國用電只有0.16%，但未來AI算力中心運算負載若達450百萬瓦（MW），納入電力使用效率換算後一年約51億度電，會占全國用電約1.5%。但若採台電在2024年8月提出的AI含網路資料中心（IDC）的用電規劃，其2030年用電量可達122.3億度，占比便達到3.6%，便超過全球平均值。

 

Q2：這篇報告的資料來源與方法是否合理？有哪些研究限制？
這份報告的用電推估大致沿用IEA對資料中心需求成長的全球情境，再把用電量轉換為碳、水與土地足跡。報告中的水足跡與土地足跡，主要是AI與資料中心用電所衍生的間接足跡，也就是發電過程中的水資源消耗與能源基礎設施土地使用。它雖然也提到資料中心冷卻用水案例，但核心量化分析並不是逐座資料中心的實際取水量或耗水量盤查。IEA相關研究指出，平均而言，資料中心總用水約三分之二與發電有關，約四分之一與冷卻有關，但實際結果會受到伺服器密度、冷卻系統設計、電力結構水密集度與當地氣候影響。但這份報告並未討論這些變數，在估算電力需求量與碳足跡時，也未反映電力使用效率、電力來源等差異，因此對於未來預測結果，政策價值有限。


Q3：台灣政府應如何設計政策與制度，因應區域治理與能源轉型？
近期 NVIDIA 在台布局引發許多討論，但台灣討論AI資料中心，不應只停留在「是變電所問題」或「非核家園導致供電瓶頸」，而應回到制度設計。台灣在2025年宣布將新、擴建5 MW以上資料中心納入能源使用說明書審查，但PUE門檻若僅設在 1.3，仍偏寬鬆，應逐步趨近1.2，並同步要求揭露契約容量、實際用電、電力使用效率、水使用效率、冷卻方式、再生能源採購與需量反應能力。


後續可參考德國《能源效率法案》（EnEfG）的資料中心規範。德國以30萬瓦（300 kW）作為管制門檻，對2026年7月1日後啟用的資料中心要求PUE ≤ 1.2；既有資料中心則須在2027年7月1日起達PUE ≤ 1.5、2030年7月1日起達 PUE ≤ 1.3。德國也設定廢熱再利用比例，2026 年7月1日起能源再利用率（Energy Reuse Factor, ERF） ≥ 10%、2027 年起 ≥ 15%、2028 年後 ≥ 20%；再生能源用電則自 2024 年起至少 50%，2027 年起提高至 100%。這些規範可作為台灣修正資料中心管理制度的參考。

選址上，應促使具備再生能源供給、低用水壓力與電網餘裕的工業區規劃「能源園區」，讓算力設施、再生能源、儲能與再生水系統共址。大型資料中心也應參與儲能、需量反應與逐時無碳電力採購。AI訓練等非即時任務，應盡可能轉移到綠電充沛或電網壓力較低的時段，使新增AI用電能支撐再生能源併網與電網韌性。

 

[1]：碳、水、土地足跡：三者都屬於環境足跡的概念，用來衡量某項產品的生產或是特定活動在整個生命週期中，所消耗的某種自然資源。碳足跡指的是人類購買特定產品或執行某種活動直接及間接排放的溫室氣體，水足跡則是耗用的直接及間接用水，土地足跡則是所實際占用的土地面積。

[2]：電力使用效率（Power Usage Effectiveness, PUE）=資料中心總用電（Total Facility Energy）÷ IT設備用電（IT Equipment Energy）。這個數字表示為使運算設備運轉，整座資料中心總共要多花多少電？理論最小值為1.0，也就是資料中心的每一度電都投入在運算設備上，冷卻等其他用電為0。