AI 真的在耗盡地球資源嗎？
過去幾年，AI 的環境影響幾乎都集中在「訓練」階段。大家想像的是數以千計的 GPU，連續跑幾週，消耗海量電力，排放大量碳。但現在，真正的問題已經不是訓練，而是推理（Inference）。
推理是什麼？就是我們每天在用的 ChatGPT 對話、Google Gemini 查詢、自動補字。這些請求每天發生 數十億次，比訓練頻繁得多。如果 AI 真的這麼耗能，那地球早就撐不住了。
問題是：沒有人真正知道，每個 AI 問題（prompt）要耗多少電、排多少碳、用多少水。過去的數據幾乎全是猜測，有人說一次 AI 問答要用 3 Wh，有人說 6 Wh，甚至還有人說一個問題要用掉 45 mL 的水。Google 說：「夠了，我們來測真正的數據。」
結果？不只不是大家想的那樣，還低到讓你驚訝。
Google 的實測結果：Gemini 一個問題 ≈ 看電視 9 秒
Google 發布論文《Measuring AI’s Environmental Impact at Production Scale》，實際測量 Gemini App 在 Google 全球資料中心的推理能耗，結果顯示：
✅ 0.24 Wh 能耗
✅ 0.03 公克 CO₂ 排放
✅ 0.26 mL 水消耗
換個方式理解：
- 電力：問 Gemini 一次問題 ≈ 看電視 9 秒鐘
- 水：大約 5 滴水
- 碳：和 寄一封短電子郵件差不多
而且，這個數據比去年同一系統省了 33 倍能耗、44 倍碳排放！
為什麼以前的數據都錯了？
因為大部分的報告都是「實驗室數據」或「猜測模型」，通常只做以下兩種：
- 根據硬體規格與模型大小估算
- 用單一 GPU 做測試，然後直接放大
但這樣有兩個大問題：
- 沒有算整個系統：除了 AI 晶片（GPU/TPU），還有 CPU、記憶體、網路設備
- 忽略現實因素：像待機能耗、資料中心冷卻、功率轉換損耗、伺服器閒置率
Google 發現，這些「缺漏」會讓能耗少算一半以上。實驗室基準 ≠ 生產現實。
Google measured energy usage across their entire Gemini production fleet
Google 怎麼做？量測整個堆疊
Google 採用「全面實測法」，涵蓋整個 Gemini 生產環境，不只算 AI 運算，還包含：
✅ AI 加速器能耗（TPU 運算）
✅ 主機能耗（CPU + DRAM）
✅ 待機能耗（隨時待命的伺服器）
✅ 資料中心損耗（冷卻、電力轉換，透過 PUE 衡量）
結果，僅僅是「有沒有算上這些」，能讓同一模型看起來 差 6 倍效率！Google 用 Llama 3.1（70B）做對比，結果顯示：
- 只算 AI 晶片 → 3600 個 prompt/kWh
- 全面計算 → 580 個 prompt/kWh
這也是 Google 在論文裡暗示的重點：不要隨便比較數字，除非知道測量範圍。
那碳排和水呢？
Google 用 市場基準法（Market-Based Accounting）計算碳排，反映他們購買的乾淨能源，並納入：
- 範疇二（Scope 2）：使用電力的排放
- 範疇一與三（Scope 1+3）：硬體製造過程的隱含碳排
結果：0.03 gCO₂ / 每個 prompt。
水的部分，他們用 **WUE（Water Usage Effectiveness）**換算冷卻用水，結果只有 0.26 mL，還控制了地點、季節、冷卻方式。
這意味著，這個數字真的反映現實，而不是理想化估算。
為什麼 Google 的數字這麼低？因為它們優化到極致
Google 用了全棧優化策略，讓 Gemini 變得更省電、更快：
- 模型架構：Gemini 採用 Mixture-of-Experts 和量化，減少活躍參數
- 批次處理 & 預測解碼（Speculative Decoding）：一次處理更多請求，少重複計算
- 小型模型（Gemini Flash / Flash-Lite）：專為推理設計的精簡版
- 硬體：最新 TPU（Ironwood）比第一代效能高 30 倍
- 排程調度：動態分配負載，降低閒置
- 軟體優化：XLA 編譯器、Pallas 核心、Pathways 編排
- 資料中心：PUE 1.09（業界平均還在 1.4）
- 綠能採購：大量購買碳中和電力，並動態調整工作負載
這不是紙上談兵，而是 Google 全球機房實際部署的成果。
Google 也「溫柔吐槽」競爭對手
Google 在報告裡列了一些業界公開數據，並對比自己的測試結果：
- De Vries (2023)：GPT-3.5 → 約 3 Wh/prompt
- EcoLogits：1.83～6.95 Wh/prompt
- Epoch.AI (2025)：GPT-4o → 約 0.3 Wh/prompt
- OpenAI (2025)：0.34 Wh/prompt（未公開方法）
- Mistral AI：1.14 gCO₂ 和 45 mL 水/prompt
對比 Google：
✅ 0.24 Wh
✅ 0.03 g CO₂
✅ 0.26 mL 水
差距大到誇張，有的錯了 10 倍以上。
Google 甚至展示，測量範圍不同，同一模型效率可以差 6 倍，所以他們強調：
「別再亂比較數字，除非大家測的是同一個東西。」
重點總結
這篇研究不代表 AI 完全沒環境影響，而是告訴我們：
✔ 如果做對，AI 推理的環境成本可以非常低
✔ 過去的數據大多錯誤或不完整
✔ Google 的全面測量方法應成為業界標準
✔ 不要相信任何「每個 prompt 耗能多少」的數字，除非清楚測量方法
最重要的一句話：
實驗室基準 ≠ 真實世界，AI 效率比你想像的更好，但要靠優化與低碳能源才行。
