在人工智慧浪潮席捲全球的當下，除了驚嘆於大型語言模型的能力，另一股反對的聲浪也正在歐美各國的地方社區蔓延：「反對數據中心建設」。批評者認為，這些龐大的運算設施將成為新的高碳排來源，推高當地電價，甚至搶奪珍貴的水資源。
然而，吳恩達（Andrew Ng）近期提出了一個「不受歡迎」卻相當有趣的觀點：阻擋數據中心建設，反而可能對環境造成更大的傷害。 這聽起來似乎違背直覺，但在深入探討運算效率與基礎設施經濟學後，你會發現這並非空穴來風。
吳恩達的逆風觀點：為什麼阻擋數據中心反而不環保？
吳恩達在其最新的文章中說明大眾對於數據中心的三大恐懼：碳排放、電價以及水資源使用。他的核心論點建立在一個關鍵之上：人類對運算的需求是剛性的且持續增長的，關鍵在於我們選擇用什麼方式來滿足這些需求。碳排放的真相：集中式算力的效率優勢
大眾普遍認為數據中心是碳排放的元兇，目前的確約佔全球排放量的 1%。但吳恩達指出，若將算力集中在超大規模雲端服務商（Hyperscalers，如 Google, AWS, Microsoft Azure）的數據中心，其實遠比企業自建機房（On-premise）來得環保。這裡有兩個關鍵因素：
- 能源使用效率（PUE）的差異：PUE（Power Usage Effectiveness）是衡量數據中心能源效率的指標，計算公式為「設施總耗能 / IT設備耗能」。數值越接近 1.0 越好，代表越少的電力浪費在冷卻與照明上。
- 傳統企業機房：PUE 通常落在 1.5 到 1.8 之間，代表有大量能源被非運算設施消耗。
- 超大規模數據中心：領先業者已將 PUE 壓低至 1.2 甚至更低。這意味著同樣的運算量，集中式管理的能耗極低。
- 能源來源的潔淨度：許多企業自建機房只能依賴當地的傳統電網，其中可能包含大量燃煤或老舊能源。相比之下，科技巨頭更有資本與意願投資再生能源採購協議，其使用的電力中綠電比例遠高於一般企業。
吳恩達更舉了一個例子來對比：
- Google 搜尋：執行一次搜尋產生約 0.2 克二氧化碳。
- AI 查詢：Gemini LLM 的一次查詢約產生 0.03 克二氧化碳。
- 物理移動：開車去圖書館查一個事實，大約會產生 400 克二氧化碳。
從單次任務的觀點來看，數位化與AI化確實是極致的減碳手段。
電費不升反降？電網固定成本的分攤邏輯
除了環保問題，許多社區擔心數據中心這個「用電大戶」進駐會拉高居民電價。然而，Lawrence Berkeley National Laboratory 的研究卻顯示出相反的趨勢：州層級的負載增長傾向於降低平均零售電價。
這背後的經濟學邏輯在於「固定成本分攤」。電網建設（輸電線路、變電站）涉及巨大的前期固定投資。當一個穩定的基載大戶（如數據中心）加入電網並分攤這些傳輸電纜的成本時，普通消費者需要負擔的比例反而變小了。當然，這需要建立在良好的地方規劃與法規之上，若規劃不當，短期費率波動仍可能發生，但從宏觀經濟角度看，數據中心有助於平抑電網單價。
水資源之爭：數據中心與高爾夫球場的對比
數據中心的散熱系統（尤其是蒸發冷卻）確實需要用水，這在缺水地區是一個敏感議題。但吳恩達提出了一個有趣的數據對比：
- 美國高爾夫球場：每年用於灌溉草皮的水量約為 5,000 億加侖。
- 美國數據中心：每年直接用水量約為 170 億加侖（若計入發電用水則約 10 倍，但也遠低於高爾夫球場）。
這並不是說數據中心的用水不需管理，在某些特定社區，數據中心可能佔據當地用水的 10%，這確實需要嚴謹的都市規劃。但若將「維持草皮常綠」與「驅動數位經濟發展」相比，後者的社會效益與水資源使用效率顯然更具說服力。
TN科技筆記的觀點
在消化了吳恩達的觀點後，我們可以清晰地看到技術進步帶來效率提升，進而降低單位成本與環境衝擊的邏輯。 但個人認為我們也必須引入另一個從傑文斯悖論出發的觀點：
1. 傑文斯悖論：效率提升導致總量暴增
19世紀經濟學家威廉·傑文斯發現，當蒸汽機效率提高、煤炭使用變得更經濟時，煤炭的總消耗量並沒有下降，反而因為需求被釋放而劇增。
同樣的邏輯極可能發生在 AI 領域：
- 單次查詢確實更省電：如吳恩達所言，AI 查詢比開車去圖書館省電萬倍。
- 但需求性質改變了：我們不會因為有了 AI，就只是「把去圖書館的次數換成 AI 查詢」。相反地，因為 AI 太便宜、太好用，我們每天會進行數百次、甚至數千次的推論（Inference）。
- 創造新需求：AI 不僅是替代舊工具，它創造了全新的應用場景（例如：自動生成數千張行銷圖片、24小時的 AI 客服對話、即時程式碼生成）。這些是過去根本不存在的能源消耗。
因此，即便 PUE 降到 1.0 的物理極限，只要 AI 的應用需求以指數級成長，總體能源消耗（Total Absolute Consumption） 幾乎註定會持續攀升。這不是技術失敗，而是經濟規律。
2. 區域性的資源擠兌風險
雖然「宏觀上」數據中心比高爾夫球場省水，但在「微觀上」，數據中心必須建在網路節點或電力充沛處，這導致它們在地理上高度群聚（例如美國的維吉尼亞州或台灣的特定科學園區）。這種群聚效應會導致特定區域的電網與水資源瞬間承受極大壓力。對於當地居民而言，全國平均數據的下降，無法緩解他們家門口變電所的負載過重。這也是為何「鄰避效應」在數據中心議題上如此強烈的原因。
總結
吳恩達的觀點提供了非常重要的論述：不要因為恐懼而阻礙技術進步，因為低效才是最大的浪費。 但我們也必須認識到，高效率並不會自動帶來總耗能的下降。面對 AI 時代，我們需要的可能不僅僅是更高效的數據中心，還需要更具前瞻性的能源戰略，以應對那條即將到來的、陡峭的用電需求曲線。
支持TN科技筆記，與科技共同前行
我是TN科技筆記，如果喜歡這篇文章，歡迎留言、點選愛心、轉發給我支持鼓勵～～～也歡迎每個月請我喝杯咖啡，鼓勵我撰寫更多科技文章，一起跟著科技浪潮前進！！>>>>> 請我喝一杯咖啡
在此也感謝每個月持續請我喝杯咖啡的讀者以及新加入的讀者們，讓我更加有動力為各位帶來科技新知！
以下是我的 threads 也歡迎追蹤、回覆、轉發喔！
>>>>> TN科技筆記(TechNotes)
原文：
