隨著人工智慧技術快速演進,模型規模與運算需求呈指數級增長,對電力的渴求也隨之飆升。Akash Network 創辦人 Greg Osuri 在 Token2049 峰會接受媒體採訪時直言,若不採取根本性改變,AI 訓練可能觸發前所未有的全球能源壓力,甚至迫使業界依賴像核能這類高輸出能源。這樣的警告並非危言聳聽,而是對現行基礎設施、商業模式與政策協同失衡的深刻反思。本文從能源消耗現狀、集中式數據中心帶來的外部成本、去中心化訓練的潛力與挑戰、可再生能源與核能的角色,以及政策與產業應對策略等面向,提供一套全面解讀與可行建議,幫助讀者理解為何 AI 與能源問題已成為全球議題,以及如何在技術與制度上尋求可持續路徑。 AI 訓練的能耗趨勢與外部性 AI 模型,特別是大型語言模型與多模態模型,訓練過程需要大量浮點運算、持續的資料移動與高密度散熱。據多方研究與業界觀察,隨著模型參數數量提升與訓練輪次增加,整體能源需求呈現超線性成長。
當開發者在追求更高性能時,往往會忽視能源供給的限制與系統性負擔。集中於少數大型數據中心的運算模式,短期內能帶來規模經濟與管理便利,但長期來看卻可能造成電網負載集中、電價波動、當地污染聚集與社會成本上升。 數據中心用電量已達百兆瓦級別,部分地區的電力市場因此出現供需緊張,推高家庭與商業電費。Bloomberg 等媒體報導指出,美國某些靠近大型數據中心的地區,批發電價在近五年內顯著上漲,這種漲幅最終會由普通消費者承擔。更嚴重的是,如果數據中心依賴化石燃料發電,則會帶來大量新增碳排放與健康風險,特別是在燃煤與天然氣仍占主導的地區,燃料燃燒帶來的空汙與呼吸道疾病不可忽視。Greg Osuri 的評論正是聚焦於這些外部成本,他強調 AI 的算力需求若繼續集中化,結果可能不僅是經濟問題,更是公共衛生與氣候風險。
去中心化訓練:概念、優勢與技術挑戰 面對集中式模式的弊端,去中心化訓練被提出作為一條替代路徑。其核心概念是將訓練工作負載分散到全球各地的閒置計算資源,從高階企業 GPU 到消費級遊戲卡與個人電腦,形成一個混合且彈性的算力網絡。這種方式有幾項潛在優勢:降低單一地點的電力壓力、提升整體能源利用率、讓更多個人與小型單位分享 AI 經濟紅利,以及在地化算力可利用再生能源的地域優勢。 然而,要實現大規模去中心化訓練並非易事。技術挑戰包括異質硬體的協調、通訊延遲與頻寬限制、模型分割與同步的效率、以及在分布式環境下維持訓練穩定性的算法設計。軟體層面需克服兼容性問題,並提供自動化的資源管理與容錯能力。
更複雜的是激勵機制設計:為何個人或企業願意將閒置算力出借給外部訓練任務?如何確保報酬公平且能即時兌換?如何防止惡意節點?Greg Osuri 提出類比比特幣早期礦工的模式,認為一旦激勵與基礎設施到位,去中心化訓練可以像早期挖礦一樣迅速擴張,但要達到那一步仍需時間與創新。 去中心化的運作方式可以包括聯邦學習、分片訓練、P2P 資料與權重交換等技術。聯邦學習側重於在本地設備上訓練模型以保護資料隱私,然後在中央或去中心化的協調下整合更新;分片訓練則將模型或資料集拆分,分配到多個節點執行,最後合併結果。每種方式在效率、通訊成本與安全性上各有權衡,需要實務與理論上的進一步突破。 能源來源的選擇:可再生能源與核能的角色 當前討論 AI 電力來源時,兩個關鍵方向為大規模可再生能源佈局與高輸出基載電源(如核能)。可再生能源如風電與太陽能具備低碳優勢,但其間歇性與地理分散特性需要電網儲能與智慧調度的配套。
將去中心化算力部署到太陽能或風能充足的地區,理論上能提高能源與運算的協同效率,但這需要跨界規劃與投資。核能則被部分業界人士視為短期內提供穩定大功率供給的選項,尤其是當訓練大型模型需要長時間高密度電力時,核電廠能提供相對連續的基載。然而,核能建設週期長、成本高且存在社會接受度與安全考量,並非所有地區的可行方案。 因此,一條可行路徑是多元能源組合:在近端以可再生能源與儲能系統為主,減少碳足跡;在需要穩定高功率的情況下,探索小型模組化核電(SMR)等新技術,同時強化電網彈性與跨區互聯。產業界與政策制定者應透過成本評估、風險分析與社區參與,決定在不同地域採取何種能源結構。 政策與市場設計:減輕電網壓力與內部化外部成本 能否避免 AI 帶來的能源危機,關鍵在於政策與市場機制的有效設計。
首先,電價與供電合約應反映真實的供需狀況與外部成本,避免大型訓練任務透過低價或補貼電力不當獲利。其次,電網規劃需預見到高密度算力設施的用電特性,並在輸配電與儲能投資上做出前瞻性佈局。第三,應建立碳定價或能耗報告機制,讓企業在商業決策中考量長期環境成本。 此外,政府可透過研發補貼、試點計畫與標準制定,推動去中心化訓練技術與協議的成熟。對於希望以可再生能源支撐 AI 運算的企業,政府可以提供土地、設施與電網接入的優惠,但須附帶透明的環境評估與社區回饋要求。跨國能源與數據流動問題也需國際協調,避免算力轉移成為環境外包的手段。
產業實務與投資趨勢 面對能耗挑戰,已有企業嘗試多種應對策略。部分雲端與雲計算公司宣布將更多訓練任務排程到低碳時段或可再生能源供電的地區,並投資於能效更高的硬體與冷卻技術。硬體製造商則持續優化 AI 加速器的能效比,以提高每瓦性能。然而,單靠硬體與局部優化並無法從根本改變電力供應結構與訓練負載分布。資本市場方面,投資人開始關注能效、碳強度與供應鏈透明度,這將影響 AI 領域資金配置與長期競爭力。 去中心化平台如 Akash 等,同時在技術路線與經濟激勵上尋求突破。
若能建立可信、低延遲且可驗證的分布式訓練生態,並搭配公平的報酬機制,將有機會把部分訓練負載從大型數據中心疏散到全球邊緣與個人設備。然而,平台需要面對法規合規、智慧財產保護與資料隱私等議題,才能讓主流企業放心採用去中心化資源。 社會視角與倫理考量 能源分配與技術受益的公平性,在 AI 與能源交會的情境下更加凸顯。若算力與能源供給集中在少數跨國企業或特定地區,貧富差距與地區間發展不均可能擴大。去中心化模式若能讓一般使用者透過閒置資源參與並獲得報酬,則有助於更公平的價值分配。但另一方面,如果缺乏適當監管與安全保障,去中心化網絡也可能成為資安漏洞或不公平競爭的溫床。
社會必須在推動技術創新與保障公共利益之間取得平衡。 結語與行動要點 Greg Osuri 的警告提醒我們,AI 的發展不能脫離能源現實與社會責任。為了避免 AI 訓練成為新的能源風暴源頭,產業、政策制定者與學術界需要共同推進幾項關鍵工作:提升硬體能效與冷卻技術、投資跨區智慧電網與儲能、支持可再生能源在算力部署上的融合、探索小型核能等基載選項的可行性、推動去中心化訓練的技術成熟與公平激勵機制、並建立反映外部成本的電力市場與碳定價機制。每一項措施單獨看都有限,但當這些策略協同施行時,能夠為 AI 的可持續發展提供穩健基礎。面對快速變動的科技趨勢,提前布局與跨界合作是避免危機、同時實現技術與環境雙贏的關鍵。 。
