AI 用得更省電，就比較永續？從 Nature 旗下期刊看企業容易漏算的環境成本
科楠老師
2026-10-22
企業導入 AI，通常先問三件事：準確率多少、速度多快、費用多高。當 AI 從試用工具走進日常營運，採購會議還需要增加一個問題：完成這些工作，究竟投入多少資源？
我們在電腦前輸入指令，幾秒鐘就收到答案。畫面背後，伺服器正在運算，冷卻設備持續散熱，電網供應電力。雲端讓使用者看不見機房，機房仍然需要土地、設備與水。
帳單可以電子化，環境成本可不會跟著消失。
2026 年 7 月，《Nature Reviews Clean Technology》刊登〈Strategies and design for increasing AI sustainability〉綜述，整理 AI 基礎設施的環境影響與改善方向。文章提醒，硬體製造、運算用電與水資源之間存在取捨，評估時需要看完整生命週期。這是一篇彙整既有證據的綜述，閱讀數據時仍須留意各項研究的條件。
一、先確認任務，再決定需要多大的 AI
我的第一個建議，是讓企業先把工作說清楚。「導入 AI 品檢」只是方向。真正能用來設計系統的條件，包括零件種類、瑕疵尺寸、產線速度、容許漏判率，以及現場光源是否穩定。
這些條件不同，模型、相機與運算設備的需求也會不同。文件處理也是如此。整理固定格式的出貨單、分析複雜合約與撰寫市場報告，對模型能力的要求有差異。採購前可以先用代表性資料測試，確認哪一種方案能達到要求。
研究指出，部分推理工作能使用效能較低的硬體，既有設備也可能具有繼續使用的價值。設備選擇需要連同製造階段的排放一起考量。
對企業而言，可以先盤點現有設備，再評估新增投資。規格書若只寫「採用最先進 AI」，供應商很難估價，財務主管倒是很容易頭痛。
二、把節電與節水放在同一張評估表
AI 環境議題經常圍繞電力，水資源也需要進入決策。這篇綜述提醒，資料中心採取某些降低耗水的措施，可能同時增加碳排。不同冷卻方式與供電條件，會影響結果。
我的建議是，企業向供應商索取環境資料時，同時確認數據的範圍。
用水數字涵蓋機房現場，還是包含供電過程？用電資料來自實際量測，還是依設備規格推估？數據代表整座資料中心，還是分配到特定服務？
這些問題會影響比較是否合理。資料尚未取得時，可以先記錄缺口、估算方式與後續補充責任。保留不確定性，才方便持續修正。填上一個看似精準的數字，卻說不清來源，日後反而更難解釋。
三、用相同工作量，比較不同方案
企業可以從一項小型測試開始。例如，選定一千張產品影像，交給不同方案辨識。使用相同資料，設定相同品質門檻，記錄完成時間、服務費用、人工複核工時與重做次數。有條件量測用電時，再把能源資料加入。
文件工作也可以採用相同原則。固定一批採購文件，要求系統擷取相同欄位。比較欄位正確率、遺漏率、人工修正時間，以及每完成一份合格文件的費用。
這樣才能看出企業實際買到什麼。模型回答很快，員工卻要花半小時修正，這半小時就應該進入評估。報表若只留下生成速度，專案看起來很漂亮，使用者可能每天都在加班。
四、讓排程也進入 AI 資源管理
這篇綜述也提到，訓練工作可配合再生能源較充足的時段安排，降低用電的碳排強度。實際效果仍取決於當地電網與工作條件。
這與工廠排程有相通之處。
企業安排工作，原本就要考慮交期、設備容量與人力。當運算成為一項持續使用的資源，也可以盤點哪些工作必須即時完成，哪些工作容許等待。
產線異常告警有時間壓力，每月一次的歷史資料分析，通常有不同的時效要求。
企業可先整理任務清單，標示執行頻率、容許延遲與必要性。至於能否依能源條件調整運算，還要確認服務供應商是否提供相關資訊與控制功能。
五、讓 AI 專案交代業務與資源兩份成果
我建議企業在專案驗收時，準備兩份成績。第一份說明業務表現，包括品質、交期、工時、錯誤率與費用。第二份說明資源使用，包括設備需求、服務用量、可取得的能源資料，以及尚待釐清的項目。
兩份成果應該對應同一段期間與相同工作範圍。例如，導入前後的訂單量不同，就需要說明差異。產品組合改變、客戶要求提高，或新增人工複核，也應留下紀錄。
這些資料能幫助管理者分辨，成果來自 AI、流程調整，還是工作條件改變。
企業也可以指定一位資料窗口，定期彙整使用量、費用與品質紀錄。讓採購、資訊、使用部門與永續人員看同一份資料，討論才有共同基礎。
六、讓下一次決策有證據可循
AI 專案通常從解決眼前問題開始。當系統逐漸擴大，企業就需要知道哪些應用值得保留，哪些流程需要重設，哪些設備仍能繼續使用。
我建議先挑一項高頻率、容易量測的工作，建立基準，再逐步擴大。改善幅度不必一開始就很驚人，資料要能追蹤，結果要能重複檢查。
對準備把 AI 寫進永續報告的企業，這一步尤其實用。先交代任務、比較條件、資料來源與限制，再提出效益說明，讀者才知道數字代表什麼。
下次審查 AI 專案，可以請團隊帶著四項資料進會議室：完成什麼工作、品質是否達標、投入多少資源，以及還缺哪些證據。
這四項資料，比一張寫滿漂亮百分比的簡報，更能支持下一筆投資。
參考文獻
Chien, A. A., Gupta, U., Ren, S., et al.（2026）. Strategies and design for increasing AI sustainability. Nature Reviews Clean Technology, 2, 624–638.
https://doi.org/10.1038/s44359-026-00195-w
