從人工智慧走向綠色智慧 未來競爭的單位是每度電所創造的價值
過去我們談人工智慧，關注的是晶片、模型與算力，但下一階段真正影響AI產業發展的是電力、電網以及能否穩定供應的低碳能源。
文／林嘉宏
AI時代真正稀缺的，未必只有算力，而是能夠持續、穩定、低碳地支撐算力的能源系統。
AI與能源 是一場雙向賦能
觀察AI與能源的關係，必須同時看到兩個方向。第一個方向是「Energy for AI」，也就是能源如何支撐人工智慧。AI帶動資料中心與先進製造快速增長，也推高了電力需求、機櫃功率密度與電網接入與穩定供電的壓力。根據國際能源總署IEA的預測，全球資料中心用電量可能從二○二五年的約485TW，增長至二○三○年的約950 TW，成長接近兩倍。
第二個方向是「AI for Energy」，也就是人工智慧如何反過來推動能源轉型。AI可以預測能源供需、優化電力調度、控制儲能充放電、提升設備效率，並降低能源成本與碳排放。因此，AI與能源是一種雙向賦能：能源支撐AI發展，AI則反過來提升能源系統效率。
對企業而言，能源也不再只是營運成本。對資料中心、半導體與高耗能製造業來說，能否取得穩定、可負擔、低碳的電力，將直接影響產能能否持續擴張。
看得見、調得動、用得省
面對AI帶來的能源挑戰，我將AI驅動能源轉型歸納為三條路徑。第一條路徑是「看得見」。企業必須透過智慧電表、感測器與多源資料，掌握用電負載、設備狀態、即時電價與再生能源出力。AI預測的價值，不是猜中一個精確數字，而是幫助企業提前管理不確定性。
第二條路徑是「調得動」。當企業能夠預測未來負載，就可以結合儲能、需求響應與電力交易，在電力充裕、價格較低的時段儲電，在尖峰時段降低或轉移負載。
第三條路徑是「用得省」。AI必須真正進入生產流程與設備控制，才能從技術展示轉化為節能成果。例如最佳化製程參數、識別異常能耗、預測設備故障，以及協調不同設備之間的能源使用。
這三條路徑並不是彼此獨立的技術，而是一個完整閉環。能源系統如果無法被觀測，就很難準確預測；如果無法預測，就很難有效調度；如果不能把決策執行到設備與流程，預測也不會自動變成節能成果。
台灣企業已經開始大量行動
結元能源與台灣大哥大合作，將5G專網、Edge AI、AIoT與智慧維運平台導入地熱電廠。機器狗可以進入高溫、高濕與含硫環境執行巡檢，AI也能協助設備監測與發電效率優化。
台普威能源則將儲能能力帶進日本電力市場，不只建置電池設備，也掌握能源管理軟體、控制系統與電力交易能力。熙特爾新能源進一步把網路安全帶進儲能系統，自主研發能源管理系統與電池管理系統，並取得日本JC-STAR雙認證。這些案例說明，未來的能源競爭，不只是誰擁有更多發電或儲能設備，而是誰能把設備、資料、AI與電力市場整合成一套可持續運作的商業系統。
AI能源項目也要算商業帳
企業評估AI能源項目，不能只看模型準確率。企業家真正需要知道的是：這套系統可以降低多少能源成本？能否減少停機風險？投資多久可以回收？成功之後，能不能複製到其他產線、工廠或園區？
因此，我認為一個真正有價值的AI能源項目，至少要具備三個條件：可測量、可驗證、可複製。企業可以先選擇一個具體場景，建立導入前的能源基準，再進行六到八個月的試點與監測，最後透過第三方驗證節能成果。只有經過驗證，技術才有機會從單一案例走向規模化商業模式。 未來真正具有競爭力的企業，不一定只是擁有最多算力的企業，更重要的是，誰能讓每一度電支撐更多運算、創造更高產值，同時產生更低的碳排放，讓人工智慧不只變得更加聰明，也讓我們的能源系統更加綠色、更有韌性，也更有價值。
愛語包容AI公司營運長
