AI 一次查詢耗多少電？Gemini 與資料中心環境影響解析

使用 AI 問一個問題，究竟耗多少電？答案不是一個可直接套用到所有平台的固定數字。模型大小、提示詞與回答長度、是否生成圖片或影片、資料中心的硬體與冷卻方式，以及所在地電網的碳排強度，都會讓結果顯著不同。比起記住一個吸睛的換算，比較可靠的做法是先確認它量的是哪一種工作負載、涵蓋哪些設備，以及資料來自哪個時間與地點。

先說結論：單次文字查詢可以很低，但不能因此忽略總量

Google 在 2025 年公布的自家量測中，估計 Gemini Apps 的「中位數文字提示」使用約 0.24 Wh 電力、排放約 0.03 gCO₂e，並估計用水約 0.26 mL。這是少數把運算主機、閒置備援容量、CPU 與記憶體、資料中心冷卻與配電額外耗能一併納入的公開案例。

不過，這組數字的適用範圍非常重要：它是 Google 對 2025 年 5 月 Gemini Apps 中位數「文字生成」提示所做的估計，不代表每個 Gemini 對話，更不能直接等同於其他公司、其他模型、API 工作負載、長篇推理、影像生成或影片生成。原始說明也指出，模型、使用行為與基礎設施變動後，結果可能改變，而且該主張尚未經獨立第三方驗證。

因此，「一次查詢很省電」和「AI 對能源系統沒有影響」可以同時一真一假：前者描述的是特定條件下的一次中位數文字任務；後者則忽略了使用人數、請求量、模型能力、備援容量與資料中心擴建帶來的累積效果。

為什麼 AI 查詢的用電量沒有通用答案？

模型與任務型態會改變計算量

短文字摘要、長篇分析、多輪對話、檔案閱讀、搜尋與工具呼叫，消耗的資源並不相同。生成圖片、音訊或影片通常還會牽涉更多模型步驟與輸出資料處理；若使用者要求重複產生多個版本，總量也會跟著增加。即使同一個聊天產品，也可能依任務路由到不同模型或硬體，因此不能把某一篇報告的單次數字當作所有 AI 工作的標準答案。

不能只算正在運算的晶片

看似簡單的一次回覆，背後不只包含 GPU 或 TPU 的即時運算。服務端通常還有主機 CPU、記憶體、網路設備，以及為了應付尖峰流量與故障切換而保留的閒置容量。資料中心也需要冷卻、供電轉換與其他基礎設施。若只用晶片理論功耗推算，容易低估實際運作環境的完整負荷。

電力、碳排與用水是三個不同問題

Wh 是耗電量，gCO₂e 取決於當時電力來源的碳強度，而資料中心的用水還與冷卻方式、所在地水資源條件與計算邊界有關。一個模型即使因硬體與軟體改善而降低每次推論耗電，也不代表它在所有地區、所有時段都有相同的碳排或水資源影響。閱讀比較數字時，應確認對方是否把這三個指標混為一談。

從 Gemini 案例學到的，是「怎麼量」而不是萬用公式

Gemini 的公開案例有價值，並不是因為 0.24 Wh 可以成為所有人的答案，而是它把量測邊界說得較完整：包含動態運算、閒置容量、主機資源與資料中心額外耗能。這也提醒我們，任何「一個提示等於多少」的說法，都應先追問下列問題：

是文字、圖片、影片，還是含工具與搜尋的複合任務？
採用平均值、中位數、最大值，還是特定示範工作負載？
是否計入閒置備援、CPU、記憶體、網路與冷卻？
碳排使用哪個地區、哪個期間的電網碳強度？
用水是現場冷卻用水、間接用水，或兩者皆納入？
資料與模型版本的日期是什麼？是否有第三方檢視？

若缺少這些資訊，精確到小數點的數字反而可能製造錯覺。比較不同研究或不同供應商時，先對齊量測邊界，才有討論空間。

也要區分模型訓練與日常推論

訓練新模型與日常回覆使用者的推論，是不同層次的工作負載。訓練往往是集中、階段性的高運算任務；推論則會隨使用量持續發生。討論「一個 AI 服務的環境影響」時，不能只報其中一項，也不能把訓練總量平均除到每次查詢後就當成唯一答案。清楚註明研究測量的是訓練、推論或整個生命週期，才能避免把不同問題混在一起。

真正的環境議題：資料中心規模與地點

國際能源總署（IEA）估計，全球資料中心在 2024 年的耗電量約為 415 TWh，約占全球用電 1.5%；其基準情境預測到 2030 年將超過倍增至約 945 TWh。AI 是推升成長的重要因素，但資料中心需求也包括其他數位服務。這類情境預測有不確定性，會受模型效率、採用速度、晶片供應與電網建設限制影響，不能解讀成已經發生的事實。

更值得留意的是地理集中度。資料中心不是平均分散在每個城市；當高密度運算集中於特定電網與水資源條件下，電網接入、尖峰供電、冷卻與在地社區溝通就會成為實際挑戰。因此，負責任的討論不只問「一個人今天問了幾題」，也要問服務規模、所在地、用電時段、能源採購與是否能配合電網彈性運作。