AI 的用電與用水：一次對話的成本

「一次 AI 對話要用多少電、多少水」，目前只有兩家公司公布自己量出來的一手數字：Google 說一次 Gemini 文字提示的中位數是 0.24 瓦時電、0.26 毫升水，Mistral 說 Le Chat 一次 400 token 的回應是 1.14 公克二氧化碳當量、45 毫升水。兩組數字差很多，不是誰說謊，而是量法不同。

這篇把各家官方公布的數字、年份與量測方法一項一項攤開，告訴你看到這種數字時該先問什麼；再把 IEA 官方報告的資料中心總用電放進來，解釋「每次很小」和「總量很大」為什麼可以同時成立。台灣有的資料寫清楚，沒有的也寫清楚。

一次文字對話：目前只有兩家公布一手數字

Google 在 2025 年 8 月的技術報告與 Google Cloud 部落格公布同一組數字：以 2025 年 5 月的資料算，一次 Gemini Apps 文字提示的中位數用掉 0.24 瓦時電、排放 0.03 公克二氧化碳當量、消耗 0.26 毫升水。官方自己給了兩個生活尺度：看電視不到 9 秒（報告註明假設一台現代電視每小時吃 100 瓦時），以及 5 滴水（假設一滴 0.05 毫升）。這兩個類比是官方寫在報告裡的，不是換算出來的。

同一份報告還給了一個更值得看的對照。只算 AI 加速器在運算的那段電，數字是 0.10 瓦時、0.12 毫升；把主機的 CPU 與記憶體、為了備援而閒置的機器、以及資料中心本身的冷卻與配電都算進去，才是 0.24 瓦時。拆開來是加速器 0.14、CPU 與記憶體 0.06、閒置機器 0.02、資料中心開銷 0.02 瓦時。同一件事，邊界畫在哪裡，答案差 2.4 倍。

Mistral 的數字來自 2025 年 7 月公布的生命週期分析，與 Carbone 4 及法國生態轉型署（ADEME）合作，另由 Resilio 與 Hubblo 兩家機構外部審閱。它公布兩組：訓練 Mistral Large 2 到 2025 年 1 月、上線 18 個月為止，累計 20.4 千噸二氧化碳當量、281,000 立方公尺水、660 公斤銻當量；使用端則是 AI 助理 Le Chat 一次 400 token 的回應（不含使用者自己的裝置）排放 1.14 公克二氧化碳當量、消耗 45 毫升水。Mistral 沒有公布每次回應的瓦時，所以這組和 Google 那組不能直接相減。Le Chat 在官網現在叫 Mistral Vibe。

OpenAI 到今天沒有公布自己量出來的每次查詢用電或用水。它的官方教育網站 OpenAI Academy 有一篇〈Environmental Impact of AI〉（2025 年 8 月 22 日發布、2026 年 6 月 9 日更新），內容引用第三方 Epoch AI 對 GPT-4o 典型查詢約 0.3 瓦時的估算，並直接寫明自家模型的能耗基準「尚未公布」。想引用 ChatGPT 的每次用電，目前只引得到別人的估算，不是官方量測。

閱讀完整文字說明

左欄是 Google 公布的一次 Gemini Apps 文字提示中位數，2025 年 5 月資料、完整邊界：用電 0.24 瓦時、碳排 0.03 公克二氧化碳當量、耗水 0.26 毫升。中欄把 0.24 瓦時拆成 AI 加速器 0.14、CPU 與記憶體 0.06、閒置機器 0.02、資料中心開銷 0.02 瓦時，並註明只算加速器的窄邊界是 0.10 瓦時與 0.12 毫升，兩者差 2.4 倍。右欄是報告原文給的生活尺度：看電視不到 9 秒，假設電視每小時 100 瓦時；以及 5 滴水，假設一滴 0.05 毫升。下方左邊是一年前的同一個中位數，2024 年 5 月為 7.92 瓦時與 1.32 公克，到 2025 年 5 月能耗降 33 倍、碳足跡降 44 倍；下方右邊是 Mistral 的另一組數字，Le Chat 一次 400 token 回應為 1.14 公克與 45 毫升水，量法不同不能和左邊相減。

讀這種數字之前，先看四件事

第一是測量邊界。上面 0.10 與 0.24 的差距就是邊界造成的，Google 自己寫，窄邊界那組同時也挑了效率最好的機房，屬於樂觀情境。第二是中位數還是平均數。Google 用每天的中位數，理由寫在報告裡：少數 token 特別長、機器使用率特別低的提示會把平均拉高，中位數才代表典型使用者。

第三是同一個縮寫、不同的定義。用水效率（WUE）就是例子：Google 用的是 ISO Category 2 的耗水量，也就是取水量減去回流量，2023 與 2024 年都是每度電 1.15 公升；Microsoft 官方頁的 WUE 定義是「加濕與冷卻用水除以 IT 設備用電」，2025 會計年度全球是每度電 0.27 公升，同一頁的全球 PUE 是 1.17。Google 的機隊平均 PUE 則是 1.09。0.27 比 1.15 小，不代表誰的機房比較省水，而是兩邊算的不是同一件事。

第四是有沒有第三方驗證。Google 在技術報告與年度環境報告的註腳都寫明，這組數字未經獨立第三方驗證；Mistral 的研究則寫明依 AFNOR 的 Frugal AI 方法，並符合 GHG Protocol 產品標準與 ISO 14040／44，另經外部審閱。這不是誰比較可信的問題，是你引用時要一起講出來的條件。

「每次很小」和「總量很大」可以同時成立

IEA 在 2026 年 4 月 16 日發布的《Key Questions on Energy and AI》寫得很直接：以單一任務算，AI 的能源效率正以能源史上前所未見的速度改善，近幾年每項 AI 任務的能耗每年至少下降一個數量級；簡單的文字查詢現在用的電，通常比同一段時間開著電視還少。報告還算過，如果把全世界的傳統網路搜尋都換成簡單的 AI 文字查詢，一年不到 4 太瓦時，不到今天資料中心總用電的 1%。

但同一份報告的另一半是：2025 年全球資料中心用電成長 17%，AI 資料中心成長 50%，而全球總用電只成長 3%。資料中心用電從 2025 年的 485 太瓦時，預估到 2030 年約成長到 950 太瓦時，屆時約占全球用電的 3%。IEA 前一份《Energy and AI》（2025 年 4 月）給的則是 2024 年 415 太瓦時、約占 1.5%。

差別在用法。IEA 明講，影片生成、推理模型與代理任務每次查詢可能比簡單的文字生成多耗數百到數千倍的能源。所以 0.24 瓦時是「中位數的文字提示」的成本，不是你叫 AI 跑半小時代理任務的成本。

供應端的數字也說明同一件事。Google 2026 年版環境報告寫，2025 年全公司總用電 43,586,600 千度，約 43.6 太瓦時；全球耗水 10,869 百萬加侖，其中資料中心 10,523 百萬加侖；淡水消耗一年成長 37%。同一年，每次提示的能耗比前一年少了 33 倍，從 2024 年 5 月的 7.92 瓦時降到 2025 年 5 月的 0.24 瓦時，碳足跡少了 44 倍，從 1.32 降到 0.03 公克。每次更省，總量還是往上走。

【假設一】用 Google 公布的 2025 年 5 月中位數：一次文字提示 0.24 Wh、0.26 mL。
         只適用「中位數的文字提示」，不適用推理模型、影片生成或代理任務。

1,000 次文字提示的電：0.24 Wh x 1,000 = 240 Wh = 0.24 度
1,000 次文字提示的水：0.26 mL x 1,000 = 260 mL

【假設二】把 IEA 的全球資料中心用電，除以經濟部能源署的台灣全年電力消費。
         兩個數字來自不同機構、不同統計口徑，只能當量級參考，不是官方類比。

2025 年全球資料中心 485 TWh / 台灣民國 114 年 2,830 億度（283 TWh）= 約 1.7 倍
2030 年預估 950 TWh / 283 TWh = 約 3.4 倍

台灣有什麼、沒有什麼

台灣官方沒有公布每次 AI 對話的用電或用水，也沒有把資料中心從其他用電中單獨拆出來的公開統計。查得到的是管理措施：台電官網的「AI資料中心用電 各國配套一次看」專頁（2026 年 8 月 19 日更新）寫明，因北部電源長期不足，自 2023 年 9 月起暫緩北部地區 5 百萬瓦以上的 IDC 用電申請，並說明一般企業的 AI 運算與科研用電通常不超過 5 百萬瓦；同頁也寫台電將配合經濟部能源管理法的 3 項子法，研訂供電裕度緊澀區資料中心的核供要點。

全國用電的分母倒是查得到。經濟部能源署「能源消費概況（民國114年）」頁（2026 年 7 月 1 日更新）寫，民國 114 年台灣電力消費總量 2,830 億度，工業部門 1,573 億度占 55.6%、住宅部門 537 億度占 19.0%、服務業部門 499 億度占 17.6%。把 IEA 的全球數字放進這個分母是上面那段自己做的換算，不是官方比較。

你能少用多少，官方自己說了

Mistral 在同一篇報告的使用者建議寫了三件事：培養 AI 素養，用比較省的方式提問；依需求挑模型大小，不要一律用最大的；把查詢合併起來，減少沒必要的運算。它同時給了一個經驗法則：影響大致與模型大小成比例，大 10 倍的模型在產生同樣多 token 時，影響大約也大一個數量級。這和 IEA 說不同用法差數百到數千倍，是同一個方向的提醒。

• 先選小模型：同一家通常有旗艦、中階、輕量三層，輕量夠用就不要開旗艦。
• 少重複：一次把條件講清楚，比連續改五次省，也比較快拿到你要的答案。
• 分清楚用法：文字問答、推理模型、影片生成、代理任務不是同一個量級。
• 本機跑不一定比較省：電變成你自己付，硬體還要攤提，這筆帳要分開算。

「挑對模型大小」在站上有三篇可以接著看：同一家為什麼有好幾個模型：旗艦、中階、輕量怎麼選說明分層怎麼看，小型語言模型（Small Language Model）是什麼解釋小模型能做什麼，量化（Quantization）：用較少位元執行模型的取捨則是同一個模型變小的另一條路。模型大小本身怎麼算，看模型參數（Model Parameters）是什麼。

把工作搬回自己的電腦，用電就從資料中心移到你家的電表，這是取捨不是節能：為什麼要在自己電腦跑 AI：隱私、離線與成本講什麼情況值得，本機 vs 雲端 AI 成本試算：訂閱、API 與電費怎麼算把硬體攤提、功耗與台電電價放進同一條算式，這篇不重複那邊的試算。

最後兩篇補上這篇沒寫的兩半：用量本身怎麼估，以及這一年被講得太滿的說法各自站不站得住腳。

token 計算與費用估算：官方計數工具、一次對話的算式與費用上限

AI 能與不能：2026 年的誠實盤點

• AI 工具
• AI 安全、隱私與法規