AI 超耗能？OpanAI 執行長 Altman 駁：人類學習也要消耗 20 年食物等資源

OpenAI 執行長 Sam Altman 本週在印度參加 AI 高峰會期間，針對人工智慧對環境影響的疑慮提出回應。他駁斥了 AI 耗水量的說法，稱網路上流傳「每次 ChatGPT 查詢消耗 17 加侖水」的說法「完全不實且荒謬」，並指出自從數據中心停止使用蒸發冷卻技術後，這個問題已不復存在。

Altman 承認 AI 的總體能源消耗確實值得關注，並呼籲世界應加速轉向核能、風能和太陽能。然而他也提出獨特觀點，認為將 AI 訓練成本與人類單次查詢比較並不公平，因為「訓練一個人類也需要大量能源」，包括 20 年的成長時間和所有食物消耗，甚至追溯到人類演化史上千億人的學習經驗。

AI 技術演進

在印度媒體《The Indian Express》主辦的活動中，Altman 直接挑戰了近期廣為流傳的 AI 耗水論述。他表示，關於 ChatGPT 每次查詢消耗大量水資源的說法「與現實毫無關聯」。這些說法源於早期數據中心採用蒸發冷卻系統的時代，該技術確實需要大量水資源來維持伺服器溫度。

然而，隨著數據中心冷卻技術的進步，現代設施已逐步淘汰這種耗水的冷卻方式，轉而採用更高效的冷卻系統。Altman 的說法點出了公眾討論中的時間落差問題：許多批評仍停留在過時的技術框架中,未能反映當前產業的實際狀況。

值得注意的是，由於科技公司並無法律義務揭露其能源和水資源使用量，科學界只能透過獨立研究來估算這些數據。這種資訊不對稱導致各種推測和估算在網路上流傳，其準確性難以驗證。數據中心的擴張也被指與某些地區電價上漲有關，凸顯了基礎設施對當地社區的實際影響。

能源消耗總量與效率的平衡

Altman 承認，AI 能源消耗的擔憂「是合理的」,但他強調應該關注的是「總體消耗量，而非單次查詢的消耗」。隨著全球 AI 使用量激增，即使單次查詢的能源效率提高，累積的總能源需求仍可能對電網造成壓力。這反映了科技發展中的規模效應問題：當一項技術從小眾應用變為大眾工具時,其環境足跡會呈指數級增長。

面對這個挑戰，Altman 提出的解決方案是加速能源轉型。他呼籲世界「非常快速地」轉向核能、風能和太陽能。這個立場與許多科技領導者一致，他們普遍認為 AI 發展與能源清潔化必須同步進行。核能在此討論中扮演特殊角色，因其能提供穩定的基載電力，且碳排放極低，適合支撐需要持續運作的數據中心。

在訪談中，主持人引述先前與比爾蓋茲的對話，詢問單次 ChatGPT 查詢是否相當於 1.5 個 iPhone 電池的電量。Altman 明確否認，表示「絕對不可能接近那個數字」。這類具體數據的爭議反映了當前 AI 能源討論的核心問題：缺乏官方、可驗證的數據，導致各種估算相互矛盾，公眾難以掌握真實情況。

人類 vs AI 的訓練成本

Altman 提出了一個頗具爭議性的類比，挑戰了傳統的 AI 能源效率評估框架。他指出，許多批評聚焦於「訓練一個 AI 模型需要多少能源，相對於人類執行一次推理查詢的成本」，但這種比較方式「不公平」。

他的論點是：訓練一個人類同樣需要龐大的能源投入。一個人需要大約 20 年的成長期，這段期間消耗的所有食物、教育資源和生活所需，都應該計入「訓練成本」。更進一步，他將視野拉長到演化尺度，提到人類物種經過千億人口的世代累積，才發展出避開掠食者、掌握科學知識等能力，這些都是當代人類智能的前提條件。

基於這個邏輯，Altman 認為更公平的比較應該是：「當模型已經訓練完成後，ChatGPT 回答一個問題需要多少能源，相對於人類回答同樣問題的能源消耗。」他聲稱，以這種方式衡量，AI 在能源效率上「可能已經趕上人類」。

這個論述引發了方法論上的辯論。支持者認為，這凸顯了人類認知能力的巨大成本，而這些成本在日常生活中被視為理所當然。批評者則指出，將人類的生存需求與 AI 的運算需求等同比較，忽略了兩者本質上的差異：人類的能源消耗是生命存續的必要條件，而 AI 是為特定任務設計的工具，兩者的功能範疇和社會價值難以直接對比。

此外，這種比較也忽略了一個關鍵問題：AI 並非取代單一人類,而是可能同時服務數百萬甚至數十億用戶。因此，即使單次查詢的效率較高，當 AI 系統規模擴大到全球層級時，其總體能源足跡仍可能遠超過它所「替代」的人類認知勞動。

科技公司的資料透明度責任

Altman 的回應也間接凸顯了 AI 產業透明度的核心問題。目前科技公司沒有法律義務揭露其能源和水資源使用資料，這導致外界對 AI 真實環境成本的估算充滿不確定性。獨立研究者試圖透過各種方法推估這些資料，但缺乏官方數據支持，結果往往存在巨大差異。

這種資訊不對稱使得公共討論容易陷入各說各話的困境。Altman 批評網路上流傳的數據「完全不實」，但 OpenAI 並未主動公布精確的能源和水資源使用數據來澄清。這種模式在科技產業中並不罕見，公司往往在面對批評時否認具體指控，但不提供足夠的替代數據來支持其立場。

從政策角度來看，要求科技公司強制揭露環境影響數據的呼聲日益增長。歐盟等地區已開始推動相關法規，要求大型科技企業提高營運透明度。隨著 AI 系統對能源基礎設施的影響日益顯著，這類監管要求可能成為全球趨勢。

數據中心與地方電價上漲的關聯也引發關注。當大型數據中心進駐某個區域，其龐大的電力需求可能對當地電網造成壓力，進而推高一般民眾的電費。這種外部性成本往往由整個社區承擔，而非由科技公司內部化，引發環境正義的討論。

能源轉型的迫切性：再生能源的角色

Altman 對能源轉型的呼籲反映了科技產業與環境議題交織的複雜性。AI 發展對運算能力的需求持續攀升，而這些運算能力最終轉化為電力需求。若這些電力來自化石燃料，AI 的擴張將加劇氣候變遷; 若來自清潔能源，則可能成為推動能源轉型的催化劑。

核能在這場討論中佔據特殊位置。許多科技領導者，包括 Altman 本人，都支持核能發展，認為其能提供穩定、低碳的電力供應。小型模組化反應爐 (SMR) 等新一代核能技術被視為可能的解決方案，但這些技術仍面臨成本、安全和大眾接受度等挑戰。

風能和太陽能作為主流再生能源，已在全球範圍內快速擴張。然而，這些間歇性能源需要配套的儲能系統或備用電力，才能滿足數據中心全天候運作的需求。電網的現代化和智慧化成為關鍵，需要大規模投資和技術創新。

AI 本身也可能成為能源轉型的工具。機器學習技術可用於優化電網調度、預測能源需求、提高再生能源效率等領域。這種「以 AI 解決 AI 問題」的途徑，代表了科技發展中的自我修正機制，但其成效仍有待長期觀察。

責任編輯：Mia

本文初稿由 INSIDE 使用 AI 協助編撰，並經人工審校確認。加入 INSIDE 會員，獨享 INSIDE 科技趨勢電子報，點擊立刻成為會員！

延伸閱讀：

• OpenAI 搶進印度頂尖大學：IIT、IIM、AIIMS 齊加入，一年要培訓 10 萬師生
• 近百萬輛實證數據揭真相：PHEV 實際油耗高出官方 3 倍，歐洲排放規範面臨修正壓力