【AI 時事解析】從「五滴水」到「四十五毫升」：AI 環境揭露的真相落差

AI 不只消耗算力，更吞噬電與水。Google 近日公布 Gemini 單次推理僅需「五滴水」，營造出高效率的環保形象；但法國新創 Mistral 的完整揭露卻顯示，Large 2 回答一個問題要耗掉 45 毫升水。這場「五滴水 vs 四十五毫升」的落差，凸顯了 AI 環境成本的透明度缺口。

當我們使用 AI 時，很少人會去想背後需要多少資源。一次問答、一次搜尋，看似只是幾秒鐘的雲端運算，但其實伺服器要用電、要散熱，還要大量用水冷卻。如果這些消耗沒有被誠實記錄，社會就很難知道 AI 的真實環境代價。這也是為什麼最近 Google 與 Mistral 分別公布自家模型的「資源足跡」數據後，引發廣泛討論 ，因為兩組數字差距之大，直接暴露了制度上透明度的落差。

Google 的「五滴水敘事」

Google 在 2025 年 8 月公布 Gemini 模型的環境數據，並特別選擇「Gemini Apps 的文字提示（text prompt）」作為樣本。他們指出，在 2025 年 5 月的測算中，一則文字提示的中位數資源消耗為：0.24 瓦時電力、0.03 公克二氧化碳，以及大約 0.26 毫升的水（約「五滴水」）。與 2024 年同期相比，這些數據分別下降了 33 倍（能源）與 44 倍（碳足跡）。

這些數字聽起來幾乎微不足道，比看九秒鐘電視還省。但需要注意幾個限制：

• 這些數據只涵蓋推理階段，不包括模型的訓練與硬體製造。
• 數據來自「Gemini Apps 文字提示」的中位數，不代表所有場景或所有 Gemini 模型。
• Google 強調估算已納入現實因素：除了 TPU/GPU 的運算，還包括 CPU、RAM、資料中心待機能耗、冷卻系統（PUE）與水使用效率（WUE）。
• 尚未經過獨立第三方驗證，目前仍是 Google 自述結果。

換句話說，這是一張「收據」，而不是一份完整的「總帳」。

Mistral 的「總帳揭露」

法國新創 Mistral 則選擇攤開完整的總帳。他們針對 Large 2 模型做了全面的生命週期分析（Life Cycle Assessment, LCA），並公開所有數據。結果顯示：截至 2025 年 1 月，Large 2 在訓練與 18 個月的推理使用過程中，累積了 20.4 千噸二氧化碳排放、281,000 立方公尺用水，以及 660 公斤 Sb eq（資源消耗指標，主要來自硬體製造）。

更直觀的數字是，單次回覆（約 400 個 token）的平均代價是 1.14 公克二氧化碳、45 毫升用水，以及 0.16 毫克 Sb eq。這些數字顯然比 Google 的「五滴水」高出許多。

報告也揭露了環境負擔的分布：訓練與推理階段合計佔了 85.5% 的碳排與 91% 的用水；而硬體製造則佔了 61% 的資源消耗（Sb eq）。這些數據由低碳轉型與氣候策略顧問公司與法國生態轉型署（Agence de la transition écologique）協助完成，並由另外兩家數位永續發展顧問公司進行同儕審查，方法學遵循《環境管理－生命週期評估－原則與架構》（ISO 14040）、《環境管理－生命週期評估－要求與指引》（ISO 14044）以及 《溫室氣體盤查議定書－產品生命週期盤查與報告準則》（GHG Protocol Product Standard）。

方法學為什麼重要？ISO 與 GHG Protocol

這些標準不是裝飾，而是確保數據可以比較的關鍵。ISO 14040 提供生命週期分析的基本原則與架構，ISO 14044 則進一步規範具體的要求與技術指引。這兩套標準通常是搭配使用，被視為生命週期分析的基礎規範。

而 GHG Protocol Product Standard 則是全球最廣泛採用的溫室氣體核算準則之一，專門針對「產品生命週期」的碳排放進行計算與揭露，涵蓋原料、生產、使用到廢棄處理。採用這些標準，代表 Mistral 公布的數字不僅是公司自述，而是放在一個國際可比的框架中。

這就是為什麼，同樣是 AI 模型，卻會出現「五滴水」與「四十五毫升」的巨大落差。Google 的做法偏向「行銷敘事」，Mistral 則是「總帳揭露」。

效率進步，總量卻可能更糟：傑文斯悖論

即便 Google 的數字完全正確，也不能掉以輕心。因為效率的提升不等於資源的總量會下降。經濟學上有個概念叫 「傑文斯悖論」(Jevons Paradox)：當一項技術變得更有效率、更省資源時，反而會刺激需求增加，導致總體消耗更多。

AI 正在重演這個故事。研究指出，一次 AI 強化搜尋的能耗，可能是傳統搜尋的二十多倍。當大家開始大量使用 AI 搜尋、AI 助手、AI 繪圖，即使單次查詢看似更省，總量卻可能飆升，最後造成更大的能源與水資源壓力。

制度的斷層：基礎設施有規範，模型層卻還是空白

歐盟其實已經開始管資料中心。《能源效率指令》（Energy Efficiency Directive, EED）要求資料中心要定期回報能源使用效率、用水量，並建立一個公開資料庫，讓社會可以監督數據中心的環境表現。這是一個往前跨出的制度步驟，確保至少在硬體基礎設施層，我們能知道 AI 擴張帶來的能源與水足跡。

但問題是，AI 的環境成本並不只發生在「機房耗多少電、抽多少水」這一層。模型的訓練與推理本身，就可能在不同地點、不同電網條件下造成巨大差異。Google 的 Gemini 和 Mistral 的 Large 2，就是最明顯的對照：前者選擇性揭露「使用端」的點狀數據，後者攤出整個生命週期的全貌。缺乏統一標準，讓科技公司可以挑自己最有利的版本來說故事。這樣的資訊落差，最後會導致監管者無法比較，投資者無從判斷，連公共採購都可能被誤導。

從行銷到問責：收據與總帳都要上桌

這正是 AI 治理要補的缺口。我們不能只接受「五滴水」這樣的收據式揭露，而是要讓模型同時交出完整的「總帳」。這意味著，除了生命週期的總量數據（訓練、推理、硬體製造、電網來源），也要有場景化的單次能效指標（例如 400 tokens、1,000 tokens、多模態任務）。只有這樣，才能在「全局負擔」和「使用細節」之間建立橋樑。

更進一步，這些數據必須依照國際標準來統一計算，並且經過第三方審核，才算具備公信力。就像金融業有國際會計準則與永續揭露準則（ISSB、SASB 等），企業不能只挑有利的數字報出來，AI 的環境治理也該往這個方向走，甚至可以借鏡金融業的「強制揭露」制度，把 AI 模型環境數據納入法規，要求大型模型或基礎模型一律登錄公開資料庫，提供社會比較。這樣才能避免出現「Google 說五滴水、Mistral 說四十五毫升」的割裂現象。

別讓 AI 成為資源黑箱

AI 治理的討論，往往集中在偏見、透明度與責任，但其實資源消耗才是另一個不容忽視的治理戰場。電與水不像程式碼，無法無中生有；它們是真實的公共財，與人類生活、農業與氣候息息相關。如果我們不補上收據與總帳之間的制度空窗，AI 可能會在效率的美麗數字掩蓋下，成為另一個吞噬資源的黑箱。

這也是一個價值選擇的問題。未來的 AI 要不要被納入 ESG 框架？政府是否該要求大型模型揭露完整的生命週期環境影響？公共採購是否該把「環境績效」列入模型評比標準？這些問題不只是技術細節，而是社會如何為 AI 設下邊界的核心議題。當 Google 提供「五滴水」的收據，Mistral 端出「四十五毫升」的總帳，真正需要的，是制度能夠要求所有人同時交出這兩張表，並且讓數據經得起檢驗。唯有如此，AI 治理才不會停留在行銷，而能回到問責的正軌。