‹ 返回

人工智慧的隱性碳成本

從 ChatGPT 與 Claude 的能耗差異，看 AI 時代的氣候代價

 

 

圖靈學院編輯部
2026- 3 -10

一、一筆五角大廈合約，揭開 AI 碳排的黑盒子

    2026 年 2 月底，OpenAI 宣布取得美國國防部（DoD）的合約，允許旗下的 ChatGPT 在五角大廈的機密電腦系統內運行。執行長 Sam Altman 強調合約附有安全限制，禁止用於大規模監控或武器系統。這紙合約迅速引爆輿論，不少使用者出於對 AI 軍事化的疑慮，開始轉投 Anthropic 的 Claude 平台。根據 Sensor Tower 數據，Claude 在短短數週內從 App Store 排行榜百名以外竄升至免費下載榜首。

    然而，在這場商業競爭與政治風波之後，有一個更深層、卻少被主流媒體深究的問題悄然浮現：當數億用戶每天向這些 AI 模型提問時，地球的大氣層正在默默承受什麼？本文以 CarbonCredits.com 於 2026 年 3 月發布的比較報告為基礎，搭配獨立研究數據，探討 ChatGPT 與 Claude 兩大 AI 平台的碳足跡差異，並從 ESG 政策視角分析，這場看不見的能源戰爭對氣候目標意味著什麼。

二、每一次查詢，都是一筆微小的碳帳單

    AI 系統的運作仰賴龐大的資料中心。這些設施不分晝夜地消耗電力，排出二氧化碳（CO₂），並大量使用水資源冷卻伺服器。對一般用戶而言，每次打開對話框、輸入問題、等待回答，感覺輕巧無形——但這背後存在一筆真實的能源帳單。

    根據獨立研究機構 Devera AI 的報告，各主要模型的單次查詢能耗如下：

• OpenAI GPT-4o（ChatGPT）：約 0.30 瓦時（Wh），碳排放約 0.13 克 CO₂
• Anthropic Claude 3 Opus：約 4.05 瓦時，碳排放約 1.80 克 CO₂
• Anthropic Claude 3 Haiku（輕量版）：約 0.22 瓦時，碳排放約 0.10 克 CO₂

 

    這組數字乍看微不足道，但比較後令人警醒：Claude 3 Opus 的單次能耗是 GPT-4o 的逾 13 倍。這意味著，相同的對話量，使用 Opus 所產生的碳排放，可能是 GPT-4o 的十倍以上。即便是輕量化的 Claude 3 Haiku，在效率上雖已接近 GPT-4o，但 Opus 旗艦版的高能耗仍提醒我們：模型設計選擇，直接決定了環境代價。值得注意的是，這份數據聚焦於「推論」（inference）階段，亦即用戶提問時模型實際回應的能耗，並非模型完整生命週期的總排放量。

三、規模效應：微小差距如何化為氣候威脅

    1.80 克 CO₂ 聽起來微乎其微。一顆小型 LED 燈泡運行幾分鐘，耗能大約也是這個數量級。但 AI 平台的規模，讓「微小」變成「巨大」。根據報告引用的估計數據，ChatGPT 每日處理超過 10 億次查詢。以 0.30 Wh 的能耗換算，光是 ChatGPT 每日就消耗約 300 百萬瓦時（MWh）的電力，每月產生的 CO₂ 排放逾 26 萬公斤。如果換成 Claude 3 Opus 的 4.05 Wh 單次能耗、以相同規模推算，每月碳排將膨脹至約 352 萬公斤——是 ChatGPT 的 13 倍以上。這個數字已相當於一座中型發電廠的年排放量。這正是 ESG 分析師長期強調的「規模陷阱」：當一項技術滲透至全球每個角落，即便是每次使用的微小差異，乘以數十億次後，都可能對氣候目標造成結構性衝擊。AI 已成為這個時代規模最大的數位基礎設施之一，其碳足跡必須被認真對待。

四、AI 的碳生命週期：訓練與推論的雙重代價

（一）訓練階段：一次性的龐大排放

    訓練一個大型語言模型需要耗費驚人的運算資源。伺服器密集運算數週乃至數月，產生大量熱能，消耗海量電力。研究估計，部分早期大型模型在訓練階段所排放的 CO₂ 當量超過 500 公噸，相當於一輛汽車行駛超過 300 萬公里的碳排放量。訓練雖是「一次性事件」，但每當模型進行版本迭代、能力升級，就需要重新訓練。隨著模型規模持續擴大，訓練碳排放也水漲船高。

（二）推論階段：每日的隱性累積

    推論是模型實際回應用戶的過程，這才是 AI 碳排放的主要來源。每一次查詢，都在消耗電力；每一秒鐘，全球都有數以千萬計的對話正在運行。相比訓練的「一次性排放」，推論是持續、日復一日、無止境的能源消耗。

    這也正是為何模型的推論效率如此重要。GPT-4o 對 Claude 3 Opus 能耗比為 1:13.5，這種量級的差距，在推論階段被放大成真實的碳排差距。AI 公司在設計模型時，能源效率理應成為與準確性、速度並列的核心指標。

五、水資源：另一個被忽略的環境成本

    除了碳排放，資料中心的水資源消耗同樣值得關注。冷卻系統需要大量用水來維持伺服器的正常運作溫度。研究指出，平均每次 AI 查詢約消耗 0.32 毫升的水。這個數字聽起來微不足道，但同樣適用規模邏輯：10 億次查詢就是 32 萬公升的耗水量，每天如此。更嚴峻的是，許多 AI 資料中心座落於水資源相對匱乏的地區，其用水衝擊遠超過整體平均值。目前多數 AI 公司並未主動揭露完整的水資源消耗數據。這一資訊不透明的現狀，讓外部評估幾乎無從下手，也讓企業的 ESG 報告缺少了一塊關鍵拼圖。

六、2030 年的電力版圖：AI 正在重塑能源需求

    資料中心已占全球電力需求的一大部分，而 AI 正在加速這一趨勢。根據報告引用的預測，到 2030 年，資料中心可能消耗全球電力的 3 至 4%——其中生成式 AI 是主要驅動力。國際能源總署（IEA）的預測更為警示：如果當前 AI 成長趨勢持續，到 2035 年，包括 ChatGPT 和 Claude 在內的生成式 AI 每年可能排放數百萬公噸的 CO₂。這個數字，足以抵消許多國家努力數年才達成的減碳成果。台灣作為全球半導體供應鏈的核心，同樣身處這場能源轉型的最前線。台積電等企業在 AI 晶片製造上的電力需求持續攀升，而台灣本身也正積極推進再生能源轉型以因應 2050 淨零目標。AI 的隱性碳成本，對台灣的能源政策規劃而言，同樣是無法迴避的課題。

七、ESG 視角：透明度才是解方

    從 ESG（環境、社會、治理）的角度來看，目前 AI 產業面臨三大核心問題：

1. 資訊不透明：大多數 AI 公司不主動揭露訓練和推論的詳細能耗數據，外部研究只能依賴統計推估。

2. 碳會計缺位：AI 的碳排放分散在供應鏈的不同層級（範疇一、二、三），目前缺乏統一的數位排放核算標準。

3. 效率與能力的取捨：高能耗的旗艦模型（如 Claude Opus）往往提供更強的推理能力，企業在追求 AI 性能的同時，往往犧牲了能源效率。

    對企業用戶而言，選擇 AI 工具不再只是效能與成本的問題，更應納入碳足跡的考量。以效能相近、但能耗低得多的輕量模型（如 Claude 3 Haiku 或 GPT-4o mini）替代旗艦版，在大規模部署時可顯著降低企業的範疇三排放。

    對政策制定者而言，將 AI 資料中心的碳排放納入氣候法規框架，制定數位服務的強制揭露標準，已不再是遙遠的未來，而是迫切的政策任務。歐盟的 CSRD（企業永續報告指令）已朝此方向邁進，但 AI 領域仍存在大量監管空白。

八、給用戶的行動建議

    面對 AI 的隱性碳成本，一般用戶並非無能為力：

• 選擇輕量模型：非關鍵任務優先使用 Haiku、GPT-4o mini 等節能版本，而非一律啟用旗艦模型。
• 減少冗餘查詢：一次清楚的提問，勝過多次試探性提問，既省時也省碳。
• 關注企業揭露：在採購 AI 服務時，將能源揭露程度納入評估標準，支持透明的 ESG 報告。

結語：看不見的排放，需要看得見的政策

    美國五角大廈的那紙合約，意外地讓全世界重新審視了一件事：AI 不只是效率工具，它正在成為一種基礎設施，一種具有真實環境代價的基礎設施。ChatGPT 與 Claude 的碳足跡比較，揭示的不是哪家公司更好，而是整個產業在能源效率上的巨大進步空間。
在 AI 使用量每年倍增的今天，如果我們不在技術設計、政策規範、企業揭露三個層面同步行動，那麼每一次「無害的提問」，都將靜靜地在大氣層裡留下一筆帳。這筆帳，終究還是由所有人來共同承擔。

參考資料來源：
[1] Jennifer L. (2026, March 5). ChatGPT vs Claude AI: Carbon Footprints, Pentagon Deal, and Energy Impact. CarbonCredits.com. https://carboncredits.com/chatgpt-vs-claude-ai-carbon-footprints-pentagon-deal-and-energy-impact/
[2] Devera AI. (2025). The Environmental Impact of AI: Energy, Carbon and Water in the Age of ChatGPT. https://www.devera.ai/resources/the-environmental-impact-of-ai-energy-carbon-and-water-in-the-age-of-chatgpt
[3] U.S. General Services Administration. (2026, February 27). GSA Stands with President Trump on National Security AI Directive. https://www.gsa.gov/about-us/newsroom/news-releases/gsa-stands-with-president-trump-on-national-security-ai-directive-02272026
[4] Sensor Tower. (2026, March 3). Top Free Apps – US iPhone Charts. https://app.sensortower.com/top-charts?category=0&country=US&date=2026-03-03&device=iphone&os=ios
[5] CarbonCredits.com. (2025). ChatGPT vs. Gemini: Who Leads the AI Race and at What Environmental Cost? https://carboncredits.com/chatgpt-vs-gemini-who-leads-the-ai-race-and-at-what-environmental-cost/
[6] CarbonCredits.com. (2026). AI's Energy Hunger: Data Centers Set to Use Power Equal to Japan's by 2035. https://carboncredits.com/ais-energy-hunger-data-centers-set-to-use-power-equal-to-japans-by-2035/
[7] CarbonCredits.com. (2025). How Big Is the CO₂ Footprint of AI Models? ChatGPT's Emissions. https://carboncredits.com/how-big-is-the-co2-footprint-of-ai-models-chatgpts-emissions/
[8] CarbonCredits.com. (2026). AI Hidden Carbon Footprint: How Tech Giants Are Masking Their Emissions. https://carboncredits.com/ai-hidden-carbon-footprint-how-tech-giants-are-masking-their-emissions/
[9] CarbonCredits.com. (2026). ChatGPT, Gemini, and DeepSeek Are on an AI Race – But at What Climate Cost? https://carboncredits.com/chatgpt-gemini-and-deepseek-are-on-an-ai-race-but-at-what-climate-cost-a-comparison/