title: 電力、晶片與反彈需求：AI 的資源代謝與效率—總量分離
english_title: Electricity, Chips, and Rebound Demand: AI Resource Metabolism and the Separation of Unit Efficiency from Aggregate Use
series: AI 成本表象悖論：低價智能、超算資本與全域資源帳本
series_id: AICAP
paper_id: AICAP-06
version: 0.1
status: COMPLETE RESEARCH DRAFT — FORMAL UTF-8 SOURCE / NOT EMPIRICALLY ESTIMATED
date: 2026-11-03
language: zh-Hant
canonical_source: UTF-8 Markdown
math_delimiters: inline $...$ ; display $$...$$
research_domain: 人工智慧政治經濟學／能源經濟學／資源代謝／反彈效應／生命週期評估／技術變遷
provenance: 承接 AICAP-00 至 AICAP-05；對照 CLATE-07、HACTS-02、ANIE-02；核對 2024–2026 年公開來源，截至 2026-11-03

電力、晶片與反彈需求：AI 的資源代謝與效率—總量分離

Electricity, Chips, and Rebound Demand: AI Resource Metabolism and the Separation of Unit Efficiency from Aggregate Use

AICAP-06｜《AI 成本表象悖論》系列第六篇正式研究稿
**日期：**2026 年 11 月 3 日
**文件性質：**理論與方法研究稿；含明確假設下的數學命題與證明、可重算示例、可反駁假說、實證識別及資料契約。尚非跨模型或跨資料中心的獨立實證估計。
**原稿規範：**直接保存 UTF-8 Markdown，數學一律採行內 $...$ 與獨立 $$...$$；不從聊天畫面擷取已渲染公式作為正式原始碼。
**核心邊界：**既不預先宣稱 AI 是淨資源浪費，也不預先宣稱 AI 一定帶來環境淨節省；不把全體資料中心用電直接稱為 AI 推理用電，更不把單次簡短文字請求當成所有前沿推理與代理任務的代表。

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
版本： 0.1

摘要

AI 服務的可見價格可能持續下降，單次特定推理的能源效率也可能顯著改善，但由此無法直接推論整體電力、晶片、材料、水資源或溫室氣體排放必然下降。當服務價格降低、使用者增加、任務複雜度上升、模型使用轉向長時間推理及代理工作、資料中心快速擴建時，使用量及工作負載組成的變化，可能超過單位效率改善所節省的資源。反之，若有效工作的單位耗能下降速度快於品質可比的工作量增長，且電網、硬體生命週期與被替代的活動之影響亦受到合理管理，AI 在部分範圍確實可以降低總資源耗用。兩種情形均可成立，不能以「AI 很省」或「AI 很耗」的一句口號判定。

本篇承接 AICAP-01 至 AICAP-05 對價格、有效成果、資本所有權、成本歸屬及平台接取的分析，提出「資源代謝」作為跨工作負載、跨生命週期與跨地理位置的物理存量—流量框架：將直接計算電力、閒置與設施開銷、晶片與設備製造、設備替換與處置、現場及間接用水、電網邊際排放、土地及局部電網容量、被替代活動與反彈需求分帳處理。核心形式化區分為（甲）指定品質條件下的單位有效成果資源強度；（乙）相同品質邊界內的工作量；（丙）工作類型與推理深度的組成；（丁）硬體存量及更新速度；（戊）區域、時段與能源結構。任何一個維度的效率改善，不得直接冒充另一維度的總量改善。

公開證據提供了看似相反卻可兼容的現象。國際能源總署（IEA）2026 年報告估計，全球所有資料中心用電量由 2025 年約 485 TWh 增至 2030 年基準展望約 950 TWh，AI 聚焦型資料中心增速更快；這是情境展望，不是 2030 年已發生的統計，也非「所有用電均供 AI」。另一方面，Google 2025 年公開特定 Gemini Apps 中位文字請求的完整服務堆疊量測約 0.24 Wh，並報告該服務範圍內一年間中位請求效率大幅提升；此值既不是所有 AI 任務的通用常數，也未經獨立第三方核證。LBNL 2026 年美國資料中心展望、2025 年用水因素研究及晶片生命週期文獻進一步顯示：設備裝設量、伺服器閒置、冷卻、區域位置與硬體換代，都會改變單位成果與總量之間的關係。[E01][E02][E03][E04][E05]

本篇建立十項在特定假設下成立的命題，包括：效率—總量分離門檻、價格傳導及需求彈性門檻、服務組成的反轉、閒置固定電力與利用率的分母問題、設備更新對隱含排放的非單調影響、節水與用電間的可能取捨、平均排放與邊際排放的不同、局部尖峰容量與年總用電的分離、有效成果與生成請求的區別，以及 AI 淨環境效益的反事實必要性。並以八組透明示例、十二項可反駁假說、分層資料契約與量測協議說明如何把理論轉為可核查的研究。

**核心結論：**AI 每一次能力取得可以變得更便宜、每一件合格成果可以變得更節能，整個 AI 生產體系卻仍可能消耗更多物理資源；但「可能」不是「必然」。完整判定必須保留品質可比、任務構成、資源帳邊界、區域時段、硬體生命週期與真正被替代的經濟活動。

**關鍵詞：**AI 成本表象悖論；資源代謝；資料中心用電；晶片生命週期；隱含排放；反彈效應；Jevons；工作量組成；有效成果；電網邊際排放；用水效率；區域壓力；能源反事實；跨層成本帳本。

0．研究定位：兩種「便宜」不應相互冒充

0.1 原始經濟問題

一名小型遊戲開發者，可以透過高能力 AI 服務，大量生成角色對話、條件式事件、技能組合規則、素材草案與測試案例。從開發者帳面看，這可能顯著降低聘用多人或反覆外包的現金支出。可是，支援這些工作的是模型研發、推理集群、資料中心、記憶體與互連、能源、冷卻及全球供應鏈。開發者沒有自行購置相同基礎設施，不表示那些基礎設施不存在；同時，基礎設施十分昂貴，也不表示每件經驗證的 AI 成果都比人工生產更耗資源。

由此形成五項需分開檢驗的陳述：

使用者付款較低：描述市場交易價格與使用者現金流。
完成成果較省：描述指定品質下的私人成本、社會資源或時間生產率，需指定分母與邊界。
單次計算較省電：描述某種工作負載、硬體和服務配置下的效率。
全體計算系統耗電較少：描述一段期間內全部設備及工作總量，是不同命題。
整體社會資源耗用較少：還需計入製造、用水、能源系統、替代活動及新的需求。

本篇研究第 3 至第 5 項之間的可識別關係，不以資源物理量取代 AICAP-01 至 05 對價格、資本、利潤與權利的研究。

0.2 與既有系列的明確分工

研究	已處理的主軸	AICAP-06 增加的層次
AICAP-01	訂閱、推理定價、合格成果分母	以 Wh／合格成果、L／合格成果和 kgCO2e／合格成果檢查實體資源強度
AICAP-02	資本固定成本、利用率與租用持有	設備利用率、閒置電力、材料及運行電力的物理分帳
AICAP-03	付款、攤銷、補貼、跨期融資	價金移轉不等於資源消失；設備金額與製造排放不能同一量綱相加
AICAP-04	人機協作、驗收、整合與返工	原始請求數和有效成果數分離；失敗及驗證的能源不可忽略
AICAP-05	接取權、部署權與平台依賴	算力自主性不直接代表低電力、低水耗或更低社會成本
CLATE-07	有效智能產能價格與工資錨	本篇不將物理能源單價直接推導成人類工資
HACTS-02	額度、時間與注意力稀缺	已購配額使用與否不等於固定設施是否真實省電
ANIE-02	AI 工業化的品質驗證交付	以可再現的遊戲開發流程作為能耗與工作量比較單位

0.3 不是新發現的歷史事實

能源效率改善可能刺激額外需求，在能源經濟學中早有 Jevons 與反彈效應的討論；Sorrell、Dimitropoulos 與 Sommerville（2009）的文獻回顧更明確處理了直接反彈的估計難題 [E06]。本篇不宣稱首次發現「效率提高、總量仍增加」。其研究增量是把該問題放進AI 的任務品質、推理深度、服務內容重組、硬體替換、區域電網及人機有效成果的共同計量框架，並與本系列的多層成本帳相連。

0.4 不得預設的六項結論

不得把 2025 年與 2030 年的資料中心總用電直接當作 AI 推理用電；其中也包含一般雲端、儲存及其他數位服務。
不得把單一模型、單一提示類型或單一供應商的 Wh／請求外推為所有影片、音訊、長鏈推理、代理工作與訓練任務。
不得把較低 GPU 功率直接當作較低系統電力，忽略主機、記憶體、網路、閒置、冷卻及供電損耗。
不得把低電價地區、可再生能源合約或平均電力排放係數自動等同於新增負載的零邊際排放。
不得把能效改善必然導致「反彈超過 100%」；反彈幅度必須由需求反應、定價、品質與外生因素檢驗。
不得把估算出的 AI 節能潛力直接當作已觀察的社會淨減排；必須建立反事實情境。

1．證據基礎與統計界線

1.1 IEA 2025 與 2026：總量上升是展望，不是 AI 獨占計量

IEA《Energy and AI》（2025）報告估計，2024 年全球資料中心用電約 415 TWh，約占全球用電的 1.5%；其 2025 年基準展望對 2030 年估計約 945 TWh [E07]。IEA《Key Questions on Energy and AI》（2026 年 4 月 16 日）則將 2025 年資料中心用電估為約 485 TWh，並將 2030 年中央展望更新為約 950 TWh，約占屆時全球總用電 3%；AI 聚焦型資料中心在該期間的用電預估約增至三倍 [E01]。

這兩份資料不能拼接成「每年精確實測曲線」，也不可說成 AI 文字對話將耗用 950 TWh。其數字反映不同基準年、模型更新與全部資料中心範圍。IEA 2026 報告另外指出，推理深度、影片生成及代理工作可能遠比簡短文字查詢耗能，因而工作構成與使用成長是重要的不確定性來源 [E01]。

1.2 美國 LBNL 2026 報告：部署與閒置假設足以改寫預測

Lawrence Berkeley National Laboratory 2026 年 6 月發布的《United States Data Center Energy Usage Report: 2025 Update》，以設備出貨、使用功率、設施種類與冷卻模型等資料建立由下而上的美國用電展望。其 2030 年參考案例約 649 TWh；整合不確定情境約 521–843 TWh，約為美國預測用電的 9.5%–15.3% [E03]。不同情境調整專用加速器裝設、平均設備壽命、閒置功率與利用率假設，帶來顯著差異。

這是美國情境分析，不應與 IEA 全球的 950 TWh 直接視為同一模型下的分子分母。可用來支持的研究觀察是：即使不知道未來的真實採用數量，設備裝設及負載假設已能使總需求展望顯著改變。

1.3 實際服務量測：單位請求可以真的改善

Elsworth 等人（2025）利用 Google Gemini Apps 的生產環境，提出納入加速器、主機、保留閒置容量及設施開銷的完整量測方法，報告 2025 年 5 月該應用中位文字請求約消耗 0.24 Wh，估計排放 0.03 gCO2e、用水 0.26 mL；相對 2024 年 5 月的中位文字請求，其公布的能耗下降約 33 倍 [E02]。Google 同時明確說明：這是特定時間點、特定產品與請求集合，數據尚未獨立第三方核證，不能代表所有請求 [E08]。

此證據不能推出「所有長時推理只需 0.24 Wh」，也不能推出單一使用者的全部連鎖操作可由中位值乘以呼叫次數無偏估計。中位數不代表平均數；如果右尾有少量極高負載，單純乘中位數可能嚴重低估總量。

1.4 硬體生命週期、用水與區域條件

Schneider 等人的硬體生命週期研究涵蓋五代 Google TPU，明確將原料、製造、使用、處置及代際變化納入硬體排放評估；其所提出的 Compute Carbon Intensity 有助比較不同代際的運算與碳負擔，但不能由某代晶片較省電就推論其所有部署情境的全生命週期排放必然較低 [E04]。

Lei 等人（2025）對資料中心工作負載的水資源研究指出，場址、伺服器效率、電網間接用水、冷卻技術、設備利用率與更新週期會共同造成高度異質的用水結果 [E05]。2026 年《Environmental Science & Technology》研究估計，在其使用的歷史水文條件下，全球已辨識資料中心約四分之一曾處於每年至少一個月的水供需缺口區域，提醒研究者不可把同樣的耗水量視為相同的地理壓力 [E09]。該研究的 9,347 個站點包括多種資料中心，不能等同 9,347 個大型 AI 模型集群。

1.5 產業報告與學術文獻的證據等級

本篇採取以下證據標記：

O（observed）：具實際時間與範圍的量測或官方統計，但仍須辨明其量測法與覆蓋範圍。
P（projection）：預測與敏感度情境，如 2030 年 TWh，不得敘述為已發生。
S（self-reported）：供應商自行公布的能耗、效率或減排聲明，必須保留核證限制。
T（theoretical）：在清楚假設下的數學結論，無法單獨當作真實世界效應大小。
H（hypothetical）：透明數值案例，旨在驗算邏輯與識別反例，不是觀察到的企業數據。

2．資源代謝的單位與盤查邊界

2.1 不能把不同物理量硬加成一種「環境成本」

本篇先使用多維向量，並保留不同單位：

\mathbf{R}_t=(E_t,G_t,W_t,M_t,D_t,P_t).

其中 $E_t$ 是電力（kWh 或 TWh）； $G_t$ 是溫室氣體（kgCO2e）； $W_t$ 是依指定範圍定義的耗水或取水量（L 或 m3）； $M_t$ 是材料投入的種類及質量向量； $D_t$ 是報廢／回收設備量； $P_t$ 是局部尖峰容量需求（kW、MW、GW）。本篇不將不同維度直接求和或依任意權重命名為全域資源指數；若有政策比較需明示權重、價格、地點及損害函數。

2.2 五組必須同時指定的邊界

邊界	必須指定	容易發生的誤判
活動	訓練、微調、實驗、推理、工具呼叫、檢索、驗證	用一則文字問答代替完整 Agent 任務
品質	模型、任務、驗收規格、失敗重試及工作時長	以低品質短輸出假裝取代合格成果
設施	加速器、主機、網路、儲存、閒置、UPS、冷卻	只量 GPU 活動功率
生命週期	建造、晶片製造、設備裝設、維護、用電、回收處置	電費加折舊後，再把同一設備購置當期重算
時空	國別、電網區域、用電時段、場址流域、研究年	全球平均影響等同特定地區的邊際影響

2.3 資源帳與金錢帳分工

**交易帳：**使用者向 AI 商支付的費用。
**企業帳：**模型及平台供應商的營運成本、攤銷、資本收入。
**物理流量帳：**特定時空的電力、水、材料、排放與設備處置。
**社會效果帳：**電網成本、土地／水文競爭、替代活動的增減、外部性與經驗證產出。

同一張 GPU 發票可屬於企業的資本支出，設備製造的碳排放可屬物理流量，設備折舊可屬會計期間分配；三者不能因為「看起來都是成本」而直接相加成一個貨幣額，亦不應對同一物理排放重複歸因。

2.4 以合格成果作核心分析分母

令 $d$ 為任務域， $a$ 為指定驗收規則， $Q_{dta}$ 為期間 $t$ 內通過該驗收的有效成果量； $E_{dta}^{\mathrm{alloc}}$ 是依清楚規則分配到這些成果、包含失敗重試與相關服務開銷的電力。則：

\eta_{dta}^{E}=\frac{E_{dta}^{\mathrm{alloc}}}{Q_{dta}},\qquad Q_{dta}>0.

其單位是 kWh／合格成果，而不是 kWh／Token 或 kWh／候選文件。對話、短摘要、遊戲測試、程式修復、影片生成，必須先建立可比較的任務／品質契約，才能談相同成果成本。

3．單位效率、總量與組成：最小物理模型

3.1 增量能耗與共同基底分離

令 $n_{dt}$ 為在期間 $t$ 執行的第 $d$ 類工作負載數， $e_{dt}^{\mathrm{inc}}$ 為該類工作負載增量設施電力， $B_t$ 為已排除在增量係數之外的共同基底負載（待命、共享冷卻、最低供電等），則：

E_t^{DC}=B_t+\sum_{d\in\mathcal D_t}n_{dt}e_{dt}^{\mathrm{inc}}.

這是核算定義，不是可藉單一報表直接識別的因果方程。若已有完整攤派的 $e_{dt}^{\mathrm{full}}$ ，就不能再把同一部分 $B_t$ 加進來；應選用一套可追溯分配方案。

$B_t$ 可能因設備擴張、閒置策略和冷卻配置而變動，因此它並非永遠固定的「常數」。在某段期間假設 $B_t$ 不變，僅是局部比較的控制條件。

3.2 同質任務的效率—總量恆等式

在相同驗收與相同核算範圍下，若僅有一類可比工作且共同基底已適當分配或扣除，定義 $E_t=n_te_t$ 。令：

f=\frac{e_1}{e_0},\qquad g=\frac{n_1}{n_0},\qquad n_0e_0>0.

則：

\frac{E_1}{E_0}=fg.

若單位耗能改善，即 $0<f<1$ ，總電力仍可能增加。總電力下降的必要且充分條件是 $g<1/f$ ；總電力不變時 $g=1/f$ ；總電力上升時 $g>1/f$ 。

這裡的 $n$ 是品質可比的工作量，不是將長鏈推理與一句問候混入同一請求數的任意合計。

3.3 服務組成比總量更易誤導

若多種工作各有不同能耗強度：

E_t^{\mathrm{variable}}=\sum_{d} n_{dt}e_{dt}.

總請求數 $N_t=\sum_d n_{dt}$ ，平均每請求能耗為：

\bar e_t=\sum_d s_{dt}e_{dt},\qquad s_{dt}=\frac{n_{dt}}{N_t}.

即使每個固定任務類別內 $e_{d1}<e_{d0}$ ，若高負載任務佔比 $s_{dt}$ 上升，整體平均 $\bar e_t$ 仍可能增加。反過來，平均強度下降也未必是技術提升，可能只是更多簡單工作稀釋了分母。應分解為類別內效率變化、類別權重變化及總工作量變化。

3.4 將有效工作與無效重試分開

令候選執行次數為 $A_t$ ，通過驗收並在需要去重後計入的有效成果為 $Q_t$ ，則候選成果接受率：

q_t=\frac{Q_t}{A_t},\qquad 0<q_t\leq 1.

若每次候選的平均完整能耗為 $e_t^a$ ，且沒有其他成本與相依性，則：

\eta_t^E=\frac{e_t^a}{q_t}.

因此候選生成耗能下降卻伴隨驗收率下降時，合格成果能源效率未必改善。實際系統還須納入人工驗證、工具執行、重試控制與共享資源分配，不能用這個簡式替代完整 AICAP-04 成本模型。

3.5 系統邊界改變的處理

新增模型預訓練、後訓練、長記憶儲存或大量外部工具，可能改變資源盤查內容。固定比較時應保留原有的任務範圍，或在兩個時點使用相同擴充邊界重算。否則「較省電」可能只是從推理服務帳移到另一個不再顯示的帳。

4．反彈效應：有機制，才有推論

4.1 四種必須區分的反彈來源

**直接反彈：**某類 AI 服務單位成本降低，使用者對同類服務的使用量增加。
**間接反彈：**節省金錢或時間後，轉向其他消耗能源或材料的活動，包括原本沒有使用 AI 的市場。
**組成與能力擴張：**新能力使長鏈推理、影片、代理工作與高吞吐量自動化成為可行，並非同一服務的單純使用次數增加。
**供給誘發反彈：**更高效率改善了容量與資本回收，刺激新的資料中心投資、降低排隊時間，從而改變可供給的工作範圍。

這些機制可能互相交織，但研究時不可將全部新增用電歸因於「效率提升」；經濟增長、產品品質、宏觀利率、政策或外部新技術亦能單獨改變需求。[E01][E06]

4.2 最小價格傳導與需求彈性模型

考慮一個同質、品質固定的 AI 工作服務。假設單位資源強度由 $e_0$ 下降至 $e_1=fe_0$ ， $0<f<1$ ，其使用者可見單位價格隨之依某種彈性傳導：

\frac{p_1}{p_0}=f^\tau,\qquad \tau\geq0.

$\tau$ 是研究期間中的價格—能耗傳導係數，不是所有市場必須符合的物理常數。再假設價格需求關係在該比較區間具有固定絕對需求彈性 $\varepsilon\geq0$ ：

\frac{n_1}{n_0}=\left(\frac{p_1}{p_0}\right)^{-\varepsilon}=f^{-\tau\varepsilon}.

若只有此一來源改變需求，則：

\frac{E_1}{E_0}=f^{1-\tau\varepsilon}.

因此在 $0<f<1$ 下：若 $\tau\varepsilon<1$ ，能耗下降；若等於 1，能耗不變；若大於 1，會出現超額直接反彈，亦即新增需求超過單位改善所節省的電量。這是假設導出的門檻，不是當前 AI 市場的彈性估計。

4.3 固定訂閱與零邊際使用價格

訂閱制服務可能使使用者面對的當期每次請求現金支出接近零，但供應商仍面對容量、排程與電力的邊際資源成本。這時上述 $p$ 不一定是有效需求價格：使用限制、延遲、可用模型等級、排隊、認知與驗證工時都可能形成非金錢價格。因而不可套入 $p=0$ 並讓常彈性函數發散；應改用有容量與時間限制的需求系統。此處與 HACTS-02 的額度期限效應存在相互作用，但不將未使用配額視為必然省下同量的基礎設施固定電力。

4.4 新工作不是舊工作的額外幾次

假設某模型效率提高後，新的能力使一名使用者從每日十次短查詢，轉為執行多個跨工具、長上下文、搜尋和程式測試的代理工作。此時「請求次數」的單位已經改變，原始價格彈性模型失去同質性。應依任務類別、最終成果與工作堆疊重新建立 $n_{dt}$ 和 $e_{dt}$ ，而不是把新需求全部標成「每問一次便宜了」。

5．晶片、設備與算力資本：物理存量不是費用攤銷

5.1 設備存量—流量恆等式

令 $K_t$ 表示期初有效加速器設備存量（以明確的設備類別或服務能力單位表示）， $I_t$ 為當期新增裝設， $R_t$ 為退役、出售或退出服務的設備，則：

K_{t+1}=K_t+I_t-R_t.

這是設備數量帳，尚未考慮設備是否同等性能。若不同代設備具有不同有效算力，需另設品質可比的服務能力轉換，不可直接把一枚新晶片當作一枚舊晶片。

5.2 製造、裝設與處置的時間

實際物理排放按發生期間歸帳：某批晶片在 $t$ 年完成製造，其製造排放原則上發生於對應供應鏈的期間與地區；企業可在會計上跨年折舊，研究者也可為「每單位服務」分析跨年分攤製造排放，但不得將同一批製造排放同時記成當年完整新增排放與未來每年的完整新增排放再加總。

設某設備生命週期製造、建置與處置的可歸因碳負擔為 $G_i^{\mathrm{emb}}$ ，整個服務期間通過品質驗收的有效工作量為 $Q_i^{\mathrm{life}}>0$ ，則其分析性分攤指標為：

\gamma_i^{\mathrm{emb}}=\frac{G_i^{\mathrm{emb}}}{Q_i^{\mathrm{life}}}.

這是單位成果的生命週期歸因，不等於每次推理當下又向大氣排放同量溫室氣體。不同企業可能共同使用同一設備，分配必須避免重複歸屬。[E04]

5.3 更省電的新晶片不必然使立即換機合理

若新代設備的增量節電為每期 $\Delta E_t>0$ ，但為了提前替換而增加製造及建置排放 $G_{\mathrm{new}}^{\mathrm{emb}}$ ，並可能放棄舊設備剩餘可用壽命，則應比較：

G_{\mathrm{new}}^{\mathrm{emb}}+\sum_{t\in T}E_{\mathrm{new},t}c_t \quad \text{與} \quad G_{\mathrm{retain}}^{\mathrm{emb,additional}}+\sum_{t\in T}E_{\mathrm{old},t}c_t.

其中 $c_t$ 是同口徑的電力排放係數， $G_{\mathrm{retain}}^{\mathrm{emb,additional}}$ 僅含此刻以後為維修、保留或新增替代而實際發生的排放。舊設備已完成的製造排放是歷史事實，不應在比較「現在替換或繼續使用」時當成可追回的支出。若以全生命週期對照兩條路徑，須確認前史與系統邊界一致。

5.4 晶片不是唯一材料瓶頸

加速器裝設也涉及高頻寬記憶體、封裝、基板、網路互連、電源模組、變壓器、銅、冷卻設備與土建工程。IEA 2026 報告將晶片、記憶體、電網接入及能源設備列為快速擴張時的重要瓶頸 [E01]。因此資源代謝需由「設備個數」擴充為類別化投入清單，不可把 GPU 數量視為總材料足跡的充分統計量。

5.5 報廢、再利用與電力—材料張力

設備退役不必然立即等於廢棄；可能二手轉用、降階服務、零件再利用或材料回收。但轉用也可能創造新的總用電需求：原本應停止運作的舊設備若被低價移轉到新市場，雖然延長資產使用生命，其運行能耗仍須實際記錄。UNITAR／ITU《Global E-waste Monitor 2024》估計，全球 2022 年產生約 6,200 萬噸電子廢棄物，這是所有電子廢棄物而不是 AI 晶片的專項數字；只可用於理解廣義材料循環背景，不能直接當作 AI 報廢噸數 [E10]。

6．資料中心電力：活動、閒置、冷卻與容量

6.1 GPU 電力不是完整系統電力

對某個設施與同一計量期間，可定義：

E_t^{\mathrm{facility}}=E_t^{\mathrm{IT}}+E_t^{\mathrm{nonIT}},

其中 IT 電力可再依測量及設施組織分為加速器、CPU／DRAM、儲存、交換與網路設備，non-IT 為冷卻、配電與其他非 IT 設施用電。常見 PUE 指標為：

\mathrm{PUE}_t=\frac{E_t^{\mathrm{facility}}}{E_t^{\mathrm{IT}}},\qquad E_t^{\mathrm{IT}}>0.

因此，當 $E_t^{\mathrm{IT}}$ 不變，PUE 下降可以降低設施電力；然而若 IT 活動電力同時增加，不能只觀察 PUE 改善就宣布總電力降低。PUE 是設施層效率量測，不是每個 AI 產品的完整生命週期能源強度，也不是水資源效率 [E02][E07]。

6.2 利用率對平均與總電力有不同效應

設某段期間有共享待命電力 $B>0$ ，實際執行的同質工作量 $n>0$ ，每件增量電力 $e>0$ ：

E=B+ne,\qquad \bar e^{\mathrm{full}}=\frac{E}{n}=e+\frac{B}{n}.

在 $B,e$ 固定時，增加工作量 $n$ 會降低平均每件全分配能耗，卻增加期間內絕對電力。這不是矛盾，而是固定負載被更多工作分攤。若新增需求需要另外啟動設備群組， $B$ 隨之跳升，平均曲線可能呈階梯狀；因此不能將單一利用率下的結果外推所有容量區間。

6.3 批次、延遲與性能目標

高批次處理、排程和有效快取，可能降低每件工作的平均電力與硬體成本，但也可能提高回應等待時間、增加在任務不相容時的失敗率，或要求額外儲存。比較任何節能策略時應同時保存：

品質驗收門檻、延遲分位數、可用性與尖峰吞吐需求；
工作類型、輸入輸出長度、推理深度、工具鏈與快取命中率；
設施功率、電網限制、排程造成的空閒時間與硬體壽命；
成功率、必要重試，以及過期結果是否仍有經濟價值。

僅靠將所有工作排到低電價時段，不代表對即時醫療、交易或客服等有延遲上限的工作合法可行。

6.4 區域尖峰容量是另一種實體約束

將同一設施的時段功率記為 $P_{rh}$ ，其中 $r$ 是電網區域， $h$ 是時間，期間電力為：

E_r=\sum_h P_{rh}\Delta h.

但所需的局部尖峰容量至少受：

P_r^{\mathrm{peak}}=\max_h P_{rh}

約束。即使一個排程方案讓 $E_r$ 下降，如果少數時段集中啟動大批工作， $P_r^{\mathrm{peak}}$ 仍可能上升，觸發配電、併網、備援或儲能需求。IEA 2026 報告特別提示電力負載的地理集中、連接瓶頸及電網擴張速度不一致的問題 [E01]。是否造成額外電價壓力，則取決於當地供需餘裕、電網規則、費率及成本配置，而非只取決於總用電增加。[E11]

7．水資源：不能把「幾滴水」當成全球普遍係數

7.1 現場用水、間接用水與晶片製造分帳

一個可操作的水資源盤查，至少區分：

設施取水（withdrawal）與耗水（consumption），兩者在用途與回流水量上可能不同。
資料中心現場冷卻與其他營運耗水。
上游電力生產相關的間接耗水。
半導體、記憶體、封裝、冷卻設備及建築供應鏈的製造耗水。
不同水質與不同流域的水壓力，以及季節性與當地其他使用者需求。

對設施 $r$ 與期間 $t$ ，若 WUE 定義為現場耗水量與設施電力之比，可以作為一種報表指標：

\mathrm{WUE}_{rt}=\frac{W_{rt}^{\mathrm{site}}}{E_{rt}^{\mathrm{facility}}}.

因此同一邊界下 $W_{rt}^{\mathrm{site}}=\mathrm{WUE}_{rt}E_{rt}^{\mathrm{facility}}$ 。但 WUE 的定義在不同報告可能有口徑差異，應明列其是耗水或取水，以及是否包含再生水、雨水或間接電力耗水。不可把現場 WUE 和電網水耗係數未經去重直接合併。

7.2 電—水技術可能存在真正的取捨

例如某冷卻方案減少蒸發式冷卻水量，但增加風扇或壓縮機耗電；另一方案可能節電，卻在水資源緊張的區域增加耗水。若只根據電費或單一 WUE 排名，有可能將一種資源的節省轉移為另一種資源的壓力。實際取捨不一定出現，必須依冷卻技術、氣候、設備及設施實測；本篇僅主張它在經濟與工程上可能成立 [E05]。

7.3 「同樣一公升」具有不同的地理影響

若地區 $r$ 的耗水量為 $W_r$ 、水壓力權重或損害函數為 $\omega_r$ ，研究者可以另估：

H^W=\sum_r\omega_r W_r,

但 $H^W$ 不再只是公升， $\omega_r$ 的建構需要本地水文、回用、季節及競爭用途證據。若缺少可稽核權重，應直接保留每個流域的 $W_r$ ，而不是假裝所有用水具有相同環境成本。

7.4 供應商單次量測的使用限制

Google 的 0.26 mL／中位文字請求是一個與其實際量測範圍相關的報告值 [E02][E08]。它能示範完整服務堆疊的估計方法，不足以直接衡量特定城市或特定流域的水資源稀缺性，也不涵蓋所有工作類型及所有設備製造水耗。該值與某些外部估計不一致時，先應比較服務範圍、時間、冷卻與電網水耗核算、用水定義及量測方法，而非隨意選擇最大或最小值作為全球定論。

8．排放：平均盤查與新增負載的反事實不同

8.1 四個不能混在一起的碳排放概念

**營運排放盤查：**指定期間內購電、燃料與其他運行活動的排放；可按地點基礎或市場合約基礎報告，但兩者不是兩份可直接相加的排放。
**邊際排放：**新增或減少一定時空用電負載，對電力系統產生的反事實排放變化。
**隱含排放：**硬體、建築、設備製造及處置等生命週期排放，需區分發生時間與分析攤分。
**被避免排放：**因 AI 真正替代了原本會發生的交通、材料、能源或其他活動而減少的排放，必須有反事實比較。

盤查數字與因果反事實可以各自正確，卻不能因為名稱同為 kgCO2e 就直接互相代替。

8.2 期間營運排放的時空分布

若指定盤查口徑的時空排放係數為 $c_{rh}^{\mathrm{inv}}$ ，則：

G_t^{\mathrm{op,inv}}=\sum_{r,h}E_{rht}\,c_{rh}^{\mathrm{inv}}+G_t^{\mathrm{direct}}.

對新增工作造成的電力系統增排，應在可行時採用反事實邊際系統估計：

\Delta G^{\mathrm{grid}}=G^{\mathrm{grid}}(L+\Delta L)-G^{\mathrm{grid}}(L).

此處 $L$ 是完整的原始負載時空分布， $\Delta L$ 是新增 AI 工作造成的負載變化。若將其近似為 $\sum_{r,h}\Delta E_{rh}c_{rh}^{\mathrm{marg}}$ ，須說明小幅變動、邊際係數可辨識以及缺乏大規模誘發發電投資等假設。能源供應結構的中長期反應可能不同於短時段排程反應 [E11]。

8.3 生命週期排放恆等式的適用條件

在互斥且完整的範圍下，可以寫出某系統總生命週期盤查：

G^{\mathrm{LCA}}=G^{\mathrm{equipment}}+G^{\mathrm{construction}}+G^{\mathrm{operation}}+G^{\mathrm{endoflife}}.

每一項都必須遵守相同的地域、期間、組織及供應鏈界限，且處理回收抵免、重複使用、零組件製造排放的避免重算。不同供應商採不同 LCA 邊界時，不能把兩者已公布的「每請求碳排」當作完全相同的測量結果 [E04][E12]。

8.4 AI 淨減排不能不問原本會發生什麼

令 $G^{AI}$ 為使用 AI 後新增的、在同一情境下可歸因的排放；令 $G^{\mathrm{base}}$ 為不用 AI、但完成相同功能與品質的比較情境排放；其他活動誘發效應為 $G^{\mathrm{induced}}$ ，則一種可識別的總效果定義為：

\Delta G^{\mathrm{net}}=G^{AI}+G^{\mathrm{remaining}}+G^{\mathrm{induced}}-G^{\mathrm{base}}.

若 $G^{\mathrm{remaining}}$ 已包含於 $G^{AI}$ ，必須刪除重複項。關鍵是確定「什麼真正停止了、什麼只是增加另一層數位工作」。若 AI 僅生成一份建議，原本的交通或生產照常進行，就不能任意將交通或生產排放算成被節省。若 AI 讓某項生產更有效率，還需核對結果是否真的被採用，以及是否出現後續需求反彈。IEA 對 AI 用於能源效率和能源系統的分析提供了潛在應用場景，但不構成任何未測量專案的既成淨減排證明 [E07][E11]。

8.5 區域需求增加的外部性不能忽略好處

新增資料中心可能增加當地電網資本支出、用地及水資源競爭；它也可能提高既有發電與電網設備利用率、創造可預期負載，甚至以儲能或可調度工作支援電網。結果的正負取決於區域實際限制、規則、投資反應及替代安排。IEA 2026 年討論指出，在供電餘裕不同的地區，新增負載對電價的影響可能方向相反 [E11]。本篇不將「地方新增負載」直接等同「地方居民一定支付更高電價」。

9．十項形式化命題：物理恆等式、條件結論與反例

以下命題均是明示假設下的推論，並非已估計的市場參數。特別是命題中的「必然」只限於其數學假設，不可擴張成 2026 年全球資料中心的實證定律。

命題 1｜單位效率改善不足以保證總電力下降

**假設：**單一品質固定的任務類型，無重複分帳；兩期總電力為 $E_i=n_ie_i$ 且 $n_i,e_i>0$ 。
**命題：**即使 $e_1<e_0$ ， $E_1<E_0$ 當且僅當 $n_1/n_0<e_0/e_1$ 。

證明：

E_1<E_0\iff n_1e_1<n_0e_0\iff \frac{n_1}{n_0}<\frac{e_0}{e_1}.

故單位耗能下降與總耗電下降非同一命題。證畢。

**適用邊界：**不包含共同基底變動、不同任務混合與品質不等價；後者須使用多類別模型。

命題 2｜只有在傳導與需求反應足夠大時，才有超額直接反彈

**假設：**第 4.2 節的同質服務、常彈性需求及 $0<f<1$ 、 $\tau,\varepsilon\geq0$ ，其他需求決定因素不變。 **命題：** $\tau\varepsilon>1$ 當且僅當 $E_1>E_0$ ； $\tau\varepsilon<1$ 當且僅當 $E_1<E_0$ 。

**證明：**由 $E_1/E_0=f^{1-\tau\varepsilon}$ ，且當 $0<f<1$ 時 $f^x$ 對 $x$ 嚴格遞減，故指數 $1-\tau\varepsilon<0$ 時比值大於 1，其餘類推。證畢。

**反例邊界：**若價格主要由市場競爭而非能耗變動決定、存在訂閱配額或不連續的能力躍遷，則此簡式不適用，不能由整體用電增加反推出 $\varepsilon>1$ 。

命題 3｜類別內全部改善，混合平均仍可能變差

**假設：**至少兩類任務，類別 $A$ 為低強度、類別 $B$ 為高強度；兩期均為同一組類別。
**命題：**即使 $e_{A1}<e_{A0}$ 、 $e_{B1}<e_{B0}$ ，整體平均 $\bar e_1>\bar e_0$ 仍然可能。

**構造證明：**設 $e_{A0}=1$ 、 $e_{B0}=100$ ； $e_{A1}=0.5$ 、 $e_{B1}=50$ 。期初全為 $A$ ，則 $\bar e_0=1$ ；期末全為 $B$ ，則 $\bar e_1=50$ 。每一類別均節省一半能耗，整體平均卻上升。證畢。

**識別要求：**分析必須控制工作類型、深度與品質，不能只看「每請求平均 Wh」。

命題 4｜固定待命負載使每件平均能耗下降與總耗能上升共存

假設： $E(n)=B+ne$ ，其中 $B,e>0$ 且在觀察區間不變、 $n>0$ 。
**命題：**工作量 $n$ 增加時， $E(n)$ 嚴格增加，而平均每件能耗 $E(n)/n$ 嚴格下降。

證明：

\frac{dE}{dn}=e>0,\qquad \frac{d(E/n)}{dn}=-\frac{B}{n^2}<0.

故兩者同時成立。證畢。若 $B=0$ ，第二個結論變為不變；若擴容引致 $B(n)$ ，需另分析。

命題 5｜效率較高的新設備不保證提前替換的生命週期排放更低

**假設：**比較期間固定，兩方案達成相同品質與服務量，新設備運行減排總量為 $S>0$ ，其相對保留舊設備增加的製造／建置／處置排放為 $H>0$ 。
**命題：**提前替換在該期間減排的必要且充分條件是 $S>H$ 。

**證明：**定義替換與保留兩方案排放差 $\Delta G=H-S$ 。若 $\Delta G<0$ ，則 $S>H$ ，反之亦然。證畢。

限制： $S$ 必須以可比負載與時間電網係數估計， $H$ 必須只計入兩方案真正不同的未來影響。不能把舊設備過去已排出的碳再當作可避免的未來排放。

命題 6｜較低現場耗水不保證較低設施用電

**假設：**兩種可行冷卻方案 $A,B$ 在相同 IT 負載下，具有不同 PUE 與 WUE；無強制規定兩者須同向變動。
**命題：**存在 $W_B^{\mathrm{site}}<W_A^{\mathrm{site}}$ 且 $E_B^{\mathrm{facility}}>E_A^{\mathrm{facility}}$ 的合法數值組合。

**構造證明：**取相同 IT 電力 $100$ ， $\mathrm{PUE}_A=1.25$ 、 $\mathrm{PUE}_B=1.35$ ；取 $\mathrm{WUE}_A=1.2$ 、 $\mathrm{WUE}_B=0.2$ （單位 L／kWh）。則 $E_A=125$ 、 $E_B=135$ ， $W_A=150$ 、 $W_B=27$ ；故 $B$ 省水但多用電。證畢。

**注意：**只是可行的代數反例，並不表示每項冷卻技術實測皆呈此取捨。

命題 7｜年用電較低不足以推出區域尖峰負載較低

**假設：**觀察同一區域、兩個等長時間窗，方案 A 功率為 $(10,10)$ ，方案 B 功率為 $(0,15)$ ；時間窗長皆 1 小時。
**命題：**方案 B 的年化或期間總用電可以較低，但最大功率較高。

**證明：**此示例中 $E_A=20$ kWh、 $P_A^{\mathrm{peak}}=10$ kW，而 $E_B=15$ kWh、 $P_B^{\mathrm{peak}}=15$ kW。故能量與尖峰約束的排序相反。證畢。電網容量是否因此擴建仍需當地餘裕與契約資料。

命題 8｜用電量較低不充分推出營運碳排較低

**假設：**比較相同功能需求、相同排放核算邊界。方案 A 用電 $E_A=100$ 、係數 $c_A=0.1$ ；方案 B 用電 $E_B=80$ 、係數 $c_B=0.7$ ，均假設可使用一致單位。
命題： $E_B<E_A$ 但 $G_B>G_A$ 可能成立。

證明： $G_A=10$ ， $G_B=56$ ； $80<100$ 但 $56>10$ 。證畢。

**限制：**對年盤查採一致平均係數，對因果新增負載採適用的邊際分析；不能將兩者混在同一比較中。

命題 9｜每次候選耗能較低不足以推出每件有效成果耗能較低

**假設：**候選相互獨立，接受率在期內為 $q_i>0$ ，每次候選平均能耗為 $e_i^a$ ；只分析此項工作能耗。
**命題：**存在 $e_1^a<e_0^a$ 而 $e_1^a/q_1>e_0^a/q_0$ 的配置。

**構造證明：**取 $e_0^a=10$ Wh、 $q_0=0.8$ ，則 $\eta_0^E=12.5$ Wh／合格成果；取 $e_1^a=6$ Wh、 $q_1=0.3$ ，則 $\eta_1^E=20$ Wh／合格成果。每次候選較省電，交付同等合格成果反而較耗電。證畢。

命題 10｜AI 的淨環境收益必須由反事實差額判定

**假設：**兩方案提供可比且實際完成的功能；含 AI 方案的全邊界新增排放 $A$ ，被真實取代活動的可避免排放 $S$ ，以及由導入 AI 誘發的其他排放 $R$ ，皆以相容的方法和期間測得。
**命題：**在此分帳定義下，AI 造成淨減排當且僅當 $A+R<S$ 。

**證明：**設淨變動 $\Delta G=A+R-S$ ； $\Delta G<0$ 當且僅當 $A+R<S$ 。證畢。

**識別重點：**這個命題不提供 $A,R,S$ 的真實數值。若產生新的需求而沒有替代任何既存活動， $S$ 可能為零；若確實減少高排放的交通、空調、材料或生產步驟， $S$ 可能很大。只有比較同等功能的反事實，才有經濟意義。

9.1 命題總評：不是十大「永遠成立的產業定律」

命題 1、4、7 等主要是會計與數學恆等式；命題 2 是需求機制的條件推導；命題 3、6、8、9 是反例，功能在於推翻過度簡化的充分性主張；命題 5、10 是在設定清楚比較邊界後的淨差額判準。它們的形式嚴格性，並不能補上目前仍缺少的市場彈性、場址功率、晶片製造與實際替代活動資料。這正是避免把數學外觀當作已完成經濟驗證的必要邊界。

10．八組透明數值案例：用來檢驗方向，不冒充實測

全部數字除明確標記外均為 H（假設），僅供對照模型結構。其貨幣、功率、耗水或排放係數不代表特定模型、資料中心或營運商的真實數值。案例均先固定適用的任務、品質與分帳範圍。

案例 A｜每次省 75%，總量反而增加 25%

某同質工作服務原本每次消耗 2 Wh，一段期間執行 100 萬次；改善後每次 0.5 Wh，但因使用者增加、新用途出現，工作量升至 500 萬次。暫不列共同固定負載。

量	改善前	改善後
每次能耗	2 Wh	0.5 Wh
工作量	1,000,000	5,000,000
期間電力	2,000 kWh	2,500 kWh
單次電力變化	基準	−75%
總電力變化	基準	+25%

檢查： $f=0.25$ 、 $g=5$ ，故 $E_1/E_0=1.25$ 。此案例證明可同時成立，不是聲稱現實所有 AI 服務均出現這種反彈。

案例 B｜相同效率改善，彈性不同使結論反向

假設單位耗能減半， $f=0.5$ ；價格傳導 $\tau=0.8$ 。

需求彈性較低： $\varepsilon=0.8$ ，得：

\frac{n_1}{n_0}=0.5^{-0.64}\approx1.5583,\qquad \frac{E_1}{E_0}=0.5^{0.36}\approx0.7792.

工作量增長約 55.8%，總電力仍下降約 22.1%。

需求彈性較高： $\varepsilon=1.5$ ，得：

\frac{n_1}{n_0}=0.5^{-1.2}\approx2.2974,\qquad \frac{E_1}{E_0}=0.5^{-0.2}\approx1.1487.

工作量增長約 129.7%，總電力上升約 14.9%。這兩個示例的差別不是能效，而是需求反應。若實際存在非線性價格、免費配額、品質提升或替代商品，其彈性需重新估計。

案例 C｜工作組成變動，使單類效率改善失去總量意義

假設某內容服務有兩種工作：短文字生成與高負載影片生成。影片的 200 Wh／件純為示意，不代表任何指定影片長度或模型的量測值。

任務	期初件數	期初 Wh／件	期末件數	期末 Wh／件
文字	90,000	0.30	90,000	0.15
影片	10,000	200	20,000	200

期初總電力：

E_0=90000(0.30)+10000(200)=2{,}027{,}000\ \mathrm{Wh}=2027\ \mathrm{kWh}.

期末總電力：

E_1=90000(0.15)+20000(200)=4{,}013{,}500\ \mathrm{Wh}=4013.5\ \mathrm{kWh}.

文字工作節能一半，但新增影片需求主導總量。若把這種變化都稱為「AI 效率反彈」，就會忽略它也包含產品結構與需求種類變化。

案例 D｜節水與節電的方向可以不一致

同一 IT 工作需要 1,000,000 kWh。假設方案 A 使用較低 PUE 但較高現場 WUE，方案 B 則相反：

量	方案 A	方案 B
IT 用電	1,000,000 kWh	1,000,000 kWh
PUE	1.25	1.35
設施用電	1,250,000 kWh	1,350,000 kWh
現場 WUE	1.2 L／kWh	0.2 L／kWh
現場耗水	1,500,000 L	270,000 L

方案 B 使設施用電增加 8%，現場耗水減少 82%。兩者可以同時合理，是否較佳還須比較當地水壓力、電網、成本、設備生命週期及間接電力耗水。

案例 E｜晶片更新的隱含碳負擔不是單位算力性能表

假設有 100 枚某類加速器，整批製造與裝設的可歸因排放共 20,000 kgCO2e。若一批設備整個壽命實際完成 600 萬件相同驗收成果，其製造歸因約為：

\gamma^{\mathrm{emb}}=\frac{20000}{6000000}\approx0.00333\ \mathrm{kgCO2e/件}.

若相同批次在相同排放負擔下能完成 1,200 萬件，則單位歸因約為 0.00167 kgCO2e／件。這是分母改變而非製造過程神奇消失。

再考慮提前替換：假設新設備在指定剩餘期間可節省運行排放 12 tCO2e，但更換較保留舊設備多造成 20 tCO2e 的製造與處置排放，則淨差為 +8 tCO2e；若節省 25 tCO2e，淨差則為 −5 tCO2e。這些都不是特定 TPU／GPU 的實際規格，而是驗算命題 5 的門檻。

案例 F｜同樣一項 AI 工作可能減排，也可能增排

假設一項 AI 應用新增 150 MWh 的用電，其反事實邊際電力排放係數暫以 0.5 tCO2e／MWh 表示，則新增電力排放為 75 tCO2e。原本預計被取代的活動總共排放 60 tCO2e，且確實完全停止，其他改變忽略不計：

\Delta G^{\mathrm{net}}=75-60=+15\ \mathrm{tCO2e}.

此時 AI 並沒有淨減排。

另一個獨立情境：AI 新增 80 MWh，係數 0.2 tCO2e／MWh，另有 5 tCO2e 的新增硬體及其他負擔，真實替代的活動避免了 80 tCO2e：

\Delta G^{\mathrm{net}}=80(0.2)+5-80=-59\ \mathrm{tCO2e}.

此時在明示範圍內 AI 具有淨減排。核心差異是實際替代量與能源結構，不是模型名稱。兩個案例不提供任何特定產業的真實淨減排估計。

案例 G｜年用電減少，尖峰與區域排放卻可能變大

假設方案 A 在兩個各 1 小時的窗口均以 10 kW 運行；方案 B 只在第二小時以 15 kW 運行。則方案 A 電力 20 kWh、尖峰 10 kW；方案 B 電力 15 kWh、尖峰 15 kW。方案 B 雖少用 25% 的電，卻要求更高的瞬時容量。

另對同一功能考慮兩個不同電網區域：方案 A 使用 100 MWh，盤查係數 0.1 tCO2e／MWh，排放 10 tCO2e；方案 B 使用 80 MWh，係數 0.7 tCO2e／MWh，排放 56 tCO2e。這個示例用固定係數展示排序不必相同；對大型新增負載應改採電網反事實分析，而非直接假設平均係數等於邊際係數。

案例 H｜公開中位請求數據，能回答與不能回答什麼

引用 Google 2025 年對特定 Gemini Apps 中位文字請求報告的 0.24 Wh [E02][E08]：如果純粹為了單位轉換而假設 100 萬次請求每次都剛好消耗 0.24 Wh，則總量為：

1000000\times0.24\ \mathrm{Wh}=240000\ \mathrm{Wh}=240\ \mathrm{kWh}.

但實際 100 萬次請求的平均電力不由中位數決定，對不同長度、工作類型、基礎設施及右尾計算需求，乘法結果可能顯著偏離真實總量。這種「乘法是對的，但經濟統計推論未必對」的情況，正是本系列必須強調的資料治理問題。

10.1 案例的共同認知界線

八組案例只證明某種結果可能在明確條件下成立，不可由案例數目推算真實世界的機率，也不應把任一假設用電係數作為特定供應商報價、模型能源排名或政府政策依據。研究必須保留實測與模型的界線。

11．可反駁假說：不將反彈效應當成先驗答案

每項假說均需設定可比較任務、品質驗收、地理與時間控制。以下的方向是研究性預測而非已成立結論。

編號	可反駁假說	最低驗證資料	可以推翻的結果
H01	在某個固定品質任務域中，單位設施用電下降快於同域工作量增長時，總可歸屬用電下降	兩期 Wh／合格成果、合格件數、基底分配	兩項乘積下降而同範圍實測總電力不降，表示帳本／邊界錯誤
H02	價格傳導較強且需求彈性較高的同質服務，更易發生直接反彈	有效價格、用量、能力、品質及供應限制	控制共變因素後，需求並未隨價格反應
H03	長鏈推理及代理任務佔比增加能解釋一部分混合平均能耗上升	分類工作量、各類 Wh、長度、工具鏈	組成分解後無可觀察貢獻
H04	在相同設備與容量區間內，提高利用率可能降低每件全分配能耗但增加期間電力	待命功率、IT 功率、完成件數	基底並非正且固定，或擴容門檻已被觸發
H05	當硬體更新週期較短而運行節電有限，單位成果隱含排放可能增加	設備 LCA、服役年限、合格工作量	製造負擔下降或服務量提升足以抵銷
H06	不同冷卻與場址條件下，現場耗水減少不必然伴隨設施用電下降	以同負載比較 PUE、WUE、場址溫度	控制後兩者在樣本內皆同向改善且無反例
H07	同量電力的新增 AI 負載在不同電網時段可產生不同邊際排放	時段負載、電網發電與排放反事實	電力系統在相應範圍有固定零差異的邊際係數
H08	當 AI 產出需反覆驗證時，Wh／合格成果與 Wh／候選請求的技術排名可能相反	合格率、重試、工具能耗、審核次數	在可比工作集合內兩種排名完全一致
H09	同一地區 AI 用電年量下降，仍可能因排程集中而增加尖峰需求	15 分鐘或小時負載、接入容量	排程不增加尖峰或電網餘裕高於新增尖峰
H10	AI 對能源管理產生的實際淨減排取決於部署採用率及被取代活動，不由模型效能單獨決定	同功能對照組、實際採用、能源及反彈	高模型性能在沒有被採用時仍被可靠證實造成同量節能
H11	區域用水壓力可以比全球平均水量更強烈地預測資料中心擴建的社會衝突	流域水文、設施用水、其他需求、爭議紀錄	在控制人口與產業後，區域壓力沒有可辨識關聯
H12	晶片與供電設備的供應鏈瓶頸可造成理論能源效率改善與實際部署效率之間的落差	已交付設備、排程、交付延期、負載	不存在可測量的部署限制，改善全部準時轉化

H01、H04 等包含形式化恆等式成分：其實證意義主要在於資料是否真符合假設，而不是重新試驗數學是否成立。H02、H03、H05、H07、H10 至 H12 則涉及需求、技術、空間或社會行為的因果辨識，須設計真正的對照組、自然實驗或結構估計。

12．實證研究與資料識別協議

12.1 第一階段：選定真正的被比較單位

先固定產品、模型版本、任務類別與驗收標準，例如：

一項程式缺陷修復，須通過可重現測試、整合檢查及特定使用者驗收；
一批遊戲內容生成工作，須通過語意一致性、授權、狀態耦合與運行測試；
一件長文翻譯或摘要，須符合資訊完整性與指定錯誤率；
一個影片產出，須符合相同長度、畫質、音訊和修訂門檻；
一份可審核的專業報告，須包含資料來源、修訂與責任確認。

不允許在實驗組改用較弱的任務要求，卻宣稱 AI 的能效提升。若某些任務只有一方能完成，應如實列為不可比或使用不同效用模型，不得將「無法完成」當作零耗能的優勝。

12.2 第二階段：測量完整工作堆疊

對同一任務記錄：模型版本、輸入輸出長度、推理時間、快取、工具請求、檢索、重試、驗證、錯誤修復、合格成果數、使用者實際操作時間，以及可歸因設施功率。對共享服務要分清供應商實測、使用者觀察與工程估算。使用者一般無法從 Token 帳單反推出機房功率；缺少供應商量測時，應以區間估計與明確不確定性表達，而不是捏造精密的小數。

12.3 第三階段：辨識效率變化的真正來源

可將兩期的總電力變化分拆為：

\Delta E=\Delta B+\sum_d\left(n_{d1}e_{d1}-n_{d0}e_{d0}\right).

每一類別的乘積差可依選定順序分解：

n_{d1}e_{d1}-n_{d0}e_{d0} =(n_{d1}-n_{d0})e_{d0}+n_{d1}(e_{d1}-e_{d0}).

這個分解是代數恆等式，第一項可稱為按期初單位強度估值的數量變化，第二項是按期末數量估值的強度變化。若交換分解順序，交互項會被不同分配；因此不可將某種分解慣例直接當成唯一的因果歸因。可採取對稱平均或 Shapley 式分解以降低順序依賴，但仍需要對需求外生性和技術採用作因果檢驗。

12.4 第四階段：處理價格彈性的內生性

AI 價格與使用量可能一起受模型能力提升、供給瓶頸、企業補貼及宏觀景氣影響。只對價格和使用量做簡單相關分析，不足以識別反彈。可以考慮：

在同一品質服務中利用明確公告的價格或配額變更，並檢查同期模型能力是否改變；
比較不同使用者群組在相同服務變更下的差異，但須處理分組選擇偏誤；
利用地區電力、供應限制或能力推出時間差建立事件研究，但須檢驗平行趨勢與排除路徑；
在有足夠工作級資料時估計結構需求模型，將能力品質、延遲、配額與工作價值同時入模；
對無法可靠估計的需求彈性，至少呈現區間敏感度與可反轉門檻，而非報告單一無來源係數。

12.5 第五階段：生命週期、區域電網與用水

對每個設備、設施和比較年建立：

製造排放的發生時間、地區、設備壽命與各工作類型的分攤方法；
直接用電與電網損耗的盤查邊界；
平均電力排放與新增負載邊際排放的不同數值及用途；
現場耗水、取水、間接發電水耗、製造用水與流域季節差異；
設施峰值功率、配電容量、使用時段與負載彈性；
裝置處置、二手轉用及回收的責任分帳。

**不把所有環境指標合併為一個沒有權重來源的分數。**對多指標的政策權衡，至少提供 Pareto 比較、權重敏感度及本地資源限制。

12.6 第六階段：反事實與最終成果驗收

研究 AI 相對傳統流程是否節省資源，不能只量 AI。需為「不用 AI 但完成同樣功能」設計對照，記錄原本的人工設備、旅行、能源、材料、產能與產出品質，並追蹤導入後哪些原流程真正停止，哪些流程只是繼續存在且額外產生 AI 消耗。若產出的價值本來不能由非 AI 流程完成，不應強造不存在的替代活動，而應分別報告新增社會服務與新增資源投入。

12.7 不確定性與缺漏資料

對資料來源標註 measured、estimated、self_reported、projected 或 unknown。對關鍵排放因子、設備壽命、快取命中率和需求彈性應報告區間，而非用更多有效位數掩蓋不確定性。研究若缺少機房功率或晶片製造清冊，應暫時限制結論為成本邊界部分可見，不能稱為完整 LCA。

13．AI 原生遊戲：高額生產能力與低負載成品如何共存

13.1 使用前沿 AI 開發，不等於遊戲每幀都要呼叫前沿 AI

對大型內容生成型遊戲，至少存在三種不同產品架構：

架構	開發／營運方式	主要資源負擔	品質與經濟風險
A. 開發期預生成	利用 AI 批次建立文本、外觀、事件與技能候選；經過驗收後成為可離線使用資產	開發期 AI 電力與驗證、素材存儲、終端運行電力	靜態內容雖多，仍可能缺乏有效組合與一致性
B. 執行期即時生成	玩家互動時在線調用模型，生成對話、內容或行為建議	每次玩家互動的持續推理、網路與服務容量	成本、延遲、版本、審核及存檔一致性
C. 混合方案	內容庫與傳統狀態演算法為主，少量高價值情境才調用 AI	兩類成本並存，需要路由與品質測試	架構與運維複雜，適用條件需驗證

以 FFRPG01 的構想為例，遊戲可以先透過 AI 大量生成帶有條件與權限的對話、關係事件、物種、技能與美術模組，然後在遊戲執行時依已提交世界狀態、角色認知、歷史與合法組合條件選擇。若成功，玩家端不需要每遇到一名居民就進行一次雲端前沿模型推理；由生成式 AI 支援的內容豐富度，仍有機會以普通演算法和可重用資料實際提供。

這種做法把部分資源需求前置到開發期，又把大量玩家互動移轉到較輕的執行期計算。它可能顯著降低每位玩家的新增推理成本，但不能宣稱開發期 AI 的能源、晶片與驗證負擔因此不存在。

13.2 開發期成本與發售後總使用量的分母

令 $E^{\mathrm{prod}}$ 為一次性內容生產與驗證的可歸因完整電力， $m$ 為使用相同內容資產的有效玩家會話數， $e^{\mathrm{run}}$ 為每會話新增執行電力，則在極簡、同質的假設下：

E^{\mathrm{product}}(m)=E^{\mathrm{prod}}+me^{\mathrm{run}},

\bar E^{\mathrm{session}}(m)=\frac{E^{\mathrm{prod}}}{m}+e^{\mathrm{run}},\qquad m>0.

若 $m$ 很大，開發期電力分攤可能變小；但產品售出後的終端設備電力、更新內容成本、資料傳輸與玩家額外行為仍需按核算範圍納入。若產品極少被使用，投入大量 AI 生產內容的資源，則不一定比小規模人工開發合理。

這並非要求玩家一定要玩更久來「攤平環境成本」。玩家的時間與注意力是另一種稀缺資源，不應為了降低每小時碳歸因而刻意延長無趣流程。有效遊玩體驗與有效成果仍是品質分母。

13.3 內容組合降低容量，不代表無限零成本生成

組合式內容可以讓小型共用素材庫產生大量合法變體，但仍需檢驗：

組合相容性、狀態因果與角色認知是否維持一致；
新增內容是否只是重複的外觀或台詞，而沒有增加有效玩法；
模組化是否增加執行期組裝、貼圖記憶體、資料索引或檔案尋址負擔；
AI 生產期是否因產出太多候選而引起更多檢查、修復與廢棄；
玩家是否因新的豐富度延長遊玩，這是否代表真正增加的娛樂價值，而不是強迫重複勞動。

因此，「遊戲體積小、內容可能很多」是一個可實作的設計命題，不是自動推出「無成本、高沉浸、無限可玩」的經濟定律。它的實際收益需以資源、驗收率、玩家體驗與可重用資產同時評估。這也延續 ANIE-02 對 AI 產線品質交付的界線。

13.4 一個同樣重要的逆向案例

若開發期大量使用高階模型，卻在上市後保留每個 NPC 每回合一次即時推理，再把大量生成內容存入長久記憶，可能同時承擔預生成成本與持續運行成本。這不必然錯：某些產品確實以即時 AI 互動為核心賣點，玩家可能願意為其新增體驗支付資源與價格。關鍵在於研究者不得把這種混合安排的效果錯誤歸因於「預生成減少算力」。

14．產業、能源制度與研究治理含義

14.1 資訊揭露：報價透明不等於物理透明

對使用者而言，Token、訂閱及 GPU 小時價格有助於管理預算，但不足以反推出實際用電、晶片製造排放、冷卻水量及當地電網壓力。對供應方而言，公開詳細每次請求工作負載，也可能涉及商業機密、資安或敏感負載資訊。合理的研究治理應探索分層、聚合與可稽核的公開方式，例如按任務類別、模型系列、場址區域或時段公布非識別化區間與計量方法，而非要求公開每名使用者的私人對話。

14.2 能效目標不能只獎勵低 Wh／請求

若制度只獎勵每次請求能耗，供應商可能傾向改用較短、不完整的結果，或將重試、工具使用與離線處理移往未納入統計的邊界。較好的比較要求應同時提供工作類型、品質驗收、成功率、功率分母與完整服務邊界。即使如此，部分創造性或研究型成果難以建立完全客觀的品質量表，應明確揭露不能比較的範圍。

14.3 場址與排程可能影響全社會成本

可調度任務若能在電力充裕、碳排較低或電網壓力較小的時間與地區進行，可能減少邊際電網影響；但需要考慮移動資料的能源、傳輸延遲、法律權限、資料安全、冷卻水需求及新的設備投資。對實時性要求高、或受法域限制的工作，不可單純要求「搬去遠方低碳資料中心」。IEA 2026 年提出的併網改革、需求回應與合理電網成本配置，是可檢查的政策工具類別，並不保證所有地區同一方案皆有效 [E11]。

14.4 生命週期與循環使用

硬體設計的多代演進可提高每瓦運算量，但也可能加快淘汰、增添封裝與散熱材料需求。延長壽命、升級零部件、重新部署到較低負載場景、維修及回收都具有潛在價值；可是舊設備效率低落時，永久保留也未必有較低環境負擔。應以剩餘有效服務、實際使用率、區域能源及新增製造負擔比較，而非將「更新越快越綠」或「永不換機才環保」當成通則。[E04][E10]

14.5 AI 的資源成本與收益分配不是同一問題

AI 造成的資源耗用增加，可能與下游普遍取得高能力智能服務同時成立。反之，某些供應商有優秀能效，也不自動代表價格、收益、平台自主性和社會資源分配公平。AICAP-03 與 AICAP-05 已分別處理支付、補貼、融資及退出選擇權；本篇僅補足其中物理生產鏈與環境外部性的觀測座標。政策分析需避免以一個環境指標替代所有經濟制度判斷。

15．反方向結果、理論限制與審慎結論

本篇不能以「反彈」一詞免除對真實效率成果的承認。以下情境都可能讓資源需求下降，且不違反本文：

需求已接近飽和，單位能耗下降而需求增加幅度有限。
效率改善強於工作量成長，即同質範圍內 $fg<1$ 。
供應限制或服務價值有限，價格降低未能引起足量新的使用。
工作負載混合變輕，簡單任務佔比上升或昂貴推理路徑被低資源演算法取代。
確實替代高耗資源活動，被避免的交通、製造、搜尋、重工等超過新增 AI 資源負擔。
電網低碳化與時間調度有效，在可比較功能下降低營運排放。
硬體壽命延長及再利用合理，實際減少新製造與報廢負擔，且未因低價舊設備大幅擴張耗電。
節能而不轉移局部壓力，冷卻、用水和區域供電可同時改善。
供應商統計範圍更完整，公開數據的改變部分反映更精確測量，而不是實體耗能真的突然變動。
人類工作被增幅而非取代，新增 AI 資源確實創造新服務；這可能有很高社會價值，但不能在不指定效用與反事實時宣稱「節省」或「浪費」。

同時，以下是理論需要接受的限制：

目前缺乏所有前沿模型在同一品質、同一工作負載及相同設施邊界下的可稽核能耗資料；因此不能建立通用模型排行榜。
市場需求、服務品質與價格變動往往同時內生；由總用電成長不能逆推反彈率。
設備生命週期資料、供應鏈來源與電力邊際排放存在缺漏與不確定性；某些結果只能給出情境區間。
把宏觀資料中心用電與微觀特定請求量測放在同一篇研究，是為了建立層次區分，不是將二者當成同一個隨機樣本。
環境影響具有多目標與區域差異；若無明確損害函數，不能將「電力、用水、碳、電子廢棄物」任意壓縮成一個好壞排名。
某些 AI 用途創造全新商品而非替代原有商品。這類福利與資源增量應同時報告，不能強行設計「原本就有同樣商品」的不存在對照。

16．結論：低價智能的背後是可測量、也會變動的物理世界

本篇的理論貢獻不是宣布 AI 永遠高耗能，而是明確揭示：單位推理效率、合格成果效率、資料中心總用電、半導體生命週期、電網排放、現場耗水以及社會淨節省，是不同的研究對象。它們相互影響，卻沒有可以在缺少任務、時間、地域及反事實條件下直接替代彼此的普遍等號。

效率—總量恆等式表明，單位耗能改善能與總用電增加同時成立；需求彈性模型進一步指出超額反彈取決於價格傳導和使用量的反應，而不是效率改善本身必然有害。工作組成、品質驗收、設施基底、晶片換代與地方電網又增加了不同層次的判定條件。在多維物理帳下，節電可能伴隨更多用水，省水可能增加電力，年電力下降也可能出現較高尖峰。這些都不是「一切都無法比較」，而是要求比較更精準。

公開資料已可觀察到兩個方向：特定 AI 文字推理服務的單位能效可以顯著進步，同時全球資料中心與 AI 聚焦型設施的用電仍處於快速成長階段。但目前公開證據不足以將整體用電成長的每一度電歸咎於反彈，也不足以聲稱前沿 AI 的整體社會資源成本已經隨單位效率下降而同步減少。正確做法是讓效率提升、需求增長、任務創新、設備投入、電網影響及實際替代活動各自保有可稽核的數據與假說。

對採用 AI 的小型企業，這項結論有雙重意義：它們確實可能透過智能租賃和預生成內容，以過去難以負擔的價格取得龐大的創作與研發能力；但合理的經濟分析不能只看付款收據，也不能因看見超算和電力，就否認下游實際取得的效率。兩個層次可以同時成立，也必須同時核算。

收束命題：一個時代的智能可以變得更容易購買，卻不因此脫離物理世界；真正的進步不是把成本藏得更深，而是讓每一份新增能力、每一筆資源耗用與每一項被節省的活動，都能在同一套可檢驗的經濟帳本中獲得正確的位置。

參考文獻與可核查公開來源

以下為本文實際使用的公開資料，保留原始發布日期、研究對象與證據類型。引用序號 [E##] 在正文中對應本節，不將研發單位的自述與獨立實測視為相同證據強度。

[E01] International Energy Agency (IEA) (2026). Key Questions on Energy and AI. Published 16 April 2026. https://www.iea.org/reports/key-questions-on-energy-and-ai ，尤其 Executive summary: https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary 。2025 年約 485 TWh、2030 年中央情境約 950 TWh 為全球全部資料中心用電；AI 聚焦型資料中心另有不同增速。此報告屬統計估計與情境分析混合，不將 2030 年預測寫成已發生事實。
[E02] Elsworth, Cooper, et al. (2025). “Measuring the environmental impact of delivering AI at Google Scale.” arXiv:2508.15734, 21 August 2025. https://arxiv.org/abs/2508.15734 。報告 Google 特定 Gemini Apps 中位文字請求的完整堆疊能耗及用水估計；不代表所有 AI 類別。
[E03] Smith, Sarah J., et al. (2026). United States Data Center Energy Usage Report: 2025 Update. Lawrence Berkeley National Laboratory, June 2026. DOI: 10.71468/P1RP4F. https://bies.lbl.gov/publications/united-states-data-center-energy-2025 。美國 2030 年參考情境與不確定性範圍，與全球 IEA 模型不直接同口徑。
[E04] Schneider, Ian, et al. (2025). “Life-Cycle Emissions of AI Hardware: A Cradle-To-Grave Approach and Generational Trends.” arXiv:2502.01671; 另見 IEEE Micro, 2025, DOI: 10.1109/MM.2025.3592568. https://arxiv.org/abs/2502.01671 。用於晶片製造、使用與處置等生命週期框架。
[E05] Lei, Nuoa, Jun Lu, Arman Shehabi, and Eric R. Masanet (2025). “The water use of data center workloads: A review and assessment of key determinants.” Resources, Conservation and Recycling, 219, 108310. DOI: 10.1016/j.resconrec.2025.108310. https://seta.lbl.gov/publications/water-use-data-center-workloads 。用於場址、冷卻、電網水耗及工作效率的多重因素分析。
[E06] Sorrell, Steve, John Dimitropoulos, and Matt Sommerville (2009). “Empirical estimates of the direct rebound effect: A review.” Energy Policy, 37(4), 1356–1371. DOI: 10.1016/j.enpol.2008.11.026. https://www.sciencedirect.com/science/article/pii/S0301421508007131 。用於反彈效應既有經濟文獻；非 AI 專項彈性估計。
[E07] IEA (2025). Energy and AI. Published 10 April 2025. https://www.iea.org/reports/energy-and-ai ，Executive summary: https://www.iea.org/reports/energy-and-ai/executive-summary 。2024 年約 415 TWh 與 2030 年 945 TWh 為該報告的時點與基準展望。
[E08] Vahdat, Amin, and Jeff Dean (2025). “How much energy does Google’s AI use? We did the math.” Google Cloud Blog, 21 August 2025. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference 。說明資料範圍、每中位請求 0.24 Wh、0.03 gCO2e、0.26 mL 與未經獨立第三方核證限制。
[E09] “One Quarter of Global Data Centers are Located in Water-Stressed Areas” (2026). Environmental Science & Technology, 60(39), 27780–27791. Published online 24 September 2026. DOI: 10.1021/acs.est.6c08088. https://pubs.acs.org/doi/10.1021/acs.est.6c08088 。用於不同流域水供需缺口的地理異質性，研究對象是多類資料中心。
[E10] UNITAR / ITU (2024). Global E-waste Monitor 2024, press summary published 20 March 2024. https://unitar.org/about/news-stories/press/global-e-waste-monitor-2024-electronic-waste-rising-five-times-faster-documented-e-waste-recycling 。其 2022 年 6,200 萬噸為所有電子廢棄物，非 AI 產業專屬數字。
[E11] IEA (2026). Key Questions on Energy and AI, Executive summary, sections on electricity affordability, grid bottlenecks, flexibility and cost allocation. https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary 。與 [E01] 同報告不同研究重點，避免把局部電價影響當作定論。
[E12] Lambert, Katherine, and Sasha Luccioni (2026). “From Cradle to Cloud: A Life Cycle Review of AI's Environmental Footprint.” arXiv:2605.05416, 6 May 2026. https://arxiv.org/abs/2605.05416 。系統性整理 AI 生命週期研究的邊界與水資源、材料及多重環境指標之量測缺口。

內部理論系譜與接口

[I01] AICAP-00〈AI 成本表象悖論：系列研究總綱〉，v0.1，2026-11-03；提供系列問題、價格—成本—資本—社會帳分離。
[I02] AICAP-01〈價格不是成本：AI 訂閱、推理計價與有效成果的分母〉，v0.1，2026-11-03；本篇繼承「合格成果」分母。
[I03] AICAP-02〈智能租賃與超算資本：高固定成本、低邊際成本及持有門檻〉，v0.1，2026-11-03；提供算力租賃、自有部署及資本門檻概念。
[I04] AICAP-03〈誰替廉價智能付費：成本轉移、攤銷、補貼與跨期融資〉，v0.1，2026-11-03；提供支付與資源成本不能重複計算的分帳方法。
[I05] AICAP-04〈從工時到有效成果：人機協作的完整成本與品質邊界〉，v0.1，2026-11-03；提供驗收、返工與品質可比原則。
[I06] AICAP-05〈智能能力取得的不對稱：平台依賴、算力所有權與退出選擇權〉，v0.1，2026-11-03；提供智能接取與資本控制權區分。
[I07] CLATE-07〈智能時間價格與算力錨定工資〉，v0.1，2026-09-30；本篇不把 kWh 直接推導成人類工資。
[I08] HACTS-02〈額度重置與時間支配〉；用於已購容量、追加使用與時間主權的分離。
[I09] ANIE-02〈季度單機產品制：AI 工業化、算力額度與品質交付率〉，v0.1，2026-10-16；提供遊戲內容生產的可驗證工作單位。
[I10] FFRPG01 三份 2026-11-03 設計補充：百年生命與一次性角色扮演、狀態耦合式對話與事件、跨系統組合式內容。僅作說明性的工作流案例，不作為已驗證的遊戲業能耗數據。

附錄 A．最小資源帳資料契約（提案；非現有服務 API）

下列 JSON 是供實驗記錄的有效資料範例，不代表已建立真實資料管線，也不代表所有欄位已具實測數據。任何缺失的數值應以 null 與來源狀態標示，不得以 0 代表未知。

{
  "schema_id": "AICAP06_RESOURCE_LEDGER_V0_1",
  "record_id": "fixture-aicap06-001",
  "project_id": "hypothetical_project",
  "workload_family": "verified_text_generation",
  "time_period": "example_period_not_observed",
  "region_id": "unreported",
  "quality_contract_id": "qc-001",
  "candidate_attempts": 1000,
  "accepted_unique_outputs": 800,
  "facility_energy_kwh": 12.5,
  "energy_scope": "full_serving_stack_estimate",
  "shared_idle_energy_allocation": "included_in_facility_energy_kwh",
  "water_consumption_l": null,
  "water_withdrawal_l": null,
  "water_scope": "unknown",
  "operational_ghg_kgco2e": null,
  "embodied_ghg_allocated_kgco2e": null,
  "embodied_emission_event_id": null,
  "equipment_family": "unspecified_accelerator",
  "equipment_install_event_id": null,
  "power_peak_kw": null,
  "counterfactual_id": null,
  "source_status": "hypothetical",
  "measurement_method": "illustrative_only",
  "quality_verified": false,
  "evidence_uri": null,
  "notes": "Illustration only; not a claim about real AI infrastructure."
}

A.1 資料約束

facility_energy_kwh 包含的共同待命／冷卻電力必須明列，禁止在彙總時再次把同筆基底電力加入。
若 accepted_unique_outputs = 0，不得計算每件合格成果的有限平均能耗；應記錄為無法定義或以明確的失敗成本另行呈現。
embodied_emission_event_id 用於避免同一製造排放在設備安裝、產品分配與年度帳重複加總。
water_consumption_l 和 water_withdrawal_l 必須分別有場址、時間與定義，不能相互代換。
operational_ghg_kgco2e 必須包含 location_based、market_based 或 marginal_counterfactual 的核算標記；示例省略的欄位在正式管線中應追加。
source_status = hypothetical 的資料不得進入已實測資料集，除非經重新量測、取得證據與版本化核准。
任何跨世界線、跨遊戲或跨模型的比較，均需以 quality_contract_id 等價或建立可審查的品質轉換協議。

A.2 內部數據與公開資料的邊界

本研究無法由 ChatGPT 使用者可見的訂閱價格、Token 數量或模型名稱推知供應方的實際設備、電力和晶片排放。若資料無法取得，資料契約允許缺值、區間與估計；不允許把價格推算的假設結果標記為供應商實測。

附錄 B．研究稿狀態與原始碼提交檢查

**完成範圍：**全文、十項形式化命題與證明、八組可重算假設案例、十二項可反駁假說、實證協議、最小資料契約與公開參考資料。
**尚未完成的範圍：**跨供應商機房計量、模型層能源系數普查、價格需求彈性因果估計、產品層生命週期審計與真實電網反事實驗證。不得從稿件長度或命題數推論這些已實測完成。
**數學原始碼：**僅接受 $...$ 與 $$...$$，不做字元反斜線「美化」，不使用 Unicode 數學字元回轉取代 LaTeX source。
**文件交付：**此 UTF-8 Markdown 是正式可保存的理論研究稿來源；聊天畫面只作為摘要與下載入口。
**驗收前提：**需完成 UTF-8 讀取、標題層級、LaTeX 定界符配對、參考文獻標記、JSON 範例及案例算術驗證。

**下一篇系列銜接：**AICAP-07〈AI 究竟省了什麼：全域帳本與可反駁檢驗〉。本篇為資源代謝專篇，不提前將跨篇綜合判斷冒充已證實的最終社會淨效果。