AI 資料中心到底多吃電？用 100MW、PUE 與年耗電拆解生成式 AI 的真實成本

AI 資料中心到底多吃電？用 100MW、PUE 與年耗電拆解生成式 AI 的真實成本

AI資料中心的用電規模，可以先用一個簡單公式看清楚：IT負載 × PUE × 8,760小時。假設一座園區的IT設備負載為100MW，全年連續運轉，PUE為1.2，設施端年耗電約為1.05TWh；PUE升至1.4，年耗電就會增加到約1.23TWh。

這組數字說明了AI競爭為何逐漸走向電網、土地、冷卻與建設速度。晶片決定單次運算能做到什麼，電力決定一個系統能在多大規模上持續運作。當資料中心開始以數十、數百MW計算，能源配置已經成為科技公司的核心商業能力。

實體索引｜AI 資料中心的能源成本

• 能源實體：100MW 負載、GPU 伺服器、資料中心、電網、變電站、冷卻設備、備援發電與電力合約。
• 計算欄位：IT 負載、PUE、平均利用率、尖峰功率、年運轉時數與年耗電量。
• 估算方法：年耗電約等於 IT 功率乘以運轉時間，再乘上 PUE；100MW 不能直接等同全年實際用電。
• 成本提醒：生成式 AI 的真實成本還包括電價、併網、土地、冷卻、設備折舊、用水與碳排，不只是一張 GPU 採購單。

快速抓住這篇文章

• 資料中心年耗電可用「IT負載 × PUE × 8,760小時」快速估算，100MW IT負載在PUE 1.2下約為1.05TWh。
• PUE每增加0.1，在100MW全年運轉的案例裡，約多出87.6GWh設施耗電，主要落在冷卻、配電與備援系統。
• IEA估計全球資料中心用電將從2024年的約415TWh升至2030年的約945TWh，AI工作負載是主要推力之一。
• 資料中心對電網的壓力，取決於總量、尖峰、地點與負載彈性，並非只有年耗電這一個數字。
• 台灣要看懂AI基礎建設，除了晶片與模型能力，也需要理解園區用電、供電韌性、冷卻條件與地方承接能力。

先看公式：一座AI資料中心如何把MW變成TWh

MW是瞬時功率，TWh是長時間累積後的用電量。資料中心的規模新聞常以MW描述，電網規劃與年度帳單則更常以TWh或GWh思考。兩者之間只差一個時間軸。

基礎公式如下：

年耗電量（TWh）＝IT負載（MW）× PUE × 8,760 ÷ 1,000,000

8,760代表一年365天、每天24小時。PUE全名為Power Usage Effectiveness，用來衡量進入整座設施的總電力，有多少真正送到伺服器、儲存與網路設備。PUE越接近1，代表冷卻、配電、照明與其他設施耗電占比越低。

假設條件	設施總負載	全年耗電	設施額外負載
100MW IT負載、PUE 1.2	120MW	約1.05TWh	20MW
100MW IT負載、PUE 1.4	140MW	約1.23TWh	40MW
100MW IT負載、PUE 1.6	160MW	約1.40TWh	60MW

這個範例只用來理解尺度。實際園區還會受到備援設計、伺服器利用率、季節、冷卻技術、契約容量與停機維護影響。它仍提供一個有用的起點：PUE從1.2升到1.4，在100MW全年運轉的案例裡，年耗電會多出約175.2GWh。

PUE為何從技術指標變成商業指標

PUE在2007年被提出時，主要用來讓資料中心比較冷卻與供電效率。那個年代的伺服器負載密度遠低於今天，改善機房空調與電力轉換效率，往往就能帶來可觀節省。

AI時代讓這個指標有了更大的金額與基礎建設意義。當IT負載只有幾MW，0.1的PUE差距是營運優化；當園區以100MW計算，差距會變成數十MW的長期供電需求。它會影響變電站規模、冷卻系統投資、土地選址、電力合約與碳排計算。

效率也需要放進正確的脈絡。PUE只衡量設施端的電力分配，無法回答模型是否有效率、伺服器是否被充分使用、電力是否來自低碳來源。它像一張清楚的體檢表，卻無法替整個營運策略下診斷。

AI讓資料中心的難題從平均用電走向尖峰用電

一座資料中心全年用了多少電，和它在最緊張的那一小時需要多少電，是兩個不同問題。電網必須為尖峰準備容量，資料中心則期待設備全年保持高利用率。兩種邏輯在AI基礎建設裡經常碰撞。

Reuters近期報導指出，中國資料中心在2026年至2030年間可能增加3,000億至5,000億kWh的用電需求；規劃者希望提高綠電占比，電網業者則擔心全天候、難以中斷的GPU負載會加大系統壓力。討論重點已經從「能不能供電」延伸到「什麼時間、什麼地點、以什麼價格供電」。

對園區而言，負載彈性會越來越重要。部分訓練工作可以安排在再生能源充裕或電網壓力較低的時段；即時推論、金融、醫療與工業控制等工作則需要更高的持續性。未來資料中心的競爭力，會包含能否把不同任務安排到合適的電力時段。

效率提高，總耗電仍可能繼續上升

AI晶片、模型壓縮與冷卻技術都在提升效率，總耗電卻未必因此下降。每一次單位運算成本降低，都可能讓更多公司把AI導入客服、搜尋、影片、設計、程式與企業流程。這種需求擴張會把節省下來的資源重新投入更多使用情境。

這也是資料中心用電預測存在巨大區間的原因。IEA的基準情境估計，全球資料中心用電會從2024年的約415TWh增加至2030年的約945TWh；研究機構與企業預測各有差異，背後的核心變數仍是AI服務成長速度、晶片效率、利用率與電網建設能否跟上。

因此，單看某張GPU的每瓦效能容易失焦。真正需要追蹤的，是每瓦效能改善後，市場把省下來的成本用來擴大多少服務，以及這些服務是否能創造足以支撐電力與基礎建設投資的價值。

資料中心的碳與水，要放回所在地來看

同樣是1TWh，用在不同電網、不同季節與不同冷卻設計下，環境含義可以差很大。電力來源決定碳排強度，氣候與水資源條件則影響冷卻方式。PUE優秀的設施若落在高碳電網，整體排放仍可能偏高；再生能源比例高的地點，若缺乏傳輸與儲能，也可能在尖峰時回到高碳備援。

聯合國在2026年推動AI環境透明倡議，要求企業更完整揭露資料中心的電力、水、碳與土地影響。這個方向很重要，因為外界需要比較的已經不只是模型能力，也包含模型背後的資源帳本。

放回台灣來看，算力需要一張更完整的基礎建設地圖

台灣站在AI晶片供應鏈的重要位置，也因此很容易把注意力集中在製程、封裝、伺服器與出口。資料中心用電的量化框架提醒了另一件事：算力落地之後，還需要土地、變電站、冷卻、網路、備援與在地人力。

對企業而言，選址要看供電時程、網路節點、冷卻條件與未來擴容；對城市而言，要看大型負載帶來的交通、用水、噪音與地方回饋；對政策而言，則需要讓半導體、雲端與電網規劃使用同一張時間表。這些環節能否同步，會影響AI投資能否轉為長期競爭力。

讀者常問

100MW資料中心一年大約用多少電？

要先區分100MW指的是IT負載還是整座設施的總負載。若100MW為IT設備負載、PUE為1.2，設施總負載約120MW，全年連續運轉的耗電量約1.05TWh。實際數字仍會受到利用率、維護與冷卻設計影響。

PUE 1.2代表什麼？

PUE 1.2代表每1MW送到IT設備的電力，資料中心整體需要約1.2MW進站電力。額外的0.2MW主要支應冷卻、配電、照明、備援與其他設施系統。PUE越接近1，設施端額外耗電越低。

AI資料中心的用電壓力和一般資料中心有何差別？

AI工作負載通常需要更高密度的運算、網路與冷卻能力，負載也更容易長時間保持在高水位。電網面對的壓力因此更集中於大型接電、尖峰容量、冷卻用水與備援電力，而非單純增加幾台伺服器。

PUE低就代表資料中心很環保嗎？

PUE低代表設施端電力分配效率較好，仍需同時看電力來源、碳排強度、水資源、設備利用率與電子廢棄物。完整環境評估需要把資料中心放回所在地的能源系統與供應鏈裡理解。

台灣應該如何看待AI資料中心用電？

關鍵是建立可預測的接電、輸電、冷卻與資料網路條件，並讓大型用戶、電網與地方社會提早協調。AI資料中心可帶來雲端服務與產業投資，前提是基礎建設成本、風險與收益能被清楚分配。

收尾

AI資料中心的用電問題，看起來像一組複雜的能源數據，核心其實很直觀：規模越大，效率、選址與運轉方式的每一點差異，都會累積成巨大的基礎建設成本。

下一輪AI競爭會繼續追逐模型、晶片與產品入口，也會更頻繁地回到變電站、冷卻管線與電網調度。理解100MW與1TWh之間的關係，正是理解這場競爭開始落地的第一步。

資料說明：本文的估算以PUE定義與全年8,760小時計算。全球資料中心用電展望參考IEA公開分析與相關報導；中國AI資料中心用電增量、聯合國環境透明倡議與資料中心水電壓力參考Reuters於2026年6月的報導。表格屬YOLO LAB依公開公式自行換算。