大學一邊宣示淨零、一邊擴大 AI 運算，兩項承諾正面對撞

大學校園裡同時掛著兩塊看板：一塊寫著淨零排放的承諾年份，另一塊寫著 AI 轉型的投資規模。而這兩塊看板正在互相抵觸。

矛盾的來源相當具體。生成式 AI 的訓練與推論都極度耗電，而支撐它的資料中心同時消耗大量水資源用於冷卻。當大學擴充自有的 AI 運算叢集、或大幅增加雲端 AI 服務的使用量，碳排放與能源需求都會實質上升——而這些排放多數落在難以迴避的範圍內。

問題的棘手之處在於帳怎麼算。自建運算設施的用電會直接進入機構的排放統計；而使用外部雲端 AI 服務的排放屬於範疇三（供應鏈間接排放），多數大學的盤查根本沒有涵蓋，於是「看起來」不影響淨零進度。這產生了一個扭曲的誘因：把運算外包出去反而讓數字更好看，即使實際排放並未減少。

第二層問題是成長的不確定性。淨零路徑圖建立在對未來能源需求的預估之上，而 AI 使用量的成長曲線目前無人能準確預測。一份三年前訂定的減碳計畫，很可能完全沒有把 AI 的能耗納入考量。

可行的因應方向已有雛形。第一是揭露：把 AI 相關能耗納入盤查範圍並公開，即使數字難看，也是後續管理的前提。第二是效率選擇：多數教學與行政應用並不需要最大的模型，選用適配規模的模型能大幅降低單次推論的能耗。第三是採購條件：把資料中心的能源來源與用水效率納入雲端服務的評選標準。第四則是把這件事本身變成教材——校園的能源與運算取捨，正是環境科學、資料科學與倫理課程的現成案例。

值得注意的是這個矛盾並非大學獨有，但大學的處境特殊：它們同時是氣候研究的主要產出者與淨零倡議的道德聲量來源。當自身的實踐與主張衝突時，付出的不只是排放代價，還有論述的可信度。

對台灣的高教而言，這個議題目前幾乎未被討論。而在各校陸續投入 AI 基礎建設的此刻，先把能耗納入評估框架，成本遠低於事後補救。