AI 助攻油氣開採反成氣候負擔，全球年碳排恐暴增 18 億噸

一項最新研究提出警告：人工智慧雖然有助於提升再生能源的效率，但其在石油與天然氣產業所帶來的生產力躍升，可能使全球年碳排放量增加達 18 億噸，整體效應反而是氣候的負擔。

AI 在油氣產業的應用範圍已相當廣泛。地震資料的解析原本需要大量人工判讀，AI 模型能更快速且準確地辨識潛在的儲層構造，提高探勘的命中率；鑽井過程中的即時參數優化能縮短工期、降低事故率；油藏管理則透過模型預測產量衰減曲線，調整注水與增產策略以延長油田的經濟壽命；設備的預測性維護也減少了非計畫停機。

這些應用的共同效果是降低單位開採成本。而在資源產業中，成本下降的直接後果是可開採儲量的增加——原本因成本過高而被判定為不具經濟效益的邊際油田，在成本結構改善後重新變得可行。這正是 18 億噸這個估算的邏輯基礎：不是 AI 本身耗電造成的排放，而是它讓更多化石燃料變得值得開採。

這個機制在經濟學上被稱為反彈效應（rebound effect）。效率提升原本應該減少資源消耗，但因為它同時降低了使用成本，反而可能刺激更多的使用，最終總消耗量不減反增。歷史上多次能源效率改善都出現過類似現象。

這也讓 AI 的氣候效應評估變得複雜。目前公共討論多聚焦於資料中心的直接用電與碳排，這確實是可觀且持續增長的部分。但如果 AI 在化石燃料產業的賦能效應規模達到十億噸等級，那麼其間接影響可能遠大於直接影響。完整的評估必須同時納入兩者，而後者的量化難度明顯更高。

不過，這類估算也有其不確定性。18 億噸的數字建立在一系列假設之上：AI 應用的滲透速度、成本下降的幅度、以及需求端是否有相應的承接能力。若能源轉型的速度夠快，使化石燃料的需求先行下滑，則開採成本的下降未必會轉化為實際的產量增加。換言之，這個效應的大小取決於需求端的政策力度。

政策上的啟示相當清楚：單靠技術中立的立場不足以確保 AI 的淨氣候效益。若要讓 AI 成為減碳的助力而非阻力，需要的是在需求端建立明確的約束——碳定價、排放上限或化石燃料的退場時程。技術本身不會選擇方向。

後續觀察重點包括：油氣產業 AI 應用的實際滲透率、相關估算方法在同儕檢視下的穩健度，以及各國在 AI 與氣候政策交叉領域的規範動向。