3月份看板人物—田弘華副教授
為越省電反而越耗電？解碼生成式AI的「傑文斯悖論」與能源治理困境
在經濟學的課堂上，我們都學過「價格下降、需求上升」的基本法則。但在生成式 AI 的時代，這個法則正以一種極端且具破壞性的方式，挑戰全球的能源基礎設施。
今天我們要分享的是一篇剛出爐的能源經濟學實證研究，它不僅重新檢驗了 150 年前的經典理論，更指出傳統經濟學工具（如碳稅）在面對 AI 產業時可能面臨的結構性失效。
🚩一場史無前例的效率革命
我們正處於 AI 運算效率呈現指數型躍升的時代。在硬體端，以 NVIDIA H200 為例，其推理吞吐量較前代提升約 81.7%，但額定功耗卻維持在 700W 不變。在軟體與定價端，效率的提升更為驚人。以 OpenAI 的 GPT-4 系列為例，其輸出定價在 33個月內年降幅高達 73.4%。而在 2025 年 1 月發布的開源模型 DeepSeek-R1，其 API 定價甚至不到 OpenAI 同級產品的 4%，降幅高達 94.5%。
🌪效率越高，耗電越兇的「算力堰塞湖」
儘管 GPU 效率年增 35.8%、API 價格年降 73.4%，全球資料中心的總能耗卻未見緩解，反而以年 15% 的速度急遽攀升。國際能源署（IEA）預估，全球資料中心用電量將從 2024 年的 415 TWh 飆升至 2030 年的 945 TWh。
經濟學家 William Stanley Jevons 早在 1865 年就警告過這種現象：當資源使用效率提升、單位成本下降時，若需求的價格彈性大於 1，總消耗量反而會增加，這被稱為「傑文斯悖論（Jevons Paradox）」。
然而，生成式 AI 的情況比傳統的傑文斯悖論更為棘手。全球資料中心普遍存在高達約 89% 的「算力冗餘（Compute
Reservoir）」配置。這些平時低功耗待機的伺服器就像是一座「算力堰塞湖」，一旦需求爆發，便會在瞬間轉化為驚人的電力負載。
❓傳統的連續彈性模型失效了嗎？
面對 AI 能耗危機，政策制定者直覺上會想動用經濟學的老武器：碳稅。
但我們必須問兩個核心問題：
1. 生成式 AI 的需求真的是「連續的」嗎？
2. 傳統的價格型工具（如碳稅），真的能有效抑制這種爆炸性的能源需求嗎？
💡閾值依賴型反彈與數量型工具的韌性
最新的實證研究指出，傳統建立在「連續需求曲線」上的傑文斯悖論，無法完全解釋 AI 市場的行為。研究團隊提出了一個新框架：「閾值依賴型反彈（Threshold-Dependent Rebound）」。
(圖)
1. 雙事件實證：超過 10 個標準差的離散跳躍
利用 109 週的數據，分析了兩個重大衝擊事件：2025 年 1 月價格主導的 DeepSeek-R1，以及 2025 年 8 月能力主導的GPT-5。
結果發現，這兩個事件都在市場關注度（Google Trends）上引發了超過 10 個標準差（10σ）的「離散跳躍」
（DeepSeek: 11.2σ；GPT-5: 10.1σ）。在開發者行為（PyPI 下載量）上，三大 AI 套件也展現了極顯著的結構斷裂。這證明了AI 的需求不是平滑上升的，而是當價格或能力跨越特定「門檻」時，會解鎖全新的高算力應用（如從文字對話跳躍至影片合成或 AI Agent），導致需求呈階梯式爆發。
2. 碳稅的傳導衰減 vs. 定額的韌性防禦
如果需求是爆發式的，政策工具該如何設計？研究團隊利用代理人基礎模型（ABM）進行了政策情境模擬。
結果非常震撼：在 AI 產業中，碳稅面臨嚴重的「傳導衰減」。
碳稅失效的微觀機制：目前電力成本僅佔 API 總成本約 18%。因此，即使徵收高達 50% 的碳稅，終端 API 價格也
只會上升約 9%（例如從 0.60）。面對 DeepSeek 動輒 94.5% 的技術性降價，這 9% 的漲幅宛如杯水車
薪，完全無法阻止高達 92.9% 的用戶跨越使用門檻，最終減排效果僅有 12.1%。
變成算力定額（數量型工具）的韌性：相對於價格型工具，直接限制供給上限的算力定額（Quota）展現了強大的防禦力。模擬顯示，嚴格的定額機制（如定額 2×）能帶來 88.3% 的減排效果，切斷了「需求跳躍 → 算力啟動 → 能耗
增長」的傳導鏈。
🛡️Robustness（穩健性考量）：我們能相信這些結論嗎？
身為經濟系學生，我們看論文最重視的就是推論的穩健性與因果識別（Causal Identification）。這篇研究的結論並非建立在單一方法的 p 值上，而是透過嚴謹的三角驗證（Triangulation）：
1. 跨事件可複製性：如果只有 DeepSeek 造成需求跳躍，那可能是因為開源或地緣政治效應。但連「能力主導」的
GPT-5 也引發了相同規模的 10.1σ 跳躍，證明這是系統性的市場結構特徵。
2. 跨數據源一致性：為了避免 Google Trends 只是反映「媒體炒作」，研究交叉比對了 PyPI 套件（如 openai,
anthropic）的實際開發者下載數據，結果顯示方向完全一致。
3. 多重穩健性檢驗：研究執行了 Placebo 檢驗（虛擬日期測試）、處理 GPT-5 基線污染的純淨基線分析，並將 ABM
模擬的參數（彈性、門檻、冗餘比例）進行了廣泛的敏感度測試，確保「定額優於碳稅」的政策排序在不同參數下
依然穩健。
當然，研究也誠實點出其局限性：目前的代理變數（搜尋量、下載量）尚無法 100% 完美等同於「直接運算能耗」。但作為方向性的前瞻指標，它已對傳統的線性預測模型敲響了警鐘。
面對非線性的未來，傳統的線性管理工具已經不夠用了。決策者必須在碳稅之外，考慮加入數量型的防禦機制，為電網爭取寶貴的緩衝時間。
📚 參考文獻 (Selected References)
- Jevons, W. S. (1865). The coal question: An inquiry concerning the progress of the nation, and the probable
exhaustion of our coal-mines. London: Macmillan. - Saunders, H. D. (1992). The Khazzoom-Brookes postulate and neoclassical growth. The Energy Journal, 13(4),131–148.
- Koomey, J., Berard, S., Sanchez, M., & Wong, H. (2011). Implications of historical trends in the electrical
efficiency of computing. IEEE Annals of the History of Computing, 33(3), 46–54. - Masanet, E., Shehabi, A., Lei, N., Smith, S., & Koomey, J. (2020). Recalibrating global data center energy-use estimates. Science, 367(6481), 984–986.
- IEA (International Energy Agency). (2025). Electricity 2025: Analysis and forecast to 2027. Paris: IEA Publications.
．