你問ChatGPT一個問題，螢幕彈出幾百字答案，你以為自己買緊「智能」。但如果把鏡頭拉遠一點，答案背後其實有一樣更原始的東西：電力。
AI模型不是靠靈感運作，而是靠大量GPU做運算。運算要用電，用完電又會變成熱，所以數據中心最重要的成本，很多時不是程式碼，而是供電、散熱和機房位置。換句話說，token這個計費單位，表面上是文字成本，骨子裡其實是一張電費單的數位版本。你問得愈多，背後燒得愈多電。
以前我們講能源出口，多數想到煤、石油、天然氣。這些能源可以裝船，可以運到世界各地。電力就麻煩得多。電不是不可以出口，但要靠跨境電網、海底電纜、長期協議和龐大基建。新加坡近年積極推動從區內進口低碳電力，目標到2035年進口約6GW，已經算是很進取；但這類工程牽涉國家、電網、資金和安全，不是有平電就可以即時賣到外國。
AI時代有趣的地方，是它提供了另一條路：不一定要把一度電直接送出去，而是把電先轉成運算，再把運算結果賣出去。
海外用戶打一個prompt，需求透過網絡進入某地的數據中心；當地用較便宜、較穩定的電力完成運算；最後回傳答案，收入以API費、訂閱費或雲服務費結算。整個過程沒有運走任何實物，但電力其實已經被轉化成token、模型回應和商業服務。這不是傳統意義上的「賣電」，而是把電變成高價值的數位產品出口。
這件事不是純粹想像。國際能源署估算，全球數據中心在2024年用電約415TWh，佔全球用電約1.5%；到2030年，可能升至約945TWh，接近日本現時全年用電量。愛爾蘭的例子更加直接：當地數據中心在2024年已佔全國metered electricity consumption的22%，比城市家庭的18%還要高。這說明AI和雲服務，已經不只是科技產業，而是實實在在的能源產業。
所以，未來AI競爭表面上是模型之爭，但長期可能更像成本曲線之爭。模型能力會逐步接近，但誰能以更低成本、更穩定地供應token，誰就能把AI變成日常耗材：客服、翻譯、報表、內容、分析、決策輔助，全部都會因為token夠平而普及。
這也令一些原本因為地理偏遠、人口不多、市場不大的地方，有了新的想像空間。如果它有便宜而穩定的電力，有足夠的網絡連接和政治穩定，它未必需要把能源變成LNG才能賣到海外，也可以把能源變成「智能」賣到全球。
下一場AI戰爭，大家會繼續看模型、晶片和人才。但也許真正的制高點，會回到一個很基本的問題：誰掌握更便宜、更穩定、更可規模化的電力，誰就有機會把電變成全世界都願意購買的token。
ADVERTISEMENT
