深讀｜3 萬片 GPU 還不夠：台灣主權 AI 為什麼先卡在電網？

9 月 1 日快訊裡，最值得往下看的，是「2030 年 GPU 喊出 3 萬片卻卡在電網？」這個題目。前數位發展部部長黃彥男示警，台灣若要發展主權 AI，不能只看晶片製造能力，也要正視本土算力與穩定電力兩個瓶頸。快訊提到，台灣規劃至 2030 年的主權 AI GPU 建置目標約 3 萬片，與南韓 26 萬片、日本 4 萬片以上相比，規模仍有落差。

這則新聞真正戳中的，不只是「GPU 買太少」。更大的問題是：AI 競爭正在從晶片供應，轉成基礎設施競爭。買得到 GPU，只代表拿到引擎；要讓模型長期訓練、推論、服務政府與企業，還需要資料中心、電網、冷卻、資安、人才、預算和治理制度一起到位。台灣是全球 AI 硬體供應鏈重鎮，但如果本土算力中心跑不起來，主權 AI 就會停在口號和簡報裡。

3 萬片 GPU，為什麼還是不夠？

先說清楚：3 萬片 GPU 不是小數字。對單一企業、學研單位或特定模型訓練計畫來說，這已經是龐大資源。問題在於，主權 AI 不是單一專案，而是一個國家要長期支撐政府服務、產業應用、語言模型、資安需求、教育醫療與科研創新的底層能力。

經濟日報報導指出，黃彥男把台灣的規模拿來和日韓比較：南韓為發展主權 AI，已向 NVIDIA 採購 26 萬片 GPU，日本目前也擁有超過 4 萬片 GPU；相較之下，台灣約 3 萬片的規劃在區域競爭中顯得保守。這裡的重點不是追逐數字軍備競賽，而是數字背後代表國家願意投入多少長期公共算力。

主權 AI 需要的是可持續使用的算力池，而不是買一批設備放進機房。模型要訓練、更新、微調，政府和企業要安全使用本地資料，學校和新創要有負擔得起的算力入口。當公共算力不足，最後就會變成少數大型企業買得到，政府與中小企業只能租國外雲端，學研單位則排隊等待資源。

一句話看懂：主權 AI 的核心不是「台灣會不會做晶片」，而是台灣能不能把晶片變成自己可用、可管、可負擔、可持續的公共算力。

真正卡住的，是電力和位置

GPU 是看得見的明星，電力是看不見的地基。快訊提到，若以 3 萬片 GPU 等級的算力中心估算，可能需要超過 1GW 電力，大致相當於一座大型電廠等級的供電量。這個估算本身會隨 GPU 型號、機櫃密度、冷卻效率、使用率而變動，但它提醒我們一件事：算力不是插上延長線就能運作。

經濟部能源署今年 7 月預告修正《能源開發及使用評估準則》，把資料中心的產業效益評估納入能源使用說明書審查；5MW 以上大型資料中心新設或擴建時，需要在規劃階段就提出能源使用與效率設計。這代表政府已經把資料中心視為需要先期管理的高耗能基礎設施，而不是一般辦公機房。

更現實的是區域電網。台電先前說明，AI 資料中心用電模式特殊，廠房體積不大，卻可能在人口密集地區形成高度集中用電，因此桃園以北 5MW 以上大型資料中心用電申請曾被暫緩，目的就是避免局部電網壅塞。這說明 AI 基礎建設不是全台有電就好，而是「哪裡有電、哪裡能接、哪裡能穩定供應」。

全球問題在台灣會更尖銳

國際能源署 IEA 的《Energy and AI》報告指出，全球資料中心用電量在 2024 年約 415TWh，預估到 2030 年基準情境會增加到約 945TWh，接近翻倍，也約略高於日本現在一整年的用電量。IEA 同時提醒，資料中心在全球總用電占比仍不是最大，但因為高度集中在特定地點，對地方電網的衝擊會被放大。

這對台灣尤其敏感。台灣土地小、產業集中、北部用電壓力大，半導體製造、AI 伺服器、資料中心和都會生活用電會在同一張電網上競爭。經濟部 2026 年公布的電力供需報告，也已把半導體擴廠、資料中心與 AI 科技新增用電納入未來十年需求評估，預估 2026 至 2035 年用電需求年均成長約 2.5%。

換句話說，台灣面對的不是單純「要不要支持 AI」的問題，而是要在有限土地與電網條件下，決定哪些算力值得優先配置、資料中心該放在哪裡、要用什麼能源、如何避免地方電網超載，以及如何讓產業利益和社會成本說清楚。

主權 AI 不是什麼都自己做

談主權 AI，很容易滑向「什麼都要國產、什麼都要自己訓練」的想像。但更實際的定義應該是：關鍵資料、關鍵模型、關鍵算力和關鍵服務，至少要有一部分能在本地法律、資安和治理框架下運作。它不是完全切斷國際合作，而是避免所有核心能力都被放在境外平台手上。

以一般人生活來看，這會影響醫療資料能不能安全用於模型、政府客服和公共服務能不能理解台灣語境、學校教材和法律行政能不能符合本地制度，也會影響中小企業能不能用合理成本取得 AI 能力。當本地算力不足，很多應用不是不能做，而是會變得昂貴、受限、依賴外部供應商。

所以台灣需要的，不只是更多 GPU，而是一套算力治理策略：哪些任務使用公共算力、哪些交給商業雲、哪些需要境內運算、哪些可以跨境合作。沒有這種分層，最後容易變成一邊喊主權，一邊在實務上繼續依賴國外服務。

看這類新聞，可以先問三個問題

1. GPU 是誰能用？如果只有少數單位能排到，公共算力就很難形成生態系。

2. 電力從哪裡來？資料中心不是只要總電量，而是要穩定、低延遲、可接入的區域供電。

3. 成本誰負擔？公共預算、電網投資、地方回饋與產業效益，都應該放在同一張表上討論。

台灣的優勢，反而也是壓力來源

台灣的特殊之處在於，我們不是 AI 供應鏈邊緣國家。從晶圓代工、封裝測試、伺服器、散熱、電源供應到網通設備，台灣都站在全球 AI 硬體鏈的核心位置。這讓台灣有機會成為 AI 基礎設施的關鍵節點，但也讓外界對台灣供電、人才與政策速度有更高期待。

問題是，硬體供應鏈強，不會自動轉化成本土應用強。台灣可以幫全世界做 AI 伺服器，但如果自己缺公共算力、缺大型資料中心經驗、缺跨部會能源規劃，就可能出現很尷尬的畫面：我們製造別人的 AI 引擎，自己的公共服務和新創卻還在排隊借算力。

這也是為什麼「算力就是國力」不能只是一句漂亮口號。國力不只是採購清單，而是採購之後能不能被有效配置，能不能有穩定電力，能不能讓產業、學研與公共部門都用得到，能不能在資安和個資要求下放心使用。

我們的觀察

2030 年 GPU 3 萬片這則新聞，表面上是在比較台灣和日韓的算力規模，背後其實是在問：台灣要成為 AI 硬體供應者，還是也要成為能自主使用 AI 的國家？前者靠供應鏈，後者靠基礎設施、能源、制度和長期投資。

台灣不一定要和南韓、日本用同一種方式比拚 GPU 數量，但必須很誠實地盤點自己的限制。哪裡適合蓋算力中心？哪裡電網可承受？哪些公共任務最需要境內算力？中小企業和學研單位怎麼取得資源？如果這些問題沒有答案，GPU 數字再漂亮，也很難變成真正的 AI 能力。

AI 時代的競爭，正在回到很物理的東西：電、土地、水、變壓器、機房、人才和制度。台灣最值得做的，不是把主權 AI 講得更抽象，而是把它拆成可以被檢查的工程表。買多少 GPU 只是第一欄，後面還要填上供電、選址、資安、開放使用、成本分攤和公共效益。真正的主權 AI，不是把模型放在本地就結束，而是讓台灣有能力決定自己的 AI 要怎麼被建設、使用和問責。

延伸來源

作者：NineLife AI 編輯室

最後更新：2026年9月9日

本文由 NineLife AI 編輯室整理公開資料後撰寫，可能使用 AI 工具協助草稿整理；發布前會人工檢查來源、事實與語意。內容僅供資訊參考，不構成法律、投資、醫療、稅務或其他專業建議。

站內延伸閱讀： 深度閱讀目錄｜ AI 工具觀察｜關於 NineLife AI

AI新聞

搜尋此網誌