AI資料中心加速擴張，地面電力卻可能跟不上算力需求。 Google AI與基礎架構資深副總裁暨首席技術專家Amin Vahdat（瓦赫達特）今（2）日在SEMICON Taiwan 2026開幕主題演講中直言，能源可能是AI基礎架構面臨的最大挑戰，未來甚至可能出現「有錢、卻沒有電」的情況。 為突破地面電網、土地及能源限制，Google已展開Project Suncatcher研究，探索將TPU送入太陽同步軌道，利用近乎持續的太陽能與自由空間光通訊，在太空建立可擴充的AI算力。 「你可以想像，未來有很多情況是我可能有錢，但不一定有電。

」Vahdat表示，AI基礎架構過去主要追求效能與總持有成本，然而隨著電力成為最稀缺資源，Google已把首要最佳化指標改為每瓦效能，最終更要衡量整套系統能夠產生多少「每瓦實際交付價值」。 他指出，外界談到GW（十億瓦）級AI園區時，經常著眼於園區取得多少電力，但1 GW電力送到資料中心邊界後，仍須經過供電設備、建築、冷卻系統、機架、伺服器及晶片，真正能用於有效運算的比例，可能比外界想像低得多。 因此，AI能源效率不能只看晶片跑分或理論上的每瓦效能，而要把電力傳輸損耗、閒置伺服器、CPU、記憶體、網路及冷卻系統全部計入。

太陽同步軌道接近全天日照 降低大型電池需求 面對地面能源限制，Google開始把運算基礎架構的研究範圍延伸至太空。 Project Suncatcher構想是在太陽能衛星上搭載TPU，並透過自由空間光通訊（Free-Space Optical Communication）連接多顆衛星，組成可擴充的太空AI運算星座。 Vahdat表示，Google研究讓TPU運行在太陽同步軌道（Sun-Synchronous Orbit），可望近乎全天候取得太陽能，電力效率可能達地面約5倍。 雖然仍有許多挑戰需要克服，但太空提供近乎不受地面電網限制的能源，值得產業進一步探索。

Google研究團隊則指出，Project Suncatcher可能採用晨昏太陽同步低地球軌道，讓衛星長時間接受日照，不僅能提高太陽能收集能力，也可降低衛星攜帶大型電池所增加的重量。 在適當軌道上，太陽能板生產力最高可達地面約8倍，並能近乎持續發電。 Vahdat所稱的5倍電力效率，與Google研究資料中的8倍太陽能板生產力，衡量指標並不完全相同，不能直接視為同一數據。 不只一顆衛星 TPU將以光通訊組成運算星座 Project Suncatcher並不是把一座傳統資料中心完整搬上單顆衛星，而是建立由多顆小型衛星組成的模組化運算系統。 每顆衛星搭載TPU與太陽能發電設備，再以雷射光鏈路互相傳輸資料，共同分擔大型AI工作。

大型機器學習模型通常需要數千甚至更多加速器同步運作，衛星間連線因而必須具備接近地面資料中心的高頻寬與低延遲。 Google初步研究認為，若結合多通道密集波長分波多工（Dense Wavelength-Division Multiplexing，DWDM）與空間多工技術，衛星間光鏈路有機會達到每秒數十Tb的傳輸能力。 太空運算的潛在優勢不只在電力。 將部分AI基礎設施部署於軌道，也可能減少對地面土地、電網與水資源的壓力；但衛星仍須把訓練資料送入太空，並將運算結果送回地面，資料上傳、下載及衛星間分工方式都將影響系統是否具備經濟效益。

太空AI仍有輻射、散熱及維修三大難題 Google將Suncatcher定位為「Moonshot」研究計畫，目前並非已確定商轉的太空資料中心建置案。 要讓太空TPU真正可行，首先必須解決高速衛星間通訊與軌道動力學問題，確保衛星在高速移動時仍能穩定維持光學連線。 其次，太空輻射可能造成晶片錯誤或縮短壽命，TPU與相關記憶體、光學元件也必須通過更嚴格的耐輻射驗證。 散熱同樣是關鍵。 地面資料中心可利用空氣、液體與冷卻水帶走熱量，但真空環境無法透過空氣對流散熱，只能依靠熱傳導及熱輻射。 當TPU持續執行高密度運算，如何排出廢熱將直接限制單顆衛星的算力。 此外，太空設備故障後，無法像地面資料中心般立即派員更換晶片、光模組或電源設備。

系統必須具備更高可靠度、冗餘設計及遠端重新配置能力，衛星發射及替換成本也須降至足以支撐大規模部署。 地面先拚效率 Gemini單次查詢耗電降33倍 太空算力仍是長期研究，現階段Google持續透過資料中心、硬體、軟體與AI模型共同改善地面運算效率。 Vahdat表示，Google資料中心的電力使用效率（Power Usage Effectiveness，PUE）已降至1.09，代表除了伺服器實際使用的電力外，供電、冷卻及其他設備所增加的能源開銷約為9%。 他稱，這項表現較產業平均水準改善83%，也是數十年持續最佳化的成果。 軟體與模型效率也同步改善。

Google在2024年5月測得，Gemini應用程式單次文字查詢約消耗8 Wh電力，產生1.32公克碳排；一年後，單次查詢耗電量已降至0.24 Wh，改善33倍，碳排則降至約0.03公克，改善44倍。 0.24 Wh約相當於觀看電視不到9秒鐘的耗電量。 Google的完整量測也把閒置加速器、CPU、記憶體及資料中心能源開銷納入，而非只計算模型在TPU或GPU上執行的瞬間功耗。 單次查詢更省電 AI總用電仍可能快速增加 不過，單次AI查詢耗電下降，不代表AI產業總用電量將隨之減少。

Vahdat以工業革命時期的「傑文斯悖論」說明，蒸汽機效率提高後，煤炭需求非但沒有下降，反而因新用途大量出現而快速增加；當能源或智慧等基礎資源成本下降，人類往往會開發更多用途，帶動整體使用量成長。 代理式AI更可能加速這項趨勢。 傳統生成式AI由人類輸入問題、閱讀答案後再決定下一步，速度受限於人類打字及閱讀；代理式運算則由程式在內部迴圈中持續呼叫模型，並執行規劃、工具操作、結果驗證與安全檢查。 「對電腦的需求只會加速。 」Vahdat表示，AI硬體未來仍需持續走向專用化，並改善封裝、記憶體近端運算、液冷、電力傳輸與光學整合。

Project Suncatcher所探索的太空算力，正反映AI競賽的下一個限制條件，可能不再只是誰擁有更多晶片，而是誰能找到足夠、穩定且可持續擴充的能源。