林上倫律師專文》當你問 AI 今天中午吃什麼，世界正在為這個提問重新規劃能源版圖

律師林上倫拆解 AI Token 的經濟本質，Token 不是可投資的數位資產，而是像「度」一樣的用量計算單位。每一次提問背後是從發電廠、電網、資料中心到顯示卡的完整能源鏈在運轉，資料中心把電力轉換成可計價的 Token 服務。黃仁勳反覆警告能源不夠用，是站在供應鏈前線看到的真實缺口。
（前情提要：白毛股神Serenity再喊單SIVE！拿下820萬鎂軍用訂單，Ka波段晶片卡進美軍衛星供應鏈）
（背景補充：Amazon 開放 AI 設計周邊：給 Alexa 一句話印出客製化 T 恤＋Prime 直送到家）

最近全球科技圈最常出現、卻也最容易被誤解的一個詞，叫做 AI Token。當你每一次開啟對話方塊輸入一個問題，背後其實是一整條從發電廠、電網、資料中心一路串到顯示卡的能源產業鏈在替你運轉，而 Token 就是用來計量這整段過程的單位。

如果把這件事拆開來看，市面上最常被討論、也最常被誤解的，其實是衍生的四個問題 Token 到底是不是一種錢？17 美元的 ChatGPT 訂閱費，真的就涵蓋所有成本嗎？資料中心既然這麼重要，為什麼有些設在矽谷與科學園區，有些卻設在沙漠或峽灣旁邊？以及，為什麼黃仁勳會反覆強調未來能源一定會不夠用？這四個問題串起來，剛好就是理解 AI 經濟的關鍵。

AI Token 到底是不是一種錢

市場上開始出現把 Token 描述成某種新型態資產的說法，甚至已經有「AI Token 投資」這類話術在流通。很多人第一次聽到 Token 這個詞，會自然聯想到加密貨幣裡面的 Token，或者覺得它是不是一種可以累積、可以增值、可以拿來兌換什麼東西的數位資產。但回到本質來看，AI 領域裡的 Token，比較接近一個用量刻度，而不是一個可以儲存或交易的價值載體。

先從最基本的單位感講起。Token 在 Output（生成）端的換算，會因語言出現明顯差異。英文方面，1 個 Token 大約等於 0.75 個英文單字，或是約 4 個英文字母。像「apple」這類常見短單字，通常就是 1 個 Token；但「hamburger」這種較長的單字，AI 會在底層把它拆成「ham」、「bur」、「ger」三段，等於要花掉 2 到 3 個 Tokens。中文方面相對耗用更多，因為繁體中文在底層編碼上佔用空間較大，1 個 Token 大約只能換到 0.5 到 1 個中文字。常見的「我」、「的」通常維持 1 個 Token 就能處理，但筆畫複雜或罕見的字，可能單一個字就需要被切成 2 到 3 個 Tokens。

如果換到 Input（讀取）端，1 個 Token 的份量微小到連一句完整的話都稱不上。為了讓「讀檔案」這件事有具體感，業界通常會用 1,000 個 Tokens 作為比較好理解的基準：閱讀英檔案案時，1,000 個 Tokens 大約等於 750 個英文單字，差不多是 1.5 頁的 A4 Word 檔案；閱讀中檔案案時，1,000 個 Tokens 大約等於 500 到 800 個中文字，差不多是半頁 A4 的短篇文章，或是一篇普通長度的新聞報導。當你把一份十幾頁的合約丟給 AI 看，光是讀完就已經消耗了好幾萬個 Token，而這還沒包含它要生成回覆所消耗的部分。

更重要的是，Token 分為 Input Token 與 Output Token 兩種，每一種都有獨立且相當精確的計價方式。Input 是 AI 讀取你丟進去的檔案、影片、語音去理解內容所消耗的份量；Output 則是 AI 為你生成文字、圖片、程式碼所消耗的份量。兩者都不是抽象的概念，而是現在主要大廠（OpenAI、Google、Anthropic 等）對外收費時，以每百萬 Token 計價的具體刻度。目前的行情，大約是每 100 萬個 Token，定價為幾塊美金。

所以從這個角度回頭看，Token 比較像「度」這個單位：它是你使用 AI 服務的用量計算方式。你不會說自己今天用了 30 度電，因此擁有「30 度電的資產」；你也不會把自己跟臺電消耗了多少度電這件事，理解成一種商品或貨幣。AI Token 的邏輯非常接近。

當然，未來 Token 是否會衍生出期貨、預付額度、配額交易等金融化商品，這完全是有可能的，過去石油、電力、碳排都走過類似的路徑。但回到本質來看，理解 Token 是「一個用來計算 AI 用量的單位」，會比把它當成一種獨立的價值載體，更貼近它真正的角色。對一般用戶來說，這個認知差距，會直接影響你如何看待下一個問題：AI 服務的訂閱費。

每月 17 美元的訂閱費涵蓋所有成本嗎

這大概是普通用戶最直觀的一個疑問。市面上 AI 服務的訂閱費，從 ChatGPT Plus 的 20 美元、到各家企業版方案，價格看起來都還算親民。所以很多人會自然認為，AI 的真實成本應該就跟這個訂閱費差不多。但如果仔細看產業財報，事情並不完全是這樣。

目前主流 AI 公司多半仍處於營運虧損狀態，OpenAI、Google、Anthropic 的 AI 部門都還在重度投資階段，營運資金有相當大的比例來自融資而非 AI 服務本身的獲利。這代表現階段的訂閱費，並不完全等同於這項服務的真實成本。當一位重度用戶整天請 AI 幫忙修圖、長篇對話、生成大量內容時，他實際消耗的 Token 成本，可能已經超過月費所能涵蓋的範圍，差額目前主要由公司端與投資人承擔。這是一個典型的「用戶教育期」定價策略，目的是先培養使用習慣、擴大用戶基礎，未來幾年是否會調整，是值得持續觀察的方向。

而這種定價模式也帶來一個有趣的現象：使用門檻幾乎完全消失。過去要使用石油這個工業能源，你通常需要先擁有車輛、機具或廠房，整套消費行為自帶經濟篩選機制。但 AI 時代的入口幾乎沒有這種門檻。同樣的 Token 用量，可能被用來產出一份盡職調查報告及併購合約、一份醫學研究摘要，也可能被用來討論午餐要吃什麼、跟虛擬角色閒聊。兩種使用情境消耗的算力與電力其實是同等級的，但所創造的社會價值差距相當大。

資料中心為什麼選址天差地別

這是另一個很多人會困惑的地方。我們聽過一些資料中心設在矽谷、設在科學園區等科技重鎮，看起來像是高度尖端的科技設施。但同時又會看到許多新聞報導，杜拜在沙漠裡蓋資料中心、挪威在峽灣旁邊蓋資料中心、愛爾蘭的鄉間蓋資料中心、甚至有公司在水力發電站旁邊就直接蓋了一個資料中心。這就讓人疑惑：資料中心到底是不是一種高科技產物？

合理的理解是，這兩種看法都各有道理。資料中心本身確實是高度專業化的基礎設施，涉及散熱工程、電力管理、網路架構、資安設計、先進晶片整合等多個技術領域，建置與維運的門檻並不低；臺灣許多投入這個領域的企業，背後確實有相當深厚的工程能量，這也是為什麼有些資料中心會選擇設在科技聚落附近，以方便取得人才、客戶與供應鏈的支援。

但從全球布局的角度來看，資料中心的選址邏輯還有另外一個關鍵因素：「它高度依賴穩定且相對便宜的電力供應。」當運算規模到了一定的等級，電費的差距就會直接決定營運成本的高低。所以我們會看到杜拜、阿布達比利用沙漠地區的太陽能資源、挪威運用水力與低溫優勢、愛爾蘭利用相對寬鬆的能源政策，都成為全球資料中心的熱點。換句話說，資料中心其實最在乎的優勢是：「它是一個高度依賴能源條件的能源轉換節點。哪裡有穩定的電，哪裡就有機會看到新的資料中心冒出來。」

從這個角度回頭看，資料中心其實是 AI 時代的關鍵節點之一：它把電力這個原本難以儲存、難以跨境運輸的能源，透過運算轉換成 Token 這個可以被計價、可以被遠距販售的服務。所有用戶上傳的問題、企業送進來的檔案、研究機構提交的資料，都會被資料中心處理，再依照消耗的 Token 數量回收費用。這也順勢帶出了第四個、也是最關鍵的問題。

黃仁勳為什麼一直說能源不夠用

這幾年 NVIDIA 創辦人黃仁勳在多場公開演講與訪談中，反覆提到同一件事：未來能源一定會不夠，AI 的發展瓶頸最終會落到電力上。很多人聽到這句話，第一反應是覺得這是不是一種行銷話術，或是 GPU 廠商的渲染。但如果把前面三個問題串起來看，就會發現他講的這件事其實有相當紮實的產業邏輯在背後支撐。

從 Token 的角度看，每一次提問都對應一段運算，每一段運算都對應一段電力消耗。從訂閱模式的角度看，現階段補貼性的定價讓用戶沒有節制使用的誘因，整體用量呈現幾何級數的成長。從資料中心的角度看，全世界有能源條件的地區都在加速擴建算力設施，每一個新建的資料中心，都會在當地用電結構上佔據可觀比例。當這三個趨勢同時發生，能源端的壓力就會被快速放大。

這也是為什麼黃仁勳會把能源議題講得比 GPU 本身還重，因為 GPU 再強，沒有足夠的電也跑不動。對 NVIDIA 這樣的公司來說，他們最清楚客戶端的算力訂單規模有多誇張，也最清楚這些算力背後對應的電力缺口有多大。所以他講的「能源會不夠」，本質上是站在供應鏈最前線看到的真實狀況，而不是單純的口號。

這也代表能源產業會是下一個世代值得長期關注的方向。全世界只要有條件的地區，不論是沙漠、水力豐沛區、適合風場的海岸線、具備核能發展空間的國家，都在積極擴張發電容量。中國因為擁有全世界規模龐大的綠電系統，在這個賽局中具備相當明顯的能源優勢；而臺灣關於核能與綠電的政策討論，也會在 AI 時代被重新放到更大的脈絡裡檢視。可以預期的是，未來全球 AI 基礎設施的整體用電量，會在未來幾年內超越許多現有工業類別的耗電總和，現階段全世界實際在使用 AI 的人口比例還在成長初期，需求曲線可預期會持續向上。

用戶與投資人該怎麼面對

綜合來看，有兩個方向值得長期關注。第一個方向，是 AI 基礎建設的整體供應鏈。包括發電端、電網升級、資料中心建置、散熱、先進封裝以及核心算力供應鏈。這些領域的特點是訂單能見度相對清晰，只要 AI 需求持續成長，能源與基礎設施的缺口就會是結構性題目，而非短期波動。

第二個方向，是 Token 使用效率本身會成為一個重要的議題。當 Token 計價逐步透明化，用戶會開始意識到不同任務之間的成本差異，企業與個人也會慢慢發展出更合理的使用習慣。

對於 AI 這個產業，可以掌握三個基本原則。第一，理解 Token 的本質是一個計價單位，這會讓你在面對各種延伸性的金融化敘事時，更有判斷依據。第二，正確看待資料中心的角色，它雖是高度專業的基礎設施，但更是高度依賴能源供應的選址產業。第三，留意能源端的長期變化，因為它會逐步成為 AI 產業最關鍵的瓶頸與機會所在，這也是 AI 大老們一再提醒大家的核心訊息。

過去一年 AI 的發展速度，讓很多人來不及理解它背後的成本結構。這不代表 AI 是泡沫，也不代表整個產業會崩盤，而是當一個新工業逐漸成熟時，計價方式、資源分配與基礎建設都會慢慢進入新的平衡。AI 的需求曲線目前看起來會持續向上，但伴隨的能源與成本議題，也會越來越值得每一位用戶、投資人、政策制定者認真看待。

Token 這個小小的單位，背後牽動的是發電廠、電網、資料中心、晶片、模型、應用，一直延伸到每一個用戶的日常選擇。理解它的本質，會讓我們在面對 AI 時代時，更能看清楚機會與代價分別落在哪裡。