【圖解】台灣到底缺不缺電?台積電是吃電怪獸嗎?從台電數據解析2030年電力需求真相
【圖解】台灣到底缺不缺電?台積電是吃電怪獸嗎?從台電數據解析2030年電力需求真相

台灣電力供應的問題引起大家的關注,每次發生停電事件,在野黨經常質疑台灣電力供應不足,政府的回答是:台灣電力供應充足,沒有缺電問題。

這是真的嗎?

在此,我們從台灣電力需求面來探討,台灣以前,以及現在的電力需求狀況(依台電公布的資料整理),以及預估未來台灣需要多少電力。

1950年:水力為主力

台電的發電資料,最早為1950年。當年發電量為10.38億度。其中9.69億度為再生能源(主要是水力發電),燃煤發電6800萬度,燃油發電100萬度。

隨著台灣經濟逐漸的發展,台灣用電量也隨之增加。

1969年:燃油為主力

1969年,台電發電量突破100億度,達111.19億度。再生能源發電量為30.52億度,燃煤發電量為10.67億度,燃油發電量為63.27億度,燃氣發電量為6.73億度。此時,主力為燃油發電,超越以往的主力水力發電。

1985年:核能成主力

1985年,台電的發電量突破500億度,達525.57億度,其中再生能源為59.76億度,燃煤發電量為130.77億度,燃油發電量為50.3億度,燃氣發電量為0.03億度,抽蓄水力發電為9.25億度,核能發電為275.46億度。

此時,核能發電躍升為台灣電力最大的供應來源,燃煤發電次之。再生能源主要仍是水力發電。

抽蓄水力發電主力是「明潭發電廠」,在電力充沛時,將水由低水位抽至高水位。需增加電力時,由高水位放水到低處,帶動發電機發電,抽蓄水力發電是一種儲能的方式。

明潭發電廠.jpg
在1985年,抽蓄水力發電主力是「明潭發電廠」。

1993~2007年:燃煤成主力

1993年,台電發電量突破1000億度,達1017.84億度,其中再生能源為40.86億度,燃煤發電量為351.88億度,燃油發電量為233.67億度,燃氣發電量為22.81億度,汽電共生為12.66億度,抽蓄水力發電為26.1億度,核能發電為329.86億度。

2007年台電發電量突破2000億度,達2018.55億度,其中再生能源為71.44億度,燃煤發電量為875.04億度,燃油發電量為116.34億度,燃氣發電量為431.8億度,汽電共生為95.08億度,抽蓄水力發電為39.24億度,核能發電為389.61億度。

短短14年,台電的發電量由1000億度躍升到2000億度,這期間台灣半導體業、液晶顯示器產業等,快速發展,成為驅動台灣電力需求的驅動力。

燃煤發電一舉躍升為台電發電量第一,其次為燃氣發電,核能發電退居第三。

台積電耗電量,占台灣發電總量逾8%

台積電從2018年開始量產7奈米製程後,在先進製程晶圓代工市場一路領先。

2019年,台積電7奈米製程導入EUV(極紫外光)微影機,之後5奈米、3奈米一路皆依賴EUV,由於EUV是「吃電怪獸」,導入EUV後台積電的用電量一路攀高。

台積電2023年用電量估計約230億度,約占當年台灣總發電量2821.36億度的8.1%左右。台積電預估到2030年用電量將成長到330億度左右,可能將占台灣總發電量的11-12%左右。

EUV
2019年,台積電7奈米製程導入EUV(極紫外光)微影機,之後台積電的用電量一路攀高。
圖/ ASML

除了疫情2年連降,台灣發電量年年上升

台電的發電量占所有台灣總發電量的大部分,不過台灣仍有一些公司有自有的發電設施,因此台電發電量小於全台灣的發電量。以2022年為例,台灣總發電量為2881.5億度,大於當年台電發電量2507.49億度。

年度總發電量約略稍大於當年總電力需求,台灣2000年總發電量為1848.41億度,2010年總發電量為2470.59億度,10年成長33.66%。2020年總發電量為2800億度,從2010年到2020年10年成長13.33%。

2021年,台灣總發電量為2910.33億度,2022年台灣總發電量為2881.86億度,2023年台灣總發電量為2813.36億度,小幅下滑,主要的原因是「Covid-19疫情」在這幾年肆虐,產業受到衝擊。

半導體業,成為台灣用電量最大變數

2023年,台灣電力共消耗2756.85億度,較2022年的2794.52億度衰退1.35%。主要原因是產業去庫存,導致公司營運衰退,對電力的需求因而下降。

例如,台積電2023年營業額較2022年衰退4.5%,聯電2023年營業額較2022年衰退20.2%,世界先進2023年營業額較2022年衰退25.9%,力積電2023年營業額較2022年衰退42.2%。由此可見,2023年是辛苦的一年,因此電力需求下滑。

從2023年的數據來看,台灣用電最大的為工業部門,共使用1524.93億度電,占55.31%。第二大用電為住宅部門,使用517.07億度電,占18.76%。第三大用電為服務業部門,使用485.33億度電,占17.6%。第四大用電為能源部門,使用177.82億度電,占6.45%。農業部門為第五大,使用32.77億度電,占1.19%。第六大用電為運輸部門,使用18.98億度電,占0.69%。

冷氣、夏天、電費
從2023年的數據來看,第二大用電為住宅部門,使用517.07億度電,占總體18.76%。
圖/ 隋昱嬋攝影

AI興起,台灣用電量「只有更高」

預估到2030年台灣電力需求約3356億度,較2023年成長21.7%。主要成長的因素為台積電先進製程,AI資料中心及電動運輸工具普及。

到2030年台積電預估可能增加100億度用電,由於部分先進產能外移到美國、日本生產,因此減少台積電在台灣用電的增加量。

AI資料中心將是重大的變數。以微軟為例,近年來微軟積極推進RE100,不過在「生成式人工智慧」崛起後,微軟的用電量激增。2023年微軟用電量高達240億度,較2020年的112.8億度,激增1.127倍。

如果台灣廣設AI資料中心,可能電力需求會「破表」,超越前面的預估。

電動車普及,用電量不容小覷

電動車是減少溫室氣體排放的利器,因此以電動車取代燃油車,是全世界的趨勢,台灣當然不能例外。

假設台灣到2030年有150萬輛電動車在路上奔馳,以每部車每年2萬公里里程,每度電可行駛5公里計算,則每年電動車將增加60億度電需求。加上電動公車、卡車、貨車、電動摩托車等,則電動運輸工具,將可能需要共約80億度電。

LUXGEN n⁷
若2030年台灣電動車數量達150萬輛,年發電量將上看60億度;圖為LUXGEN n7僅為示意圖。
圖/ LUXGEN

超越中國!台灣2023年人均用電量逾1.1萬度

台灣人口約2357萬人,2023年台灣人均用電量約11,696度,屬於高用電的族群。

2013年,全球用電量約為23兆5009億度,當年人口為72.29億人,人均用電約3250.9度。

2023年全球用電量約為29兆4686億度,當年人口為80.73億人,人均用電量約3650.3度。10年間總用電量成長25.4%,人均用電量成長12.3%。

2013年美國用電量為4兆3640億度,2023年美國用電量為4兆2680億度,10年間用電量減少2.2%。推估可能的原因是製造業外移,使用電量不增反減。2023年美國人口約3.333億,人均用電量約12,805度,略高於台灣。

2013年歐盟用電量為2兆9136億度,2023年歐盟用電量為2兆7080億度,10年間用電量減少7.1%,主要原因是製造業外移,以及「少子化」的影響。歐盟人口約4.514億,人均用電量約為5999.1度,遠低於美國、台灣的人均用電量。

中國人均用電,僅為美國一半

中國2003年用電量為1兆9180億度,2013年用電量為5兆4473億度,2023年用電量為9兆4602億度。從2003年到2023年,中國用電量激增3.95倍,從2013年到2023年,中國用電量增加73.7%。由此可見這20年來中國經濟發展驚人。

以2023年來看,中國用電量占全球用電量的32.1%,不愧被譽為「世界工廠」。

美中貿易戰後,許多公司將產能從中國外移到越南、印度等地,讓中國「世界工廠」的地位退色,不過中國目前仍掌握許多產品的製造,經濟活動仍然活躍,用電量因此居高不下。

中國人口為14.1億,2023年中國人均用電為6710.9度,約為美國的一半,較歐盟高。

台灣缺電嗎?答案呼之欲出

台灣人均用電量高於歐盟、中國甚多,略低於美國,主要是台灣製造業、科技業蓬勃發展,石化業、鋼鐵業加上晶圓製造等高耗能產業,成為台灣電力需求攀高的重要因素。

考量人工智慧運用將日益普及,AI資料中心將會是另一「吃電怪獸」,2030年,台灣電力需求,將可能超越我預估的3356億度。

延伸閱讀:【觀點】核三廠為何應該延役?從減碳排、經濟角度分析,以及你的恐懼

責任編輯:李先泰

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓