東京試驗將伺服器廢熱轉為實際用途
東京正支持一項計畫，直接回收人工智慧伺服器的熱能，用於建築物冷卻、供應附近的澡堂設施及支援工廠。示範計畫自 2026 年 7 月 16 日起至 2028 年 3 月 31 日止，東京都政府將針對符合資格的費用提供最高 5 億 2,000 萬日圓補助。
目錄
東京電力控股公司（TEPCO）與 MESH-X、NHK Technologies 合作，主導東京一處資料中心的相關工作。其目標是解決一項隨 AI 發展而日益嚴峻的實際問題：輸入運算設備的大部分電力最終會轉為熱能，營運商必須將熱量排除，才能讓機器持續運作。
東京都政府公告說明，這套系統利用蒸發為搭載圖形處理器（GPU）的伺服器降溫，同時直接以高溫回收伺服器產生的熱能。GPU 是能同時執行大量運算的晶片，是現代 AI 的核心元件。
這項計畫結合了通常分開處理的兩種需求：資料中心需要冷卻，鄰近建築與企業則需要熱能。回收有用的熱能，有機會讓同一份電力同時滿足運算與當地能源需求。
日本也在測試另一種方法：將 AI 運算移往不同城市，或調整運算時間，配合電力供應情況。這些實驗共同探討 AI 如何使用電力、在哪裡消耗電力，以及能源使用後的去向。
WaBiCo 如何回收晶片熱能
TEPCO 將這套方法稱為 WaBiCo，是 Watt Bit Cogeneration 的縮寫。這個名稱結合了代表功率單位的瓦特（watt），以及數位資訊單位位元（bit）。核心概念是將高效能電子設備同時視為運算資源與可利用的熱能來源。
這項冷卻技術將水置於低壓環境，約為標準大氣壓的一半，使水在約攝氏 80 度沸騰，而不是常見的攝氏 100 度。GPU 產生的熱能推動蒸發，讓系統能以適合其他用途的溫度回收熱能。
TEPCO 表示，系統採用專門設計的冷板，直接冷卻 GPU 並回收其熱能。這套循環方式利用熱能本身傳遞熱能，過程中不需要泵浦驅動。由於在晶片附近回收熱能，能取得溫度更高、用途更廣的熱能，不必讓熱量散逸在伺服器機房中。
溫度很重要，因為不同用途需要不同等級的熱能。難以回收的暖空氣用途有限；以約攝氏 80 度回收的熱能，則可供更多建築與工業用途使用，實際應用仍取決於設備與溫度需求。
規劃中的用途包括供熱給附近的澡堂設施與工廠、提供區域供暖，以及將回收熱能用作伺服器機房或鄰近設施的冷卻能源。以熱能驅動的冷卻系統，利用熱能運作冷卻循環，而非完全仰賴電力驅動的壓縮機。
東京補助與測試的內容
TEPCO 的計畫採用公告指出，東京都於 2026 年 6 月 30 日選定這項提案。TEPCO 為主責營運商；公告並列出東京都政府最高 5 億 2,000 萬日圓的補助金額，用於部分指定支出。
東京都產業勞動局將這項示範計畫納入《2050 東京戰略》，對應提升能源效率的目標。實際工作結合蒸發冷卻系統的開發，以及在真實營運環境中的測試。
計畫必須將回收的熱能輸送至有實際用途的地方。對澡堂設施而言，這代表穩定供應熱能；對工廠而言，則要配合工業製程所需的溫度與時段；對伺服器機房而言，則要將回收熱能整合進冷卻系統，確保營運可靠。
公告僅指出示範場址位於東京的一處資料中心，未公布熱能回收率、節電量、減碳幅度、具名熱能用戶或商業化啟動日期。這些成果將決定這套方法在試驗之外能發揮多大效益。
冷卻效率與熱能再利用代表不同效益
TEPCO 希望改善一項常見的資料中心效率指標：能源使用效率（Power Usage Effectiveness，PUE）。這項指標以設施使用的總電量，除以其運算設備使用的電量。數值越接近 1，代表冷卻及其他支援系統額外耗用的電力越少。
假設一處設施共使用 120 單位電力，其中電腦設備使用 100 單位，PUE 就是 1.2。減少額外使用的 20 單位電力，就能改善這項數值。東京計畫希望藉由改變晶片散熱方式，達到這類效益。
熱能再利用則可能帶來另一項好處：鄰近用戶可使用運算設備回收的能源，滿足部分供熱需求。電力仍用於伺服器運作，而有用的熱能則離開設施，供其他用途使用。
這兩種效益需要分開衡量。營運商必須追蹤冷卻耗電量、實際送達用戶的熱能，以及用戶若未取得這些熱能原本會消耗的能源。只有當接收設施能在熱能送達時加以利用，熱能連接才真正有價值。
晶片效率提升，AI 工作負載也持續擴大
NVIDIA 將能源視為 AI 基礎設施的根基。在 2026 年 1 月的達沃斯會議上，執行長黃仁勳將這個產業比喻為有五層的蛋糕：最底層是能源，其上依序是晶片、基礎設施、模型與應用程式。
NVIDIA 代表齋藤弘樹稱能源是 AI 的第一道關卡。他的說法也呈現運算需求變化之快。以 ChatGPT 於 2022 年 11 月推出為起點，他表示，2025 年 1 月 DeepSeek 推理模型所需的處理能力是當時的 100 倍；約一年後的 OpenClaw 自主代理，需求則約為 1,000 倍。
這些例子反映 AI 工作類型正在改變。推理模型會投入運算資源逐步解決問題，代理程式則能執行一連串任務。即使單顆晶片的效率不斷提升，更複雜的任務仍可能消耗更多運算能力。
NVIDIA 表示，Rubin 世代在相同功耗下，代理程式運算能力可達 Blackwell 的 10 倍。實際效益取決於設備的部署方式及執行的任務。
齋藤也指出營運優先事項正在改變。傳統資料中心著重維持服務不中斷；NVIDIA 所稱的「AI 工廠」則是以 AI 生產為核心建置的基礎設施，除了維持運作，也必須盡量提高有效運算產出。每單位電力的效能提升與需求增加同時發生，總耗電量則取決於兩者的變化。
電力需求驟變帶來另一項問題
AI 設施面臨的挑戰不只有總耗電量。在模型訓練期間，數十萬顆 GPU 可能在毫秒尺度內同步改變耗電量。電力設備必須承受這些快速變化，同時維持供電穩定。
為電力供應商與資料中心提供可靠度諮詢的 Uptime Institute 首席顧問安柏・維勒加斯－威廉森（Amber Villegas-Williamson）形容這種負荷：
AI 確實會造成非常特殊的電力需求，
維勒加斯－威廉森將設備磨損比喻為反覆加大汽車引擎的負荷，而不是維持穩定車速。特斯拉前主管、Heron Power Electronics 創辦人德魯・巴格利諾（Drew Baglino）表示，AI 用電需求短時間內可能比設施設計容量高出最多 50%。例如，一座設計容量為 1 吉瓦的資料中心，瞬間用電可能達到 1.5 吉瓦。
與這些負荷相關的設備故障包括渦輪機龜裂，以及電池在數週或數月內就需要更換。據報導，部分設施的可用率僅約 80%；停電造成的預估營收損失則視營運狀況而定，每分鐘從數千美元到數十萬美元不等。
北美電力可靠度公司（North American Electric Reliability Corporation）發現，涵蓋美國資料中心超過 33 吉瓦用電需求的負載模型中，約四分之三不足以呈現動態變化。這些模型可協助公用事業預測用戶對電力系統的影響，因此用電量快速變化已成為重要的規劃課題。
德州西部一座規劃容量為 2.67 吉瓦的園區，凸顯了排程上的影響。開發商 Joulent 為符合微軟要求的 99.999% 可靠度，增加了工程作業時間，使供電啟動日期從 2027 年延至 2028 年。在這種可靠度下，每年停機時間約為 5 分鐘。
移動運算，而非輸送電力
日本的第二項實驗著眼於 AI 在何時、何地消耗電力。J-Power、Cisco Systems、東日本旅客鐵道、日立及 Bitmedia 於 2026 年 10 月 8 日宣布，將在橫濱與北九州的 AI 資料中心之間進行連結示範。
試驗於 2026 年 8 月啟動，預定進行至 2027 年 2 月 1 日。測試內容為工作負載移轉，也就是依據電力與運算狀況，將運算任務指派至其他地點或安排在其他時間執行。
空間移轉是將運算工作交由另一座資料中心執行；時間移轉則是安排在其他時段執行。系統會考量再生能源發電預測、電力交易價格、供需情況、可用運算能力及災害資訊。
其中一個目標是利用原本可能遭限發的再生能源。當電網無法輸送或吸收所有可用電力，導致太陽能或風力發電暫時降低時，就會發生限電。將適合的 AI 工作移至這類電力充裕的地區或時段，有機會提高再生能源使用量。
各公司也將檢視移轉工作所增加的處理時間，以及如何維持服務品質。移動任務會帶來實際成本，因此試驗將同時衡量節電效益與運算效能所受的影響。
以鐵路光纖連結更大規模的實驗
五家公司也在上越新幹線沿線測試全光網路。位於越後湯澤、上毛高原及高崎車站的光傳輸設備，將使用既有鐵路光纖，檢驗震動與天候變化下的通訊品質。
測試項目包括訊號損耗、傳輸錯誤、延遲及延遲變化。若不同地點的運算設施需要協同運作，這些指標就十分重要。鐵路網路實驗是計畫中的獨立部分，與橫濱和北九州之間的工作負載移轉並行進行。
J-Power 主導聯盟並評估成果；日立建置工作負載移轉系統與光網路測試環境；Cisco 支援網路設計與測量；JR 東日本檢視鐵路通訊設備；Bitmedia 則負責開發資料中心內的系統。
這項工作延續 2026 年 4 月成立的協議會，JR 西日本光網路與名古屋鐵道也參與其中。更廣泛的目標是運用廣域光網路與工作負載移轉，協調分散式 AI 資料中心的營運。
以下主要時程顯示熱能與運算實驗如何並行：
- 2026 年 4 月：七家公司成立協議會，推動光網路與工作負載移轉。
- 2026 年 6 月 30 日：東京都選定 TEPCO 的熱能回收提案。
- 2026 年 7 月 16 日：東京熱能示範計畫啟動。
- 2026 年 8 月：橫濱與北九州的工作負載移轉試驗啟動。
- 2027 年 2 月 1 日：工作負載移轉示範計畫預定結束。
- 2028 年 3 月 31 日：東京熱能回收計畫預定結束。
日本希望以更少的能源浪費支援更多運算
日本一方面推動 AI 與半導體投資，一方面朝 2050 年碳中和目標邁進。台積電在熊本縣的工廠是日本產業擴張的一環。2022 年再生能源約占日本發電量的 22%，因此日本仍高度仰賴包括化石燃料在內的其他能源來源。
TEPCO 在第五次《綜合特別事業計畫》中，訂下到 2040 會計年度，讓東京首都圈資料中心需求成長躋身全球最高之列的目標。因此，熱能回收計畫與擴大產業規模的明確企圖並行。
熱能回收與工作負載移轉處理的是產業擴張的不同面向。WaBiCo 希望讓伺服器已消耗的電力產生更多有用成果；工作負載移轉則希望讓運算需求更符合電力供應情況。能承受電力快速波動的設備，也有助於確保這兩種方法所需的可靠度。
對附近社區而言，實際機會在於取得有用熱能，並讓資料中心與當地能源需求建立更緊密的連結。對營運商而言，測試關乎冷卻成本、有效運算時間及服務可靠度。下一個關鍵是實測效能：在電腦持續運作的同時，究竟能節省或再利用多少能源。
重點整理
- 東京都將為 TEPCO 的熱能回收示範計畫提供最高 5 億 2,000 萬日圓補助，適用於符合資格的費用。
- 計畫預定進行至 2028 年 3 月 31 日，目標用途包括冷卻、澡堂設施、工廠及區域供暖。
- WaBiCo 利用低壓蒸發，直接從 GPU 回收有用熱能。
- 另一項試驗將 AI 工作移轉至橫濱與北九州之間，並調整執行時段以配合電力狀況。
- AI 用電量快速波動也造成設備與可靠度問題。
- 實際節電量、回收熱能供應量及營運效能，將決定這些示範計畫的實用價值。
