若人工智慧（AI）長期大幅侵蝕勞動稅基，各國政府應考慮對AI課徵算力稅（compute tax）。算力稅是AI時代可考慮的新稅源，但它應嵌入能源、產業政策與社會政策，不能獨自孤立設計。

課AI恐侵蝕所得稅基

「算力稅」是指政府針對支撐AI模型訓練、推論與部署的運算資源所課徵的專門稅。其稅基可能是資料中心用電量、GPU或AI加速器數量、晶片效能、浮點運算量、雲端算力租用金額，或生成式AI輸出的token數量。

算力稅主要源於兩個背景：第一，AI可能替代部分人類勞動，致使依賴薪資所得的稅基受到侵蝕；第二，大型模型與資料中心迅速擴張，帶來電力、碳排、水資源、電網投資與市場集中等外部成本。國際能源署估計，全球資料中心用電在基準情境下於2030年可能達到約945 TWh，接近全球用電的3%，其中AI驅動的加速伺服器的用電成長尤其快速。

算力稅認定與估算難度高

從公共財的角度來看，算力稅的核心問題不只是「AI企業是否應多繳稅」，而是政府應否把AI的基礎投入本身作為稅基。以財政理論評估AI稅制，可區分對「最終消費服務」課稅與對「生產性資本」課稅。前者較接近一般消費稅，但後者恐怕會抑制投資與創新。因此，算力稅若設計為對消費端AI服務收費，性質會比較溫和；若直接針對GPU、資料中心或模型訓練課稅，則更像是對AI基礎建設加徵成本，政策的效果會截然不同。

就可行性而言，算力稅符合受益納稅原則，惟不能低估其執行難度。

若以電力為稅基，稅務機關可利用電表、電力契約與資料中心登記制度執行，成本相對較低，但此種方法過於粗糙，因為資料中心亦承載搜尋、影音、金融交易、雲端儲存與政府服務。

若以GPU或AI晶片為稅基，政府可透過進口、銷售與折舊資料掌握設備，但硬體壽命、利用率、二手市場與跨境租用，會使得稅負與實際算力不一致。

若以FLOPs或token為稅基，理論上最精準，卻要求企業揭露其模型架構、訓練紀錄、推論量與雲端調度資料，既有商業機密與資安疑慮，也會增加稽核的成本。

算力稅類似於庇古稅

算力稅可為社會轉型籌措財源。若AI確實降低部分職位需求，政府需擴大失業保險、再訓練、教育補助。課徵算力稅可把AI產業成長的一部分收益導向社會安全網，使技術紅利不完全集中於少數平台、晶片供應商與資料中心業者。算力稅可作為庇古式稅收（Pigouvian tax），用於AI轉型基金、再培訓與可能的全民紅利。

其次，可用於改善大型資料中心需要穩定供電、冷卻系統，推升地方電網投資與減輕尖峰負載成本。若算力稅率依能源效率、碳強度、用水壓力或尖峰用電分級課稅，算力稅就不只是「懲罰AI」，而是鼓勵企業把資料中心設在低碳電力充足、電網容量較高，且水資源壓力較低的地點。  

應避免企業投入避稅工程

然而，徵收算力稅亦有缺點，它可能降低創新與生產力成長。如果政府在技術尚未成熟普及時即大幅課徵算力稅，可能使企業的模型訓練與部署成本上升，削弱國際競爭力。

其次，租稅歸宿不一定會落在獲取暴利的大型AI企業，雲端服務商可能把稅負轉嫁給大學研究機構、醫院與一般使用者，使資本雄厚的平台反而更有能力轉嫁成本。換言之，若算力稅沒有設定研發、公益團體、大學等學術機構與中小企業的豁免或退稅機制，很可能削弱本來最需要AI工具提升效率的弱勢部門。

其三，算力具有高度可移動性，若只有單一國家課徵算力稅，資料中心投資可能外移，稅基反而縮小。因此，多邊協調是可行性的關鍵。最理想的方式是，主要經濟體可建立共同定義、最低稅率、能源與硬體申報標準，以及避免重複課稅的抵免制度。

其四，算力稅可能產生「錯誤誘因」。若稅制只按總用電課徵，企業可能為了降低帳面用電而外包到監管較弱地區，總排放未必下降。若只按晶片性能課徵，企業可能延長舊設備使用年限，反而降低能源效率。若按token課徵，企業可能壓縮輸出、改變計價方式，或把推論流程拆分到多個司法管轄區。

結語

總之，良好的算力稅應該避免讓企業把資源投入避稅工程，而是投入高效率晶片、低碳能源與安全治理，也因此稅率不宜過高。

（作者係廣東海洋大學台籍教授）