舊倉儲也能超越新建築節能標準——Amazon Grocery 用 AI 讓既有 HVAC 系統省下比預期多一倍的電

DIGITIMES / 台北
2025-12-30 00:00:00

一位負責管理 50 個零售配送中心的設施總監，正盯著螢幕上持續攀升的能源帳單。這些建築大多是 10 到 15 年前建造的，當時的 HVAC (暖通空調) 系統設計標準遠不如今日嚴格。每個月的電費帳單顯示，光是維持室內溫度和空氣品質，就佔了整體營運成本的 30% 到 40%。

他知道問題所在：這些系統運作時採用固定的時間表和溫度設定，完全無視實際的負載變化——週一早晨人流量大時，系統可能供冷不足；深夜貨物已經理完、倉庫空無一人時，冷氣卻還在全力運轉。更糟的是，這些既有建築要進行「深度節能改造」通常意味著巨額投資：拆除舊設備、安裝新型高效能系統、重新配置管線、還要忍受數週的營運中斷。

財務部門已經明確表示，資本支出預算緊縮，不可能一次性投入數百萬美元更換所有設施的 HVAC 系統。但企業的 ESG 承諾又不能食言——董事會已宣示 2040 淨零碳排。這位總監面臨兩難：如何在不投資大筆資金、不中斷營運的前提下大幅節能？Amazon 與 Trane Technologies 的合作證明：透過 AI 技術改造既有系統，不僅能達標，甚至能超越新建築能效。

目標是省 7%，結果省了 15%——三個試點設施如何超出預期一倍？

2024 年，Trane Technologies 旗下的 BrainBox AI 系統被選入 Amazon Sustainability Accelerator 氣候科技試點計畫，獲得在 Amazon Grocery 實際營運環境中測試技術的機會。計畫初期，雙方團隊針對北美三個 Amazon Grocery 履行中心 (fulfillment centers) 進行部署，設定的節能目標是降低 7% 的 HVAC 能源使用——這已經是相當進取的目標，因為這些設施的 HVAC 系統已經運行多年，過去的節能優化空間理論上已經很有限。

但實際結果遠遠超出預期。在 BrainBox AI 系統運行數個月後，三個試點設施的實際能源使用降低幅度達到近 15%，幾乎是原始目標的兩倍。這個成果不是透過犧牲室內環境品質達成的——溫度、濕度、以及空氣品質的監測數據顯示，所有指標都維持在舒適範圍內，甚至在某些時段因為更精確的控制而有所改善。對於 Amazon 這樣規模的企業來說，15% 的能源節省意味著什麼？以單一中型履行中心每年 50 萬美元的 HVAC 能源成本估算，15% 的節省相當於每年節省 75,000 美元——在 30 個設施規模化後，這個數字將達到每年 225 萬美元。更重要的是碳排放的減少：根據美國能源資訊署 (EIA) 的數據，商業建築每節省 1 度電約等於減少 0.4 公斤的碳排放，三個試點設施的年度碳排放減少量相當於 200 多輛汽車一年的排放量。

傳統 BEMS 系統依賴靜態規則 (如「高於 28°C 則啟動」)，無法適應動態變化。BrainBox AI 作為自主學習系統，發現了三個優化關鍵：

預測性控制取代反應性控制

傳統系統等溫度超標才啟動，BrainBox AI 則分析天氣預報與熱慣性，提前 1-2 小時溫和調整。這避免了高峰時段的「全力運轉」 (效率最差模式)，並利用清晨低成本能源預冷，實現「削峰填谷」。

區域化的精準控制

不同區域 (冷藏、常溫、辦公) 熱負載不同。傳統集中控制常導致「過度供冷」。BrainBox AI 為每個區域建立獨立熱模型：冷藏區保持低溫，但辦公區在非上班時間允許波動，分揀區在深夜自動降載。

設備效能的動態優化

系統發現某些設備組合效率更高。例如在中負載時，運行兩台 50% 功率壓縮機可能比一台 100% 更省電。AI 持續實驗找出最佳組合，這是人類操作者難以即時手動完成的微調。

10 種 AWS 服務如何協作——從資料收集到自主決策的完整技術堆疊

BrainBox AI 系統能夠達成超出預期的節能效果，關鍵在於它建立在一個強大的雲端 AI 技術堆疊之上。這個堆疊整合了超過 10 種 AWS 核心服務，涵蓋從資料收集、儲存、處理、模型訓練、到即時推論的完整生命周期。

BrainBox AI 建立在整合 10+ 種 AWS 服務的雲端堆疊上，實現從感知到決策的完整循環：

1. 資料收集與儲存 (IoT & S3)

設施部署大量感測器 (每分鐘回報)，單一設施每日產生數百萬數據點。Amazon S3 作為資料湖，儲存所有原始數據與歷史決策，確保無限擴展性，支援長期模型優化與異常偵測。

2. 即時處理與特徵工程 (Lambda)

AWS Lambda 無伺服器運算處理清洗與特徵提取：偵測故障感測器、補值、計算「與室外溫差」等衍生指標。Lambda 的彈性讓系統能自動應對資料洪峰，優化成本。

3. 模型訓練與自動化 (SageMaker)

使用 Amazon SageMaker AI 訓練熱負載預測、設備效能與舒適度模型。AutoML 加速了模型迭代，找出最佳演算法配置，並部署到即時推論端點。

4. 生成式自主決策 (Bedrock)

決策引擎整合 Amazon Bedrock 處理多目標優化問題 (如平衡成本與舒適度)。Bedrock 不僅生成最佳策略，還能提供可解釋的決策說明 (例如「因預測下午高溫，系統提前預冷」)，讓管理者理解 AI 邏輯。

5. 全域監控與警報 (CloudWatch)

Amazon CloudWatch 收集效能指標 (節能率、推論延遲、舒適度)，在儀表板呈現並監控異常。若節能效果下降或舒適度超標，系統立即通知營運團隊，實現主動式維護。

採用「邊緣推論、雲端學習」架構：控制在邊緣執行保證可靠性，訓練在雲端進行利用強大算力。

為何舊系統能超越新建築——自主學習機制的三個關鍵特性

BrainBox AI 擁有傳統 BEMS 缺乏的自主學習能力，主要體現在三個特性：

數位雙生模型的持續校準

系統建立建築的熱力學數位雙生 (Digital Twin)，並持續進行模型適應 (model adaptation) 。每次控制後，系統比對預測與實際溫變，自動調整模型參數。這讓系統能適應建築老化 (如氣密性下降) 或季節變化，保持預測精準。

強化學習驅動策略

有別於模仿人類的監督式學習，系統採用強化學習 (Reinforcement Learning) 透過「試錯」尋找獎勵最大化的策略 (低耗能、高舒適、少磨損)。經過數月學習，系統往往能發現人類專家未想到的優化路徑。

跨設施知識遷移

一個設施學到的經驗 (如氣溫驟升時的最佳預冷策略) 可透過遷移學習 (Transfer Learning) 應用到新設施。這縮短了新據點的「學習期」，讓後續部署的設施能更快達到最優效能。

這使 AI 變得比人類工程師更了解建築：它能同時追蹤數百變數、全天候學習，讓既有建築的控制智慧超越尚未經過實戰訓練的新建築。

從 3 個到 30 個設施——2026 年規模化部署的挑戰與策略

Amazon 與 Trane Technologies 計畫 2026 年擴展至 30+ 個據點，這涉及三大挑戰的克服：

部署速度與成本控制

試點耗時數週，規模化後這不可行。團隊開發「快速部署套件」：標準化感測器配置、自動整合腳本、以及遠端調試能力。現在單一設施部署縮短至 3-5 天，大幅降低人力成本。

多樣性與客製化的平衡

各設施條件不同，一刀切行不通。解決方案是模組化配置框架：統一核心 AI 引擎以保證品質，但提供針對性配置選項 (如區域優先級)，確保既有一致性又能適應個別需求。

效能保證與網路效應

如何確保所有設施都能省 15%？策略包括建立基準線監控與定期模型再訓練。此外，規模化帶來網路效應：系統看過 30 個設施的表現後，對策略的理解更深刻，提升了整體可靠度。

AWS 自身的 ESG 實踐——從 AI 晶片到資料中心的能源效率革命

AWS 不僅協助客戶節能，也在自身基礎設施層面推動能源效率革命：

Trainium3：AI 運算的能源效率突破

Trainium3 晶片採用 3 奈米製程，相較前代能源效率提升 40%。這得益於電晶體密度提高、記憶體優化與動態功率管理。客戶實測顯示在訓練/推論任務上可節省高達 50% 成本，大幅減少碳足跡。 ### Graviton5：通用運算的極致效能 Graviton5 處理器提供 25% 效能提升，並採用「裸晶冷卻」技術提升散熱效率，降低風扇能耗。目前 98% 的 AWS 前千大客戶已採用，享受高性能與低能耗的雙重優勢。 ### AI Factories：資料中心級別優化 AI Factories 結合液冷技術、動態功率管理與廢熱回收，專為 AI 負載設計。相較於一般企業資料中心，AWS 雲端基礎設施可降低高達 72% 的碳排放。

完整的永續策略——從建築到雲端的端對端減碳路徑

Amazon 的 **The Climate Pledge** 承諾 2040 淨零碳排，需要端對端策略：

1. 既有資產的智慧化改造

拆除重建不環保，BrainBox AI 證明軟體優化先行是絕大數企業的可行路徑。透過 AI 改造既有系統，能在不更換硬體下立即見效。

2. 新建設施的高效能標準

新設施從設計整合先進隔熱、高效 HVAC 與 AI 控制，並預留太陽能與儲能空間，打造「可再生能源就緒」的建築。

3. 雲端基礎設施優化

AWS 持續優化 PUE (目標 1.2)，並承諾 2025 年達成 100% 可再生能源供電，成為全球最大企業綠能採購者。

4. 生態系的技術擴散

單靠自身不夠，Amazon Sustainability Accelerator 培育新創 (如 BrainBox AI)，透過驗證與推廣，將永續創新的效應放大至整個產業。

這顯示了系統性思考的價值：當建築優化、硬體升級、綠能採用與生態系協作同時推進，減碳效果將遠超個別措施的總和。

從試點到標準——AI 驅動的建築能源管理新常態

BrainBox AI 在 Amazon Grocery 設施的成功，以及計畫在 2026 年擴展到 30 個以上據點的路線圖，標誌著建築能源管理領域的典範轉移。過去，「節能」往往意味著昂貴的硬體升級、漫長的投資回收期、以及營運中斷的風險。BrainBox AI 的案例證明了另一條路徑：透過 AI 技術優化既有系統，可以在數月內實現顯著節能、無需大規模資本投資、並且持續改進而非一次性提升。

這個案例對其他產業和企業具有重要的啟示意義。零售、物流、製造、醫療、教育——幾乎所有擁有大量既有建築的行業都面臨類似的挑戰：如何在成本可控的前提下大幅降低能源消耗和碳排放？傳統的「硬體更換」路徑對大多數企業來說成本過高、風險過大。AI 驅動的「軟體優化」路徑提供了一個更可行的選擇——它降低了門檻、縮短了回收期、並且能夠持續適應變化。

更重要的是，這個案例展示了雲端 AI 平台的槓桿效應。BrainBox AI 之所以能快速開發和部署這樣複雜的系統，很大程度上是因為它站在 AWS 提供的強大雲端基礎設施之上——不需要自己建立資料中心、不需要從頭開發機器學習框架、不需要管理複雜的 DevOps 流程。AWS 提供的 Amazon S3、Amazon SageMaker AI、Amazon Bedrock、Amazon CloudWatch 等服務就像「樂高積木」，讓 BrainBox AI 能專注於建築能源管理的領域知識，快速組裝出功能完整的解決方案。這種模式大幅降低了創新的門檻——其他領域的新創公司和企業團隊也能使用類似的雲端工具堆疊，快速開發針對自己產業痛點的 AI 解決方案。

隨著越來越多的設施採用 AI 驅動的能源管理，一個新的常態正在形成：建築不再是被動的能源消耗者，而是能夠自主優化、持續學習、並與電網智慧互動的主動參與者。這個轉變不僅關乎節省成本或減少碳排放 (雖然這些都很重要)，更根本的是它改變了我們對建築和能源系統的想像——從「固定的、機械的」走向「靈活的、智慧的」。在這個新常態下，「舊倉儲超越新建築節能標準」不再是令人驚訝的例外，而是可以預期的結果。

想了解如何透過 AI 技術優化你的既有建築能源系統？或探討如何將 BrainBox AI 的成功經驗應用到你的設施管理策略？立即聯絡 AWS 台灣團隊，我們的解決方案架構師將協助你評估 AI 驅動節能方案的可行性與投資回報，從能源帳單的負擔邁向智慧化永續營運的新階段。

無法去拉斯維加斯親自體驗？歡迎報名參與Best of AWS re:Invent (AWS 雲端科技發表會) 線上參與，一樣精彩！https://go.aws/48uR2Tx

參考資料：

關鍵字