連核電廠都在用 AI 了：能源業導入的三種路徑與台灣的功課
北美與英國逾 70 座核電設施在用 AI 篩條件報告，煉油廠的 AI 預測要先通過質量守恆檢驗才敢採用。這篇拆解能源與公用事業導入 AI 的三種路徑，以及為什麼「工程師敢不敢照著做」比模型多大更重要。
一位在雲林六輕待了二十年的製程工程師跟我說過一句話，我一直記著：「我們廠裡感測器多到爆，但真正拿來做決定的，大概就那幾個表。」
這句話後來被一家英國新創講成了數字。Applied Computing 說，煉油與石化廠做營運決策時，用到的資料不到可取得資料的 8%。
剩下那 92% 去哪了？躺在資料歷史庫裡，沒人有空看。
為什麼能源業特別難
能源與公用事業導入 AI 的難度，跟一般企業完全不是同一個量級。原因有三個。
監理極嚴。 核電廠的每一份文件都可能被稽核，每一個決策都要能追溯。一個「模型說的」不能當理由。
錯誤代價極高。 電商推薦錯了商品，損失是一筆訂單；煉油廠的操作參數錯了，可能是停爐、是安全事故。
工程師不信任黑箱。 這點最關鍵，卻最少被討論。你給一個資深工程師一個「AI 建議把溫度調高 5 度」的畫面，他第一個問題一定是「為什麼」。答不出來，這個系統就是裝飾品。
正因為這麼難，能源業的 AI 落地案例特別值得看——能通過這裡的審查，等於通過了最嚴格的壓力測試。
路徑一：先做文件，不碰控制
最務實的切入點，是那些「重要但不會炸掉」的工作。
Nuclearn 是這條路徑的代表。它做的是核電廠的文件與工作流自動化——條件報告的自動分類與篩選、設備與零件資料查詢、工程文件檢索問答。產品線按實際部門切分：Equipment AI、Parts AI、Engineering AI、Performance Improvement AI，還有一個叫 AtomAssist 的核能專用聊天機器人。
它的訴求很樸素：「更快的作業、更低的積壓、更少的風險」。公司服務北美與英國逾 70 座核電設施，創辦團隊來自 Palo Verde 核電廠等機構。
注意它刻意不碰什麼：機組控制、安全相關決策，一律不碰。所有 AI 產出都送到人面前，由人決定。這個自我設限不是保守，是它能被採用的原因。
核電廠是全世界文件最多的產業之一，每一個異常都要開條件報告、每一份都要人工分類與篩選。這種「量大、規則明確、但耗掉工程師大量時間」的工作，正是 AI 的甜蜜點。
路徑二：用物理當守門員
第二條路徑更技術，也更聰明。
Applied Computing 的產品 Orbital 由三個模型疊在一起。時間序列模型接上控制系統與資料歷史庫，預測趨勢並偵測異常；語言模型以化學工程知識訓練，可解讀廠內文件並提出行動建議。
而中間那一層是關鍵：物理模型負責把關，確保預測結果符合質量平衡、能量守恆與反應動力學。
這個設計解決的正是前面說的信任問題。純資料驅動的模型可能給出統計上看起來合理、但物理上根本不可能的建議。工程師看到一次這種輸出，這套系統在他心裡就死了。
加上物理約束之後，AI 的建議至少落在物理可行的範圍內，工程師可以自己驗證「這個建議合不合理」。這才是能不能被採納的分水嶺。
公司總部在倫敦、採遠距優先，創辦人為帝國理工學院校友，前殼牌 AI 專案負責人 Dan Jeavons 擔任總裁，已完成 900 萬英鎊種子輪募資。有殼牌的實務背景，這件事在這個產業裡本身就是通行證。
路徑三：解決「蓋不出來」的問題
第三條路徑跳得更遠。
Everstar 針對的不是既有電廠的營運，而是新建核電廠蓋不出來的問題。它的 Gordian 是核能作業的 AI 平台，涵蓋工程、法規許可、認證與人員培訓；Titan 則是規模化的製造系統，公司提出「2050 年前在美國建成 400 GW」的目標。
它切入的六個環節是：工程與法規許可、供應商認證、人力培育、製造品管、施工效率，以及電廠自主運轉。官方定位是「把核能從紙上搬到鋼鐵」。
這裡要講清楚一件事：AI 能加速的是文件準備、資料檢索與一致性檢核這些佔用大量工時的環節，主管機關的審查本身仍需時間。合理的理解是壓縮「等待送件」，不是壓縮「監理審查」。
不過這個公司的存在本身就說明了一件事：核能復興真正的瓶頸在執行面，不在技術面。 不是不會蓋，是流程、供應鏈與人才都斷了。
順帶一提，Overstory 也屬於這個大類——它用衛星影像分析電線旁的植被風險，服務北美前十大電力公司中的六家，把電力公司的修剪預算從「按週期」變成「按風險」。
市場影響分析
對台灣使用者
一般人不會直接用到這些工具，但影響是間接而真實的：停電少一點、電費穩一點、工安事故少一點。Overstory 那種植被風險管理，台灣每年颱風季的樹倒停電就是同一個題目。
對台灣企業
這一段才是重點。台灣的石化（中油、台塑集團體系）、電力（台電）、半導體廠務，都是這類技術的典型場景——設備老、資料多、經驗知識綁在資深工程師身上，而那批工程師正在退休。
但我要很誠實地說：多數台灣廠商會卡在資料，不是卡在模型。 控制系統的歷史資料有沒有完整保存？不同廠區的標記格式一不一致？跨系統能不能打通？這三題答不出來，買什麼系統都沒用。
建議的順序是：先做資料盤點 → 挑一個小範圍的文件自動化試點 → 累積內部信任 → 再談製程最佳化。不要反過來。
對開發者
如果你在做工業 AI，Applied Computing 的架構值得抄：不要只做預測，要做可驗證的預測。 把領域的物理或業務規則做成約束層，讓使用者能自己檢查輸出合不合理。這比再大的模型都值錢。
另外，「垂直深耕」在這個領域是真的護城河。Nuclearn 強調自己不是在通用大型語言模型外包一層介面，而是為核能環境量身打造——這個差異在監理嚴格的產業裡，是能不能拿到訂單的分野。
未來發展趨勢
一、AI 電力需求會反過來推動能源業的 AI 化。 資料中心的用電需求正在改變電力業的營運壓力，而應對這個壓力的工具之一，恰好就是 AI。這個迴圈會越轉越快。台灣的相關討論可參考 台灣資料中心用電總體檢。
二、「可稽核性」會成為工業 AI 的標配。 監理嚴格的產業會要求 AI 的每一個輸出都能追溯到來源與依據。這會逼著整個工業 AI 市場往可解釋的方向走。
三、退休潮是最大的推力。 台灣製程產業的資深工程師大量退休，那些綁在人腦裡的知識正在流失。把技術文件變成可檢索、可問答的資產，這件事的急迫性只會越來越高。
TheAI學院 總結與評語
我對這個領域最深的感受是：能源業的 AI 導入，教會我們的其實是「怎麼讓人願意相信 AI」。
不是把模型做大，是把界線劃清楚（哪些 AI 做、哪些人做）、把輸出變得可驗證（物理約束、來源追溯）、把應用從最不會出事的地方開始（文件而非控制）。
這三招放到任何產業都適用，只是別的產業沒有被逼到必須這麼做。
評語：連監理最嚴、最保守的核能業都在用 AI 處理文件了，其他產業說「我們比較特殊所以不能用」的理由，越來越站不住腳。
給台灣讀者的具體建議：如果你在製程、電力或任何重工業的資訊或工程部門，這個月就做一件事——盤點你們的技術文件到底存在哪裡、有多少、格式是什麼。 我敢說多數公司答不出來。而這個答案，才是決定你三年後能不能導入 AI 的真正變數，不是預算。
延伸閱讀：AI 預測性維護指南 講的是同一個脈絡的入門版；企業內部工具的建置可參考 AI 內部工具建置指南；更多製造與工業 AI 工具在 工具總覽。
資料來源
依公開資訊整理、以官方為準。本文不構成任何投資或工程決策建議，實際導入請諮詢專業顧問。
常見問題
核電廠用 AI 安全嗎？
關鍵在於用在哪一層。目前的實際應用集中在文件處理、分類與資訊檢索這類行政與工程支援作業，不涉及機組控制。安全相關的決策仍由人負責，AI 做的是把資料整理到人面前。這個界線劃得清楚，才有辦法通過核能業的審查。
為什麼工業 AI 要加物理模型？
純資料驅動的模型可能給出統計上合理但物理上不可能的建議，例如違反質量平衡的操作參數。工程師看到這種輸出就再也不信任系統了。加上物理約束後，AI 的建議至少落在物理可行的範圍內——這是能不能被採用的分水嶺，不是技術上的裝飾。
台灣的石化廠導入難度在哪？
最大的難點通常不是技術而是資料：控制系統的歷史資料有沒有完整保存、標記是否一致、跨廠區能否打通。多數老廠在這一關就卡住。建議先做資料盤點再談選型，否則買了系統也餵不飽它。
台灣核電機組都要除役了，這些工具還有意義嗎？
有。除役工程、核廢料管理與相關法遵文件量依然龐大，而且這類工具的方法論——把大量非結構化技術文件變成可檢索、可自動分類的資產——對台電、中油與半導體廠務都有直接的參考價值。
