核电厂用 AI 安全吗？

关键在于用在哪一层。目前的实际应用集中在文件处理、分类与资讯检索这类行政与工程支援作业，不涉及机组控制。安全相关的决策仍由人负责，AI 做的是把资料整理到人面前。这个界线划得清楚，才有办法通过核能业的审查。

为什么工业 AI 要加物理模型？

纯资料驱动的模型可能给出统计上合理但物理上不可能的建议，例如违反质量平衡的操作参数。工程师看到这种输出就再也不信任系统了。加上物理约束后，AI 的建议至少落在物理可行的范围内——这是能不能被采用的分水岭，不是技术上的装饰。

台湾的石化厂导入难度在哪？

最大的难点通常不是技术而是资料：控制系统的历史资料有没有完整保存、标记是否一致、跨厂区能否打通。多数老厂在这一关就卡住。建议先做资料盘点再谈选型，否则买了系统也喂不饱它。

台湾核电机组都要除役了，这些工具还有意义吗？

有。除役工程、核废料管理与相关法遵文件量依然庞大，而且这类工具的方法论——把大量非结构化技术文件变成可检索、可自动分类的资产——对台电、中油与半导体厂务都有直接的参考价值。

连核电厂都在用 AI 了：能源业导入的三种路径与台湾的功课

北美与英国逾 70 座核电设施在用 AI 筛条件报告，炼油厂的 AI 预测要先通过质量守恒检验才敢采用。这篇拆解能源与公用事业导入 AI 的三种路径，以及为什么「工程师敢不敢照着做」比模型多大更重要。

一位在云林六轻待了二十年的制程工程师跟我说过一句话，我一直记着：「我们厂里感测器多到爆，但真正拿来做决定的，大概就那几个表。」

这句话后来被一家英国新创讲成了数字。Applied Computing 说，炼油与石化厂做营运决策时，用到的资料不到可取得资料的 8%。

剩下那 92% 去哪了？躺在资料历史库里，没人有空看。

为什么能源业特别难

能源与公用事业导入 AI 的难度，跟一般企业完全不是同一个量级。原因有三个。

监理极严。 核电厂的每一份文件都可能被稽核，每一个决策都要能追溯。一个「模型说的」不能当理由。

错误代价极高。 电商推荐错了商品，损失是一笔订单；炼油厂的操作参数错了，可能是停炉、是安全事故。

工程师不信任黑箱。 这点最关键，却最少被讨论。你给一个资深工程师一个「AI 建议把温度调高 5 度」的画面，他第一个问题一定是「为什么」。答不出来，这个系统就是装饰品。

正因为这么难，能源业的 AI 落地案例特别值得看——能通过这里的审查，等于通过了最严格的压力测试。

路径一：先做文件，不碰控制

最务实的切入点，是那些「重要但不会炸掉」的工作。

Nuclearn 是这条路径的代表。它做的是核电厂的文件与工作流自动化——条件报告的自动分类与筛选、设备与零件资料查询、工程文件检索问答。产品线按实际部门切分：Equipment AI、Parts AI、Engineering AI、Performance Improvement AI，还有一个叫 AtomAssist 的核能专用聊天机器人。

它的诉求很朴素：「更快的作业、更低的积压、更少的风险」。公司服务北美与英国逾 70 座核电设施，创办团队来自 Palo Verde 核电厂等机构。

注意它刻意不碰什么：机组控制、安全相关决策，一律不碰。所有 AI 产出都送到人面前，由人决定。这个自我设限不是保守，是它能被采用的原因。

核电厂是全世界文件最多的产业之一，每一个异常都要开条件报告、每一份都要人工分类与筛选。这种「量大、规则明确、但耗掉工程师大量时间」的工作，正是 AI 的甜蜜点。

路径二：用物理当守门员

第二条路径更技术，也更聪明。

Applied Computing 的产品 Orbital 由三个模型叠在一起。时间序列模型接上控制系统与资料历史库，预测趋势并侦测异常；语言模型以化学工程知识训练，可解读厂内文件并提出行动建议。

而中间那一层是关键：物理模型负责把关，确保预测结果符合质量平衡、能量守恒与反应动力学。

这个设计解决的正是前面说的信任问题。纯资料驱动的模型可能给出统计上看起来合理、但物理上根本不可能的建议。工程师看到一次这种输出，这套系统在他心里就死了。

加上物理约束之后，AI 的建议至少落在物理可行的范围内，工程师可以自己验证「这个建议合不合理」。这才是能不能被采纳的分水岭。

公司总部在伦敦、采远距优先，创办人为帝国理工学院校友，前壳牌 AI 专案负责人 Dan Jeavons 担任总裁，已完成 900 万英镑种子轮募资。有壳牌的实务背景，这件事在这个产业里本身就是通行证。

路径三：解决「盖不出来」的问题

第三条路径跳得更远。

Everstar 针对的不是既有电厂的营运，而是新建核电厂盖不出来的问题。它的 Gordian 是核能作业的 AI 平台，涵盖工程、法规许可、认证与人员培训；Titan 则是规模化的制造系统，公司提出「2050 年前在美国建成 400 GW」的目标。

它切入的六个环节是：工程与法规许可、供应商认证、人力培育、制造品管、施工效率，以及电厂自主运转。官方定位是「把核能从纸上搬到钢铁」。

这里要讲清楚一件事：AI 能加速的是文件准备、资料检索与一致性检核这些占用大量工时的环节，主管机关的审查本身仍需时间。合理的理解是压缩「等待送件」，不是压缩「监理审查」。

不过这个公司的存在本身就说明了一件事：核能复兴真正的瓶颈在执行面，不在技术面。 不是不会盖，是流程、供应链与人才都断了。

顺带一提，Overstory 也属于这个大类——它用卫星影像分析电线旁的植被风险，服务北美前十大电力公司中的六家，把电力公司的修剪预算从「按周期」变成「按风险」。

市场影响分析

对台湾使用者

一般人不会直接用到这些工具，但影响是间接而真实的：停电少一点、电费稳一点、工安事故少一点。Overstory 那种植被风险管理，台湾每年台风季的树倒停电就是同一个题目。

对台湾企业

这一段才是重点。台湾的石化（中油、台塑集团体系）、电力（台电）、半导体厂务，都是这类技术的典型场景——设备老、资料多、经验知识绑在资深工程师身上，而那批工程师正在退休。

但我要很诚实地说：多数台湾厂商会卡在资料，不是卡在模型。 控制系统的历史资料有没有完整保存？不同厂区的标记格式一不一致？跨系统能不能打通？这三题答不出来，买什么系统都没用。

建议的顺序是：先做资料盘点 → 挑一个小范围的文件自动化试点 → 累积内部信任 → 再谈制程最佳化。不要反过来。

对开发者

如果你在做工业 AI，Applied Computing 的架构值得抄：不要只做预测，要做可验证的预测。 把领域的物理或业务规则做成约束层，让使用者能自己检查输出合不合理。这比再大的模型都值钱。

另外，「垂直深耕」在这个领域是真的护城河。Nuclearn 强调自己不是在通用大型语言模型外包一层介面，而是为核能环境量身打造——这个差异在监理严格的产业里，是能不能拿到订单的分野。

未来发展趋势

一、AI 电力需求会反过来推动能源业的 AI 化。 资料中心的用电需求正在改变电力业的营运压力，而应对这个压力的工具之一，恰好就是 AI。这个回圈会越转越快。台湾的相关讨论可参考台湾资料中心用电总体检。

二、「可稽核性」会成为工业 AI 的标配。 监理严格的产业会要求 AI 的每一个输出都能追溯到来源与依据。这会逼着整个工业 AI 市场往可解释的方向走。

三、退休潮是最大的推力。 台湾制程产业的资深工程师大量退休，那些绑在人脑里的知识正在流失。把技术文件变成可检索、可问答的资产，这件事的急迫性只会越来越高。

TheAI学院总结与评语

我对这个领域最深的感受是：能源业的 AI 导入，教会我们的其实是「怎么让人愿意相信 AI」。

不是把模型做大，是把界线划清楚（哪些 AI 做、哪些人做）、把输出变得可验证（物理约束、来源追溯）、把应用从最不会出事的地方开始（文件而非控制）。

这三招放到任何产业都适用，只是别的产业没有被逼到必须这么做。

评语：连监理最严、最保守的核能业都在用 AI 处理文件了，其他产业说「我们比较特殊所以不能用」的理由，越来越站不住脚。

给台湾读者的具体建议：如果你在制程、电力或任何重工业的资讯或工程部门，这个月就做一件事——盘点你们的技术文件到底存在哪里、有多少、格式是什么。 我敢说多数公司答不出来。而这个答案，才是决定你三年后能不能导入 AI 的真正变数，不是预算。

延伸阅读：AI 预测性维护指南讲的是同一个脉络的入门版；企业内部工具的建置可参考 AI 内部工具建置指南；更多制造与工业 AI 工具在工具总览。

资料来源

依公开资讯整理、以官方为准。本文不构成任何投资或工程决策建议，实际导入请咨询专业顾问。