人工智能可以帮助优化复杂的能源系统
能源系统是复杂且不断发展的。它正变得越来越电气化、数字化、互联化和分散化，成本压力越来越大。这些驱动因素鼓励能源公司部署利用人工智能来优化系统、改善生产、降低成本、提高效率、延长正常运行时间、减少排放和增强安全性的应用程序。
人工智能在能源领域应用的许多预期目标——例如降低成本、增强可靠性和提高弹性——在更广泛的部门层面上难以量化，超出个别案例研究的范围。预测未来可能出现的人工智能应用程序的性质、采用和影响也具有挑战性。鉴于这些限制，我们通过广泛采用案例探讨了到 2035 年已知人工智能应用在行业层面的影响。本案例仅考虑现有的人工智能主导的干预措施，这些干预措施以真实案例研究为依据，可以扩展到部门层面。它假设在全部门采用这些人工智能主导的干预措施的许多现有障碍都已克服。但它没有考虑人工智能主导的干预措施的全部理论潜力，因为它考虑了某些无法克服的结构性问题，这些问题会阻碍其完全采用。例如，我们通过考虑支持数字基础设施的可用性来考虑各地区的采用差异。
用于优化能源系统的人工智能应用
石油和天然气公司是最早采用新技术来促进勘探和生产的公司之一。2000年，石油和天然气公司运营的11台超级计算机跻身世界500快。到 2024 年，这一数字已增加到 24 个，总计算能力以每年近 70% 的速度增长，超过了更广泛的超级计算行业。人工智能在该领域有多种应用，包括地下数据处理、油藏模拟、远程作、预测性维护、法规遵从性、泄漏检测和还电自动化。
由于供应、输电和需求状况的复杂性，人工智能在电力系统中有多种应用。在广泛采用案例中，到 2035 年，人工智能在发电厂运营和维护中的应用每年可节省高达 1100 亿美元的成本，从而避免使用燃料和降低成本。人工智能还可以将可再生电力更好地整合到电网中。我们的分析发现，使用人工智能可以在现有线路上释放多达 175 吉瓦的额外输电容量。
人工智能在最终用途领域的应用多种多样，但具有巨大的潜力。在工业领域，人工智能正以各种方式用于优化生产流程。在广泛采用案例中，到 2035 年，轻工业（例如电子产品或机械制造）可节省 8% 的能源。交通领域的人工智能可以增强车辆运营和管理，从而降低能源消耗;它还可用于减少尾迹和改善电动汽车续航里程。在建筑中，潜力受到数字化速度的限制，但有一些令人信服的影响说明，例如效率和需求响应。
此外，发达经济体目前在数字化和自动化所需的许多技术方面具有竞争优势。在工业自动化、工业软件和机器人技术这三个核心领域，绝大多数领先的全球公司总部都位于发达经济体。欧洲在自动化方面处于领先地位，北美在工业软件方面处于领先地位，在各自细分市场中都占据了一半以上的市场份额。亚洲在机器人方面明显处于领先地位，在市场份额排名前 40 的公司中，约占了三分之二。
利用人工智能支持更快的能源创新
此外，准确的天气预报和对变暖世界中不断变化的天气模式的分析对于优化能源系统的运行、规划和弹性至关重要。人工智能一直在提高天气预报的准确性，同时也减少了计算需求。
然而，在全行业层面采用此类人工智能应用程序并不是必然的。各种障碍限制了现有人工智能应用的实施程度，阻碍了变革的步伐。这些问题包括不利的监管、缺乏数据访问、无法访问、互作性问题、技能方面的严重差距、数字基础设施的匮乏，以及在某些情况下对变革的普遍抵制。
利用人工智能支持更快的能源创新
创新对于实现安全、负担得起和可持续的能源至关重要。能源行业持续创新：2010年至2024年，在技术增长和成本下降的推动下，非常规石油和天然气占全球石油和天然气供应的比例从10%上升到25%;太阳能光伏发电量从年发电量30太瓦时（TWh）增加到约2 000太瓦时;电动汽车占全球销量的比例从0.01%上升到20%以上。
创新需要时间。从内燃机和空调到锂离子电池和太阳能光伏等能源技术，从发明到首次商业化的时间平均超过 30 年，大众市场的普及时间还需要 20 年。当今人工智能的核心技术——人工神经网络，从原型到首次商业化，历时35年。
人工智能可以帮助加快这一过程，在创新管道中越来越重要。在医学领域，人工智能使蛋白质三维结构（人体细胞的功能组成部分）的科学发现速度加快了 45,000 倍。
专利和初创企业数据表明，人工智能优先的创新方法在能源领域的代表性不足。大约 1% 的能源相关专利将人工智能作为专利创新的一部分;这一比例在化石燃料和清洁能源中相似。只有 2.3% 的能源初创企业拥有与人工智能相关的价值主张，低于生命科学领域的 7% 和农业领域的 4.3%。
然而，能源创新的许多领域都以人工智能擅长解决的问题为特征：高度复杂的设计空间、需要平衡性能权衡以获得最佳结果以及丰富的数据集。例如，发现一种稳定且易于制造的钙钛矿可以加速更便宜、空间密集度更低的太阳能光伏，但只有不到 0.01% 的可能钙钛矿材料被实验生产出来。人工智能可以极大地加速这一过程。
能源创新的一个核心挑战是将新创新整合到复杂的产品中，将新产品整合到工业规模的供应链中。人工智能也可以在这方面提供帮助。电池超级工厂每天可以产生多达 100 亿个数据点。使用人工智能模型分析这些数据点有助于检测故障、预测性能和诊断问题，从而降低创新化学品的风险、成本和时间表。