418千伏，一切正常——然後6,000萬人失去電力
2025年4月28日下午，西班牙一間控制室的螢幕顯示一切正常。
400千伏的輸電匯流排讀數約為418 kV——偏高，但仍在操作員受訓可容忍的範圍之內。接著，在五秒鐘內，15吉瓦的發電機組跳脫離線，西班牙與葡萄牙共6,000萬人失去電力。其中部分地區停電長達十個小時。
我的職業生涯一直圍繞著併網群集研究與容量拍賣的事後檢討，當ENTSO-E的最終報告於2026年3月出爐時，我閱讀它的方式，就像閱讀一位你認識之人的驗屍報告。各家頭條早已為這個故事下了定論：太陽能太多、旋轉金屬太少、再生能源撐不起一個電網。而這份報告用平實的語言指出，這種框架是錯的。 電網並非因為它在發什麼電而崩潰，而是因為沒有人在盯著什麼而崩潰。 這個關鍵區別，正是我的團隊之所以以現在這種方式打造 電網 AI 的原因。
盲點在下方兩個電壓層級處
調查發現了一件讓我夜不能寐的事。
從上午稍晚開始，西班牙電網各處出現了0.21 Hz與0.63 Hz的次同步振盪。操作員按照教科書的做法——切除並聯電抗器以管理暫態欠電壓——這卻悄悄耗盡了電網 吸收 無效功率的能力。接近中午時，他們將並聯的400 kV線路投入運行，並將HVDC連結切換為定功率模式。阻抗下降，電壓攀升。400 kV的顯示器仍讀作418 kV。一切正常。
往下兩層，在風電場與太陽能電場實際併網的220 kV集電變電站，電壓已飆到242 kV。變壓器分接開關——那些將電壓輕推回範圍內的機械裝置——動作速度不夠快。而沒有人看見這一切，因為即時監控實際上止步於輸電層級。接著，一座大型發電設施在一次過電壓事件中 注入 無效功率至電網中，而非吸收它，這與其電網規範所要求的恰好相反。那就是那個正回饋迴圈。保護電驛開始連鎖跳脫，燈也就熄滅了。
不穩定的不是再生能源，而是可觀測性。
我一再回想那個418 kV的數字。一位盯著平靜輸電讀數的操作員，手邊沒有任何儀器告訴他，集電層級早已越過了無可挽回的臨界點。看見220 kV的感測器是存在的，但能即時解讀這些數據、快到足以採取行動的分析能力卻不存在。這不是發電問題，而是一個披著發電問題外衣的資訊問題。
我原本確信答案是自主控制器。我錯了。
當我的團隊最初接手這件事時，我有一個自信而清晰的想法：打造一個物理資訊神經網路——一種將實際潮流方程式融入其訓練中的模型，使它無法建議任何物理上不可能的方案——並讓它以比任何人類或傳統控制器都更快的速度來管理電壓與無效功率。
這些模型背後的研究動能是真實存在的。物理資訊神經網路的相關論文，從2019年的不到十篇，成長到2025年的約820篇。我們打造了一個原型。在大多數情境下，它確實令人印象深刻——它的泛化能力優於標準模型，而且尊重物理規律。
接著，我們讓它跑過各種邊緣案例。而在其中一個案例中，在恰好與伊比利電網所經歷的那種振盪壓力之下，它產生了一個物理上不可行的建議。這種錯誤並非明顯到災難性的地步——而是細微的錯誤，那種在儀表板上看起來合理的錯誤。
我為此沉思了一陣子。接著，我做了一件終結了整套做法的事：我想像那個建議出現在一間真實的控制室裡，在一個像4月28日那樣的日子的12:32，連鎖故障正在逼近，一位操作員必須在幾秒之內決定是否信任它。 截至2026年初，全世界沒有任何一個商業部署的物理資訊神經網路在控制真實的電網，而在那次測試之後，我完全明白了原因。 一組理想化的方程式，省略了那種多尺度的混亂——邊界複雜性、非線性耦合——而這些恰恰會在電網承受壓力、你最需要這個模型時浮現。兩個未解的問題使情況更加複雜：一是平衡損失函數的權重，在物理保真度與資料擬合之間取捨；二是量化模型何時處於不確定狀態——這兩者你都不會想在實際運行中才發現。
一位投資人先前曾告訴我，電網操作員永遠不會採用 AI。他說錯了原因，但直覺是對的。原因並不是操作員是盧德分子，而是他們必須為攸關6,000萬人的後果負起個人責任，而一個偶爾、自信地、且在看不見之處出錯的黑盒子，比完全沒有盒子還要糟糕。
我們不再試圖打造取代操作員判斷的東西，轉而開始打造延伸操作員視野的東西。
那次轉向——從自主控制器轉為物理資訊諮詢層——如今就是整套架構。這個模型會呈現操作員目前看不見的東西，並解釋 為什麼 它會標記出這一點，並把設定值留在人類手中。阿貢國家實驗室（Argonne National Laboratory）的GridMind專案——一套為控制室操作員設計的多智能體系統——從研究面得出了相同的設計原則：這些智能體不取代操作員，而是提供可解釋的建議。當彼此獨立的團隊不約而同地收斂到同一個限制條件時，通常是因為這個限制條件是真實存在的。
為什麼現有的電網軟體沒有早就做到這件事？
這是個合理的問題，因為電網並非一片未開發的處女地。地球上一些最有實力的軟體公司早已在此立足。
GE Vernova的GridOS平台已部署於超過80%的美國公用事業；光是在2025年，它就為Alabama Power避免了估計1.12億客戶分鐘的停電。Siemens的Gridscale X運行電網數位孿生，並透過與NVIDIA的合作，宣稱在模擬上達到約10,000倍的加速。這些都是由認真的人所打造的認真工具。
但它們的架構，是為一個單向流動的電網而設計的——電力從大型旋轉發電機流向被動的消費端。那些 AI 能力，是疊加在早於這個問題就已存在的SCADA系統之上的附加元件。而它們所擷取的資料絕大多數屬於輸電層級——就是那個讀作418 kV、看起來一切正常的400 kV視角。這個盲點並不是這些平台的程式錯誤，而是它們被要求往哪裡看所造成的結果。
接著是顧問層。McKinsey受委託重新設計ERCOT的併網流程，並為德州PUC 2026年2月的案卷提交了一套「批次研究（Batch Study）」框架。那是實實在在的工作。但這些大型顧問公司所提供的建議，是關於 流程 的——他們在動輒數百萬美元的委託案中交付策略簡報與供應商評估——他們並不打造物理資訊模型。「這裡有一套更好的流程」與「這裡有一套能篩選你併網佇列的可運作系統」之間的落差，正是我們所耕耘之處。
同一個盲點即將讓美國付出1,630億美元的代價
如果你以為這是一個歐洲的故事，那就看看PJM的容量拍賣。
2025年12月，針對2027/2028交付年度，北美最大的電網營運商PJM採購了145,777 MW，比其備轉容量目標短缺了6,625 MW。這是整個區域首次未能達到其可靠度目標。價格連續第三次觸及拍賣上限；單場拍賣就耗費了164億美元。從2028年到2033年的累計容量成本，預估將達1,630億美元。光是在ComEd的轄區內，這估計就相當於住宅帳單每月增加70美元。
現在來看直接連結到可觀測性這個故事的部分：在推動那次短缺的5,250 MW需求成長中，約有5,100 MW來自資料中心。這些負載並非均勻分布——而是集中在Dominion Virginia、AEP Ohio與ComEd Illinois的特定輸電區域。 你正在製造出伊比利大停電的條件——關鍵變電站周圍的局部壓力——然後寄望其中沒有任何一座在尖峰時段跳脫。 而寄望並不是一種可觀測性策略。
而那個理應存在的洩壓閥——新增發電——卻卡住了。2025年，美國的併網佇列約達2,600 GW。中位數的專案要等上五年才能進入商業運轉，而從歷史來看，在2000年至2018年間進入佇列的專案中，最終只有約五分之一真正建成。光是ERCOT的大型負載佇列就達到233 GW——年增269%，其中77%是資料中心——相比之下，2025年新併網同步的發電量僅有23 GW。FERC自己的分析發現，原本旨在解決此問題的群集研究中，有68%逾期才完成。GridLab估計，併網瓶頸在單場容量拍賣中就讓PJM的消費者付出了35億美元的代價，因為本應中標的較廉價發電根本無法及時併網。
你無法靠雇用更多人力、以人類的工程工時來消化2,600 GW的佇列。那些研究永遠都會蓋著「逾期完成」的戳記回來。這就是 AI 該發揮作用的第二個地方——不是控制電網，而是以人類在結構上無法企及的速度來篩選並群集這個佇列。
如果動態線路定額這麼便宜，為什麼它沒有無處不在？
還有第三個缺口，而它是最讓我抓狂的一個，因為這項技術早已獲得驗證。
動態線路定額——在輸電線路上安裝非接觸式感測器，讓你依據實際狀況、而非保守的最壞情況假設來評定其容量——並不是實驗性的技術。LineVision是市場主導的供應商。在一條345 kV的線路走廊上，AES見到容量提升了61%。National Grid在Syracuse的部署增加了20-30%。而其成本大約只有傳統換線工程的5-7%——在AES的案例中，比傳統升級方案便宜了約76%。
那麼，為什麼不是每一家受限的公用事業都把它鋪滿自己的電網？因為硬體供應商賣給你的是感測器，而不是一套計畫。沒有人回答真正的規劃問題： 在我這個特定的電網上，我該在哪裡、以及何時部署電網增強技術，才能讓每一塊錢釋放出最多的容量？ 這是一個針對公用事業自身拓撲與負載模式的最佳化問題——而且它是一個位於感測器之上、而非內建於感測器之中的分析層。FERC的1920號命令如今要求公用事業必須 考慮 電網增強技術，然後才能興建新的線路，這意味著這個問題即將同時落到許多規劃人員的桌上。
動態線路定額是一種罕見的電網介入措施：它既是最便宜的選項，卻也是最常被棄置不用的選項。
AI 在電網上真正的歸屬
把這些線索串在一起，我的立場比那些炒作要來得狹窄，而且我認為，也更有用。
AI 不該用於安全攸關電網的自主控制——今天不該，也不該僅憑一個會在邊緣案例上出現細微錯誤的模型之能耐。它該用於目前軟體堆疊存在結構性漏洞的三個地方。第一， 集電層級的可觀測性 ——那種次輸電層級的分析能力，本可在400 kV匯流排看似平靜時，就在220 kV層級捕捉到242 kV的異常。第二， 佇列智慧 ——以比那些總是逾期完成的群集研究更快的速度，篩選並群集價值2,600 GW的併網申請。第三，一個 電網增強技術最佳化層，它能告訴規劃人員，動態線路定額與潮流控制究竟在哪裡真正划算。在這三者之下，物理資訊模型則作為規劃研究的諮詢與模擬工具來證明自身的價值——比傳統工具快上許多，而且執筆的仍是操作員。
人們問我，公用事業是否真的想要再多一個供應商。他們並不想，而我們也不會要求他們去成為那樣的供應商。公用事業擁有他們不會拆除的GE、Siemens與ABB的SCADA系統。他們需要的，是一個 AI 疊加層，它能 搭配 既有的基礎設施協同運作、且供應商中立，而不是另一個要求全面汰換的龐然大物。這是一個刻意為之的設計選擇，而它就在 解決方案頁面上有詳細的說明。
他們也會問到堆積如山的法規，而這確實是真的。歐盟《AI法案》（EU AI Act）將電網管理中的 AI 歸類為高風險，合規期限為2026年8月2日，罰則最高可達1,500萬歐元或全球營業額的3%。NERC的CIP-003-9於2026年4月生效。FERC 1920號命令的電網增強技術要求正在落地。西班牙對這場大停電的回應——Red Eléctrica依據P.O. 7.4授權24座再生能源設施進行動態電壓控制，要求它們展示±30%的無效功率能力——正是那種需要新的分析能力才能真正驗證與運作的強制規定。在這裡，合規與能力並不是兩個各自獨立的專案。讓你保持合法的那件事，正是讓你保持有電的那件事。
這份伊比利報告以精準地點出電網失明的那一刻，為一個篇章畫下句點。我在其中讀到的，並不是一場關於再生能源的辯論，而是一具指向了錯誤位置的儀器。打造出那具指向正確位置的儀器——那才是真正該做的工作。
