美國電網剛剛沒能通過最大的一場考驗——卻沒人注意到
去年秋天，我與一位維吉尼亞州的能源業高階主管通話，他說了一句話，讓我當場愣住。
「資料中心要求的電力，超過我們實體上能夠輸送的量。不是下個十年，是現在。而且我們每拖延一個月，就又有一座燃煤電廠申請除役。」
他並沒有驚慌——他在這個產業已經待了三十年。但他的語氣裡有某種我從未在如此資深的人身上聽過的東西：認命。彷彿他已經把數字算過太多次，清楚知道這道算式再也算不通了。
那場對話把我帶進了一個兔子洞，讓我在 Veriprajna 的團隊投入了好幾個月。我們發現的情況比我預期的更糟。全美最大的電網營運商——服務 13 個州、6,500 萬人口的 PJM Interconnection——史上第一次未能採購到足夠的電力。缺口為 6,623 百萬瓦。這大約相當於六座核子反應爐的發電量，而這些反應爐根本不存在。同時在德州，電網營運商 ERCOT 正被 233 GW 的併網申請淹沒——將近該州整體尖峰需求的三倍——而其中大多數根本沒有實際可行的併網路徑。
這些並不是某份標註著 2050 年的氣候報告裡的假設情境。PJM 的缺口將在 2027 年 6 月出現。那只剩十八個月。
當全美最大的電網供電不足時，會發生什麼事？
讓我用白話說明 PJM 2025 年 12 月容量拍賣的結果。PJM 每年都會舉辦一場拍賣，讓發電廠競標，保證在需求尖峰時能夠供電。這本質上就是電網的保險。今年的拍賣結清了 134,479 MW 的容量——比維持防止停電的可靠度標準所需的量，還少了 6,623 MW。
備轉容量率降到 14.8%，目標值是 20%。而整個區域的容量價格更觸及每百萬瓦每日 $333.44 的法規上限——這道價格上限原本是為了保護消費者而設計，如今卻成了遮眼罩，掩蓋了情勢實際上有多麼危急。
當價格上限在整個橫跨 13 州的區域全面觸頂時，你看到的已經不是市場訊號，而是市場的哀嚎。
這件事的相關報導最讓我抓狂的地方很簡單。多數文章把它描述成「燃煤電廠正在除役，而再生能源補上的速度不夠快」。這在技術上沒錯，卻極度不完整。真正的故事是一種嚴重到任何傳統規劃都來不及修補的失衡。
在 2011 到 2023 年間，PJM 因除役而失去了 54.2 GW 的火力容量。另有 24 到 58 GW——最多達裝置容量的 30%——面臨在 2030 年前除役的風險。而以下這個數字，應該會讓每一位電網規劃者夜不成眠：要取代 1 MW 即將除役的燃煤或燃氣發電，大約需要 5.2 MW 的太陽能或 14 MW 的陸域風電，才能維持同等的可靠度。間歇性落差不是註腳，而是整個故事的核心。
為什麼 ERCOT 的併網排隊量達到 233 GW？
如果說 PJM 的危機在於供給消失，那德州面對的則是相反的問題——需求出現的速度快到超乎任何人的想像。
到 2025 年底，ERCOT 的大型負載併網排隊量已達 233 GW。這是 269% 的增幅，相較於 2024 年底。讓你對規模有點概念：ERCOT 的總尖峰需求約為 85 GW。排隊量將近整個電網的三倍。
資料中心占了這些申請的 77%。
我第一次看到這個數字時，以為它被投機性申請灌水了——業者在多個場址同時提出申請，看哪一個先獲准。我猜對了，但只對了一部分。業界把這些稱為「幽靈負載」，而且它們確實是個問題。超大規模業者在數十個場址提交申請，讓工程評估流程被那些可能永遠不會動工的專案塞爆。ERCOT 最近找來麥肯錫協助區分可信申請與投機申請，這也說明了內部團隊有多麼不堪負荷。
但即使剔除掉這些幽靈，底層的需求依然驚人。那供給端呢？ERCOT 在 2025 年併聯了 23 GW 的新增發電——大多是太陽能與電池。發電排隊量由 158 GW 的太陽能與 175 GW 的電池儲能主導，天然氣只有 47 GW。德州議員通過了參議院第 6 號法案，並設立了 90 億美元的基金來獎勵新建燃氣電廠，但已有大約 35% 的擬議燃氣專案退出，理由是全球渦輪機短缺與許可延宕。
我曾更詳細地談過這場供需衝撞，請見 我們研究的互動版本，但結論很直白：電網在實體上無法以 AI 革命所要求的速度成長。
我不再相信「多蓋就好」的那個晚上
有一個特定的夜晚——我和團隊正深入建模 PJM 的除役斷崖——我們的一位工程師把一張預測圖投到螢幕上，整個房間安靜了下來。
她把 PJM 每一座火力電廠的除役風險，對照新增發電上線的時程繪製出來。兩條線在 2027 年交叉。不是 2030 年，不是 2035 年。缺口在十八個月內張開，而且之後每年都持續擴大。
有人說：「所以我們得在一年半內興建約 7 GW 的可調度發電。」
我笑了。不是因為好笑，而是因為在 PJM 轄區內取得許可並蓋好一座燃氣電廠，平均要四到七年。新建一條輸電線的平均時間更長。
那一刻，這個論點在我心中結晶了。我們無法用興建的方式及時擺脫困境。電網必須用它既有的基礎設施，變得聰明得多。而多數能源公司正在部署的那種「AI」——聊天機器人、基本迴歸模型、儀表板分析——面對這個問題，只能說是可笑地不足。
電網不需要又一個儀表板。它需要會思考。
「深度 AI」對電網究竟意味著什麼？
我在這裡必須說得具體，因為「能源用 AI」已經變成那種既涵蓋一切又什麼都不是的詞。當我說深度 AI 時，我指的東西和把一個大型語言模型包在 SCADA 系統（監控與資料擷取系統——監測與管理電網運作的工業控制系統）外面就叫創新，非常不一樣。
電力網是一個同步的動力系統。它遵守克希荷夫定律（規範電流與電壓在電路中行為的基本法則）。發電機透過搖擺方程式彼此耦合。電壓、頻率與潮流受物理定律支配，而這些定律根本不在乎你的訓練資料。任何忽視這套物理的 AI 系統，充其量只是個玩具。
在 Veriprajna，我們使用三類尊重電網物理現實的模型。
第一類是物理資訊神經網路——PINN——它把支配發電機行為的實際微分方程式，直接嵌入模型的損失函數之中。網路不只是從歷史資料學習模式，還會因為違反物理定律而受到懲罰。結果是：暫態穩定度分析的執行速度達到 87 倍之快，遠勝傳統數值求解器。對於正面臨潛在連鎖故障的電網營運商而言，這就是「預測到停電」與「親身經歷停電」之間的差別。
接著是圖神經網路，它把電網視為它實際的樣貌——一張圖，變電所是節點，輸電線是邊。傳統機器學習會把這個結構壓平成資料表格，並失去最關鍵的空間關係。GNN 能在毫秒內預測某個變電所的電壓驟降如何在網路拓撲中傳播。我們的多層 GNN 架構在辨識 30 天內有故障風險的變電所上，達到了 0.89 的 F1 分數（一種兼顧精確率與召回率的預測準確度指標）。
第三類——也是我認為對即時運轉最有前景的一類——是強化學習代理，它們把電網控制視為一個受限最佳化問題來做出調度決策。它們學習的策略必須滿足嚴格的物理限制——電壓上下限、熱容量額定、頻率範圍——同時最大化可靠度並最小化成本。
這些都不是理論。我們已經建造出這些系統。而它們的能力，與多數公用事業目前所使用的東西之間的落差，大得驚人。
如何在不興建任何一座電廠的情況下找出 6.6 GW？
這正是讓我們投入其中的問題。而答案要從能源業最被低估的技術之一開始說起：動態線路額定（Dynamic Line Rating）。
美國的每一條輸電線都有一個「靜態」額定值——一個依據溫度與風速的最壞情況假設所訂出的最大允許輸送功率。這些假設刻意保守。在多數日子裡，線路的實際熱容量比靜態額定所允許的高出 20-40%。
動態線路額定運用即時氣象資料與 IoT 感測器，計算線路此刻實際能承載多少，而不是它在百年一遇的最糟日子能承載多少。我們整合電腦視覺與 LiDAR（光達——一種以雷射為基礎的遙測技術）資料，持續監測導線弧垂與溫度。
成效並非只是漸進式的。在印第安納州與俄亥俄州，AES 部署了這些技術，輸電容量因此提升了 61%（345 kV 線路）——成本為 39 萬美元，相較於傳統換導線工程的 163 萬美元。這是 76% 的成本降低，以及 80% 的部署時間縮短。
現在把這個效果乘以 PJM 橫跨 13 州的版圖。單靠 DLR 並不能補上整個 6.6 GW 的缺口，但你可以在不灌下任何一塊地基的情況下，砍掉一大塊。
最便宜的百萬瓦，是那些早已在你電線裡流動、而你卻不知道自己擁有的容量。
沒人在問的 1,630 億美元問題
從這裡開始，經濟帳變得真正令人不安。美國自然資源保護委員會（NRDC）的一份分析發現，PJM 區域的資料中心成長，可能推升 1,630 億美元的累積容量成本，時間橫跨 2028 到 2033 年。光是在北伊利諾州——ComEd 轄區——預估影響就達 214 億美元，換算下來，一般家庭每月要多負擔約 70 美元。
讓我換個說法。那個理應改變經濟的 AI 熱潮，可能讓你的電費每年增加 840 美元，而這還只是在單一一個公用事業區域內。
當我把這些數字呈現給科技業高階主管時，我看著他們的臉色改變。他們懂伺服器成本、網路成本、人才成本。但他們大多數人還沒有真正消化一件事：驅動他們 AI 模型的電力即將變得昂貴得多——甚至可能根本買不到——因為供應他們資料中心的電網，在結構上就容量不足。
這不是一個單靠市場力量就能自行解決的問題。當 PJM 的拍賣在整個區域觸及價格上限時，市場是在告訴你它壞掉了。原本應該吸引新投資的價格訊號被人為壓抑，這意味著投資不會來，也意味著缺口會持續存在。
AI 真的能篩選 233 GW 的併網申請嗎？
我最興奮的專案之一，是我們針對併網排隊問題所打造的東西。FERC（美國聯邦能源管理委員會）第 2023 號命令要求輸電業者維護公開的可用容量「熱區圖」，但實際的評估流程——判定某個特定專案能否在特定節點併網而不使電網失穩——仍然極度仰賴人工。
我們正在部署我稱之為 agentic AI 的併網篩選系統。這些不是聊天機器人。它們是能夠自主推理的系統，可以吸收一份併網申請、對照 NERC（北美電力可靠度公司——為電網訂定可靠度標準的機構）與 FERC 的標準進行檢查、使用我們的 GNN 模型執行拓撲可行性分析，並依據專案的商業與實體準備度，給出一個完工可能性分數。
目標是讓 ERCOT——最終也包括其他電網營運商——從「先到先服務」的排隊制，轉向「先備妥先服務」的模式。當你手上有 233 GW 的申請、卻只有 23 GW 的實際新增發電時，能夠辨識哪些專案是真的、哪些只是投機，就不再是加分項，而是攸關存亡。
想完整了解我們架構的技術細節——包括 PINN 的公式化、GNN 拓撲與 RL 控制框架——請見 我們的研究論文。
「但你能把電網交給 AI 嗎？」
我常常聽到這句話。通常來自那些看過夠多企業 AI 展示而心存懷疑的人，老實說，他們應該懷疑。電力網是關鍵基礎設施。聊天機器人給出一個糟糕的建議，浪費的是某人的一個下午。電網控制系統給出一個糟糕的建議，會讓一間醫院陷入黑暗。
這就是為什麼我們拒絕在運轉場域部署黑箱模型。我們的 GNN 做出的每一個預測，都附帶一份以圖為基礎的解釋——它會標示出構成該風險評估的特定輸電線與變電所，讓人類操作員能在行動前驗證其推理。我們稱之為穩定度感知推論：AI 提出建議，物理施加約束，而由人類做決定。
我的團隊為這件事爭論了好幾週。我們有些工程師想推動更高的自主控制——在即時調度上，RL 代理確實比多數人工流程做得更好。但我一再回到同一個原則：在攸關安全的系統中，可解釋性不是一項功能，而是前提條件。
我們對 IT/OT 邊界（資訊技術系統與控制實體設備的營運技術之間的分界）也非常謹慎。我們的架構連接到既有的分散式控制系統，而不修改那些已被驗證的安全關鍵控制結構。AI 層是坐在控制層的旁邊，而不是上面。
除役斷崖是可以預測的——只要你用對模型
還有一件事讓我夜不能寐。如果你有正確的預測工具，PJM 的 6.6 GW 缺口並不會令人意外。我們用堆疊式 LSTM（長短期記憶——一種處理序列資料的神經網路）網路與梯度提升，建立了除役預測模型，分析電廠層級的經濟性——CO2 排放、燃料價格、當地市場的再生能源滲透率、維護成本、法規曝險。
我們的模型預測電廠除役時間的平均絕對百分比誤差為 1.07%。這樣的準確度，讓電網營運商在可靠度缺口出現之前，擁有兩到三年的預警窗口可以介入——透過針對性的容量獎勵、後備採購，或加速替代資源的併網。
PJM 在 2025 年措手不及，並不是因為除役斷崖無法預測，而是因為用來預測它的工具不夠好。
有人有時會反駁：「這不就是更好的預測嗎？到底哪裡『深』了？」深度在於模型理解了什麼。一個標準的迴歸模型看到的是燃煤電廠的機齡與燃料成本。我們的模型看到的是它在輸電拓撲中的位置、它所在定價區的再生能源飽和度、它所在州的政治環境，以及它除役後對每一座相連變電所所造成的連鎖可靠度衝擊。那不是一張試算表，那是電網經濟物理的數位孿生。
接下來會走向哪裡
我不認為 PJM 的缺口或 ERCOT 的排隊危機會是同類事件中的最後一起。我認為它們是第一起。北美每一家主要電網營運商，都將面對某種版本的這場衝撞：火力發電除役、AI 驅動的爆炸性需求，以及基礎設施興建速度的實體極限。
能夠成功度過這一關的公用事業，不會是蓋得最多的那些，而會是調度編排得最好的那些——透過 DLR 從既有線路中榨出每一個可用的百萬瓦、在除役釀成緊急事件之前就先預測到、用 AI 而不是大批工程師來篩選併網排隊，並在毫秒而非數小時內完成即時穩定度分析。
PJM 那 6,623 MW 的缺口，不只是拍賣報告上的一個數字。它是我們現有的電網與我們所需要的電網之間的距離。而這個距離每個月都在擴大。
電網是人類建造過最複雜的機器。我們卻要求它去驅動人類寫過最複雜的軟體。總得有東西讓步——而那不應該是燈光。
我們可以彌合那道缺口。不是靠假裝 AI 是根魔杖，而是靠打造尊重物理、理解拓撲、並贏得那些維持燈火不滅的操作員信任的 AI 系統。這就是我們的工作。而電網沒有時間等任何人慢慢摸索。