那一夜，60座資料中心從電網消失——這場事故如何讓我看清AI的極限
我當時正和一位公用事業高階主管通話，他說了一句話，讓我瞬間僵住。
「那天晚上，電網並沒有失去電力。它失去的是需求。而沒有人為此準備過任何應對方案。」
他談的是2024年7月10日——那天傍晚，維吉尼亞州費爾法克斯（Fairfax）的一道閃電，同時觸發了60座資料中心的斷聯，在不到兩分鐘內蒸發了1,500百萬瓦的電力需求。這大約相當於整個波士頓的用電量，就在你刷牙的那點時間裡消失殆盡。北美電力可靠性公司——NERC，這個為4億人保障供電的聯邦機構——後來稱這是一場「可靠性的五級火警」。
我還記得當時坐在那裡想著：這正是我一直以來所警告的那種事件。不是發電故障。不是網路攻擊。而是一連串自動化保護邏輯的連鎖反應，每個系統都精確地執行了它被賦予的指令，卻共同造就出一個無人設計過的結果。電網崩潰，並不是因為某個環節出了錯。它崩潰，是因為每一個環節都運作得正確——只是在錯誤的時間、以錯誤的順序、在無人模擬過的規模下發生。
這是一個關於那晚究竟發生了什麼的故事，關於當前這波AI「解決方案」為何反而會讓情況更糟，以及我在Veriprajna的團隊一直在打造什麼來取而代之。
當閃電擊中全球網際網路之都時，會發生什麼？
北維吉尼亞承載著全球70%的網際網路流量。稱它為數位經濟的骨幹並非比喻——它字面上就是如此。而在那個7月的傍晚，Dominion Energy的Ox-Possum 230千伏輸電線路上，一個避雷器發生故障，造成了一處永久性的故障點。
有趣的地方就在這裡。電網的保護系統盡了它們的職責。它們嘗試自動重合閘那條線路——這是一種標準程序，就像把跳脫的斷路器重新推上，看看故障是否已排除。系統在82秒內嘗試了六次，線路兩端各三次。每一次嘗試都造成一次短暫的電壓驟降。
這些驟降單獨來看沒有一次是危險的。每一次都維持在電網標準視為正常的±10%範圍內。但那些資料中心內部的不斷電系統（UPS）正在計數。它們被寫入了一條簡單的規則：如果你在一分鐘內偵測到三次電壓擾動，就假定電網正在失效，並切換到柴油備援發電機。不計一切代價保護伺服器。
於是UPS系統數到了三，60座設施同時說：我們撤了。
單一輸電線路上一次例行性故障，導致1,500百萬瓦的負載在不到82秒內消失——比一座典型發電廠故障快上五十倍。
PJM Interconnection的電網調度員——這家機構為橫跨13州的6,500萬人管理電力——手上突然出現了龐大的過剩發電量。頻率飆升到60.047赫茲。在一般的停電中，頻率會下降，因為你失去了一台發電機。而在這裡，頻率反而竄升，因為發電機仍在運轉，負載卻消失了。調度員不得不手忙腳亂地做出與他們所受訓練完全相反的操作——他們手動將賓夕法尼亞州燃氣電廠的出力調降了600百萬瓦，又將維吉尼亞州一座核能機組調降了300百萬瓦，只為了防止系統讓變壓器超載。
那麼資料中心呢？它們靠柴油撐了好幾個小時。切換到備援是自動的。回歸電網卻不是。它需要人工介入，一座設施一座設施地處理，在技術人員協調重新併網的同時，燒掉了數千加侖的柴油。
我一再回想這件事的荒謬之處。地球上最精密的運算基礎設施，承載著那些理應要顛覆每一個產業的模型，卻被一個連「同一次故障造成的六次驟降」與「六起獨立的緊急事件」都無法區分的計數演算法給打趴下線。
為什麼我早就知道「直接用GPT就好」那群人會把這件事搞錯
這起事件登上業界媒體大約一週後，我收到一位長期關注我們工作的投資人來信。他的建議，改述一下大致是：「你們難道不能直接拿電網資料去微調一個大型語言模型，讓它來預測這些連鎖反應嗎？」
我起草了三種不同的回覆，最後才選定了那個客氣的版本。但以下才是我真正想說的：
不行。而你會這樣問這件事本身，正好告訴了我這種誤解到底有多深。
大型語言模型是機率引擎。它們預測序列中下一個最可能出現的詞元。它們最佳化的目標是看似合理——聽起來對的東西——而不是真實準確——真正對的東西。當你在生成行銷文案時，這種區別只是學術上的細節。但當你在管理一個頻率必須維持在目標值0.036赫茲之內、否則變壓器就會開始過熱的系統時，它就是災難性的。
維吉尼亞事件之後，我和我的團隊花了好幾週研究這條失效鏈，而我們一再得到同樣的結論：關鍵基礎設施中主流的AI做法——也就是我所謂的「包裝層」架構，你在GPT-4或Claude外面披上一層薄薄的軟體，就稱它為解決方案——在這裡會毫無用處。甚至可能比毫無用處還糟。
想想看，一個標準的檢索增強生成系統會怎麼處理電網資料。它把一切都當成文字片段。它或許能檢索到一份關於Ox-Possum線路的文件，還有另一份關於UPS穿越標準的文件，但它完全沒有「A變電站的一次電壓驟降會在數毫秒內以電磁方式傳播到B變電站」這種概念。它無法對克希荷夫定律進行推理。它不知道搖擺方程是什麼。它會生成一個自信、格式工整、卻可能在物理上根本無法成立的答案。
我們在另一個領域見過這種模式上演。2023年，《Sports Illustrated》部署了一套包裝層架構，生成了完整的記者人設與文章——看似可信、精雕細琢，卻完全是捏造的。股價下跌了27%。對一家媒體公司來說，那是一樁醜聞。而對電網調度單位來說，負載平衡演算法中同等的「幻覺」不會讓股價崩盤。它會讓電網崩潰。
我曾深入撰文探討這種失效模式，收錄在我們對維吉尼亞擾動事件的互動式分析之中，我們在那裡完整梳理了從閃電擊中到柴油發電機的整條連鎖過程。
那場改變了我們打造方式的爭論
有那麼一個時刻——我想大概是2024年8月底，也許是我們開始深入分析後大約三週——我的兩位工程師為了架構問題起了一場真正的爭論。其中一位想採用純神經網路的做法：用歷史電網遙測資料訓練一個龐大的模型，讓它隱性地學會物理。另一位則堅持，隱性學習還不夠，你必須編碼，把物理直接寫進模型的損失函數裡。
我讓他們爭論了將近一個小時。不是因為我沒有自己的看法，而是因為這場爭論本身，讓某個我已經盤旋思索了好幾個月的東西變得清晰了起來。
那位純神經網路的支持者調出了一個標準深度學習模型套用在交流最佳潮流上的結果——這是決定電力如何在電網中流動的核心最佳化問題。這個模型很快：推論只需52.6毫秒。但當我們用類似維吉尼亞事件的情境——突發、巨量的負載驟減——對它進行壓力測試時，它產生了違反基本潮流方程的狀態。它「產生了幻覺」，虛構出物理上不可能存在的電網狀態。某個匯流排上的電壓，會要求電流朝著網路拓撲所禁止的方向流動。
那位物理優先的支持者接著展示了：當你把支配性偏微分方程的殘差直接嵌入神經網路的損失函數時，會發生什麼。這就是所謂的物理資訊神經網路，也就是PINN。這個模型不只是從資料中學習模式；它學到的模式，是受電磁定律約束的。它做出的每一個預測，都必須與克希荷夫定律以及用於頻率穩定的搖擺方程保持一致。
結果令人震驚：相對於基準真值，偏差僅0.64百萬瓦，而未受約束的模型則為0.73百萬瓦，且兩者的推論時間都在50毫秒以內。更重要的是，受物理約束的模型在極端情境下依然維持了可行性。它無法產生幻覺、虛構出不可能存在的電網狀態，因為物理定律不允許它這麼做。
當你的AI損失函數把物理定律納入其中時，幻覺就不再只是不太可能發生——它會在數學上受到懲罰。
那場爭論以兩位工程師站到同一邊而告終。而它成了我們如今在Veriprajna所打造之物的根基。
你要如何打造出一個無法在物理上說謊的AI？
我們開發出的這套架構，有一種結構，我有時會形容它是一個「三明治」——儘管這種說法低估了它的精密程度。
最上層是神經網路。它負責感知：讀取非結構化資料、擷取意圖、辨識實體。如果一份大型負載併網申請以一份200頁的PDF文件形式送進來，這一層會把它解析成結構化的參數。它很擅長這件事。大型語言模型在感知任務上確實表現卓越。
中間層是符號式的。真正的推理就發生在這裡，而且它完全是決定論式的。知識圖譜儲存了變電站、輸電線路、資料中心合約以及NERC合規標準之間的關係。硬編碼的業務規則——也就是我們所稱的「政策即程式碼」（Policy-as-Code）——會依據電網物理與法規要求，逐一驗證每一個擷取出來的參數。再多的提示工程也無法繞過這一層。如果一項提出的負載爬升違反了NERC TPL-001中定義的N-1偶發事件約束，系統就會標記它。就這樣，沒得商量。不存在任何能讓它在安全問題上變得更「有創意」的「溫度」設定。
最下層又是神經網路。它接收符號層傳來、已通過驗證的決策，並把它轉換成自然語言或機器控制訊號。它是一個傳達者，而不是一個思考者。
這就是我所說的「玻璃箱」做法。每一個決策都有一條引用鏈。我們的系統不是一個對你說「相信我，我是AI」的黑箱，而是會說：「我之所以標記這一項，是因為提出的爬升速率超過了併網協議第4.2節所定義的門檻，並與第7變電站PMU資料的即時遙測進行了交叉比對。」
人們總會對這一點提出反駁。「符號層難道不就是一堆規則嗎？你們不就是在多繞幾步路去打造一個專家系統嗎？」不。神經層負責處理規則無法處理的部分——對非結構化資料的感知、橫跨數千個變數的模式辨識、在雜訊感測器訊號中即時偵測異常。符號層則負責處理神經網路無法處理的部分——有保證的合規性、物理可行性、可稽核性。兩者單獨存在都不足夠。合在一起，它們補足了彼此的盲點。
電網此刻究竟需要什麼？
NERC對維吉尼亞事件的回應迅速，而且——這一點值得肯定——相當紮實。他們在2024年8月成立了大型負載工作小組，並在9月發布了第二級產業建議警示，敦促公用事業徹底翻修他們對大型負載進行建模、監控與溝通的方式。
NERC所指出的核心問題，就是我會稱之為不可見性的東西。電網調度員無法看進那60座資料中心的內部。他們沒有關於UPS計數邏輯的即時遙測，也無從得知這些設施何時正逼近它們的斷聯門檻。這些資料中心就是黑箱，從一個把它們當成超大型住宅來對待的系統中，抽取著數吉瓦級的電力。
有一項技術進展讓我真正燃起希望，那就是PERC1模型——電力電子中止與重新併網（Power Electronic Ceasing and Reconnecting）。傳統的負載模型是為馬達與電熱器設計的，這些裝置在故障期間會逐漸減速。資料中心並不會減速。它們是透過電力電子開關，在數毫秒內完全中止耗電。PERC1是第一個專門為描述這種行為而設計的模型，對於任何想預測像7月10日這類事件中究竟會發生什麼的模擬來說，它都至關重要。
但光有模型還不夠。資料中心必須成為主動參與者，共同維護電網的穩定，而不是一遇到狀況變得棘手就斷聯的被動消費者。
這正是OpenADR 3.0——現代化的自動需量反應標準——變得不可或缺的地方。舊版本使用笨重的XML訊息傳遞，反應時間在一分鐘以內。3.0版則使用RESTful API與JSON，延遲低於一秒。這就是「請在接下來60秒內某個時候降低負載」與「立刻把50百萬瓦的批次處理轉移到你的奧勒岡州設施」之間的差別。
如果資料中心在尖峰時段只削減0.5%的年度用電量，就能有100吉瓦的新增容量併入電網，而無需興建哪怕一座新的燃氣電廠。
EPRI的DCFlex計畫已經在招募資料中心，加入建立於這一前提之上的自願性需量反應方案。這筆帳算起來很有說服力，但執行起來需要一種能在不同地理區域之間動態調度運算工作負載、同時兼顧電網約束與服務等級協議的AI。那個協調層——快到足以做到低於一秒的反應、聰明到足以尊重物理定律、可稽核到足以滿足監管機構——正是我們以PINN為基礎的架構所設計要提供的東西。
想瞭解我們如何將PINN與神經符號技術堆疊整合的完整技術剖析，請參閱我們針對維吉尼亞擾動事件所撰寫的研究論文。
為什麼維吉尼亞的問題是所有人的問題
我必須談談其中的人類代價，因為技術圈往往傾向於抽象地討論電網穩定性。
Dominion Energy的資料中心容量預計將從今天的4吉瓦，成長到接近40吉瓦的簽約容量。過去十年間，維吉尼亞州已向資料中心營運商提供了27億美元的補貼。這個州需要283億美元的新輸電基礎設施，以及多出40%的輸電容量，才能應付預估的負載——這樣的建設速度，連該州自己的聯合立法審計與檢討委員會都稱之為「非常難以達成」。
與此同時，區域容量價格已飆漲833%。住宅電費預計到2045年將達到每月380美元。北維吉尼亞的資料中心在2023年為了冷卻耗用了將近20億加侖的水——足以供應5萬人使用——並依賴著將近9,000台柴油備援發電機，而正如7月10日所證明的，這些發電機不只是備援，更是營運策略的核心部分。
能源部預估，若不進行重大介入，停電時間可能會從今天的每年2.4小時，飆升到2030年的超過430小時。
我並不反對資料中心。我的公司之所以存在，正是因為這些設施所提供的運算基礎設施。但我深深反對這樣一種想法：我們可以一邊不斷擴大AI的運算規模，一邊把電網當成一種無限的資源，並把AI本身當成一個總會設法把一切搞定的神奇文字盒子。
凌晨兩點的頓悟
有那麼一個夜晚——我想是9月初，我們的分析已進行到相當深入的階段——當時我正在檢視7月10日那起事件的PJM頻率資料。我盯著那個60.047赫茲的尖峰，大概已經是第一百次了。然後，某個我先前一直沒能說清楚的東西，突然想通了。
資料中心的UPS系統精確地做了它被設計要做的事。電網的自動重合閘精確地做了它被設計要做的事。PJM的調度員精確地做了他們被訓練要做的事。每一個個別的參與者都表現正確。這場災難，源自於交互作用——源自於那些從未被設計來彼此對話的系統之間的縫隙。
這正是我在各處的企業AI部署中一再看到的同一種失效模式。大型語言模型做它被設計要做的事——生成看似合理的文字。檢索系統做它被設計要做的事——找出相關的文件。使用者介面做它被設計要做的事——把結果乾淨俐落地呈現出來。然後整套東西產生了一個自信、來源充分，卻在物理上不可能、在法律上錯誤、或在財務上足以致命的答案，因為沒有任何一層要為基準真值負責。
這就是我們正在解決的問題。不是打造一個更好的聊天機器人。不是在GPT外面包裝一個更聰明的提示。而是打造出讓真實成為結構本身的架構——在其中，物理無法被機率所推翻，邏輯無法被幻想出來，每一個輸出都有一條引用鏈，讓監管者、工程師或法官都能從結論一路追溯回證據。
維吉尼亞的停電並不是由某個系統失效所造成的。它是由多個系統各自獨立地成功、卻以某種方式共同釀成災難所造成的。這正是如今每一個部署在關鍵基礎設施上的AI包裝層裡，都潛藏著的同一種失效模式。
接下來會走向何方
關於我認為即將到來的事，我就直說了。
對於任何真正重要的事情而言，大型語言模型包裝層的時代已經結束了。用來生成部落格文章、彙整會議紀要，那沒問題——包裝層會繼續存在並持續改進。但對於那些錯誤答案會帶來物理後果的系統——電力網、金融合規、醫療器材、結構工程——這個產業將會分裂。一條路通往越來越精巧、包在機率模型外層的提示鏈，配上本身也是機率性的「護欄」。另一條路則通往混合式架構，在其中，神經感知餵養著決定論式的推理，並受到支配該領域之真實定律的約束。
我知道自己正在哪一條路上建造。維吉尼亞的電網不需要一個更能言善道的AI。它需要的是一個能在微分方程的層次上，理解「當1,500百萬瓦的負載在82秒內消失時會發生什麼」的AI。它需要的是一個能看見那些UPS系統中的計數邏輯正一格一格逼近斷聯、並加以介入的AI——介入的方式不是提出一個建議，而是在不到一毫秒內派發出一個經過物理驗證的控制訊號。
電力可靠性如今已是董事會層級的變數。下一次北維吉尼亞的電網出現閃斷時——而這一定會發生，因為負載的成長速度是輸電容量的十倍——問題將不再是AI是否參與其中。問題將會是：這個AI究竟理解了物理，還是只不過預測了下一個詞元。
