像蒸汽机和电力一样，人工智能（AI）是一种可广泛应用的技术，能为全球经济和世界能源体系带来深刻变革。尽管其仍存在一些重要的不确定因素，但无疑会产生重大影响，而其中最为突出的，是人工智能在助推创新上的潜力。

　　近年来，那些举世瞩目的技术进步，无论是渐进性的还MK体育，是突破性的mk体育全站app，都大幅降低了关键能源技术的成本。但要实现全球能源安全和减排目标，现有的清洁能源技术仍需继续革新，而新的能源技术也必须尽快进入市场。人工智能将助力科学家构思和测试新想法及其创造力。然而，为了让借助人工智能技术推动的创新真正为能源行业带来成效mk体育全站app，政策制定者与科学界必须就最具潜力的应用领域和关键驱动因素达成一致，并填补其中的关键空白。

　　这是国际能源署（IEA）在能源与人工智能方面最新的工作部署，也是其核心关注点之一，此外还包括分析应用人工智能如何影响数据中心的电力消耗，以及人工智能如何优化能源系统中的复杂部分，例如电力网络。即将举行的全球能源与人工智能会议将首次聚集来自政府、能源行业、科技行业和民间的领导者，共同探讨这些议题，为在关键时刻启动和推进公共与私人部门的对话提供平台。

　　对于能源分析师而言，一个根本性的问题是，人工智能的应用是否会造成技术发展速度与现行预测发生偏差。在半导体领域，20世纪60年代提出的摩尔定律广为人知，其指出集成电路中的晶体管数量大约每两年翻一番，并且这一规律在几十年内惊人地准确。同样地，对于众多能源技术来说，成本的降低往往依据累积部署量的每次翻倍来预测，这一现象被称作“学习率”。

　　然而，半导体领域的进展现已放缓，自2010年以来，摩尔定律已不再是技术发展的可靠指导。专家们质疑，像电动汽车电池这样的技术，其学习率在国际能源署（IEA）的分析中预测为15%，而其在未来几十年内能否继续维持这一数据尚未可知。近期技术价格的通胀，部分由于关键材料供求失衡所致，这提醒我们，制造能力和贸易等因素也可能阻碍创新进程。

　　一些分析师认为，尽管存在这些担忧，人工智能仍可以作为保持当前学习率预测不偏离轨道的一种手段。另一些人则认为，人工智能是一种更具颠覆性的力量，可能会使当前的学习率看起来非常保守。为了深入展开这一论题，有必要仔细研究人工智能在推动创新进程方面的具体作用。

　　寻找适用性强的高性能材料，或者不含某些不良成分的材料，通常依赖于人类的聪明才智以及对不同化合物特性（或性质）的理解。然而，可选的材料往往非常庞大。人工智能技术已经能够通过优化大量结构化数据中的已知关系，出色地解决问题。

　　2024年7月，美国政府实验室和微软的研究人员发布了一项研究成果，利用人工智能评估了3250万个可能用于锂电池的新型固态电解质，最终发现了23种符合要求的电解质。瑞典的科学家最近筛选了4500万个潜在的新型电池正极材料，发现了近4600个有前景的候选材料。其他团队也取得了类似的成果，其中一个团队已将他们的发现推进到合成和测试阶段。值得注意的是，这些技术正日益吸引更多投资者关注：人工智能初创公司Anionics最近与保时捷的电池制造子公司达成合作，而Mitra Chem则凭借承诺将实验室到生产线万美元的资金。

　　近期的进展远不止电池技术的突破。利用人工智能的研究人员发现，他们还可以用它来设计用于生物燃料合成的酶，预测高产的生物燃料原料，识别出超越行业水平的氢气电解槽催化剂，并生成二氧化碳（CO2）捕集材料。随着人工智能在能源MK体育，技术研究过程中变得越来越不可或缺，技术开发人员还将从相关领域的发展中受益，其中包括不断精进的机器人和自动化技术。一项关于在工业研究环境中使用人工智能工具所带来影响的最新研究显示，相关公司在不到两年的时间里，专利申请量增长了39%。

　　然而，在人工智能技术充分发挥其创新潜力之前，仍需克服一些严重挑战。一个关键问题便是数据获取。目前使用的数据集缺乏关于潜在材料的完整信息，只涵盖了部分分子或反应。

　　目前，正在开发大规模、结构化、专业化的数据集以训练人工智能模型，例如材料项目（Materials Project）和剑桥结构数据库（Cambridge Structural Database），但要解决现实世界的科学问题，这些数据集还需要进一步扩展。虽然通过创建“合成数据”来训练模型可以弥补一些数据空白，但实验数据无法替代，获得大量可靠的实验数据的最快途径是实验室之间携手合作，包括国际层面的合作。使命创新M4E平台就是一个国际合作的典范，它展示了政府如何支持共同协议和联合管理数据。

　　另一个挑战是如何让人工智能优化不仅仅针对某些特定特征进行，而是能够考虑将材料应用于MK体育，功能性产品所需的各项关键因素中去。目前，仍然需要大量人工检查和测试，例如，评估材料在不同温度下的性能表现或与设备中其他组件的相互作用。此外，制定由人工智能设计的材料，其生产方案也可能带来大量后续工作。让人工智能执行这些更复杂的任务看似可行，但这会导致高昂的计算需求和成本，这些都需要进行评估。

　　如果创新进程加速，但测试和商业化却未能跟上，那么50%的挑战依然悬而未决。

　　通过计算机辅助的方法识别一种用于能源应用的新材料，仅仅是创新任务的一部分。制作原型、随后的商业化、大规模生产和获得市场广泛接受都需要几年甚至几十年的时间。然而，其他正在开发的人工智能相关工具有可能缩短这些时间。

　　其中一种称为自动化实验室。美国能源部劳伦斯伯克利国家实验室的A-Lab配备了一系列机器人，自2024年2月以来，这些机器人能够合成计算机预测的能源存储化学物质，从而显著提升性能。这个自动化实验室每天处理的样本数量是人工实验室的100倍。

　　对于大型的复杂系统，一种名为“数字孪生”的计算机辅助工具能够显著降低设计以及规模扩展带来的成本与风险。数字孪生是指特定设施或过程中所有元素的虚拟展现，已被用于优化制造十逾年，但现在它们正借助人工智能技术的驱动，应用于创新领域。在核聚变等行业，它们帮助设计和测试设备。人们的希望复杂的工程设计成本可以大幅降低，特别是对于成本高昂的首创项目。这对于工业脱碳技术、地热能源、合成燃料工艺以及二氧化碳捕集与存储等创新技术来说，会是一个重要的推动力量。

　　然而，在将人工智能应用于创新过程这一阶段，仍然存在困难。目前，这些工具并非都能广泛地为规模扩展阶段的创新技术服务。此外，快速发展的领域可能存在技术差距，因此灵活的监管措施和标准化框架将是支持和适应新测试及商业化所必不可少的。

　　人工智能在提升和加速创新方面，以及解决各种能源技术挑战上具有明显潜力。虽然已经有鼓舞人心的例子发生，但如果各国政府不优先应对一些重要的新兴问题，人工智能在这一领域的全部潜力将无法实现。

　　为了促进科学发现向最具影响力的成果迈进，需要投资符合共同协议、可搜索且可普遍访问的数据库，并实现跨国实验室的互联互通。此外，还需要在技能和设备方面进行投资，政策制定者可以引导各方将工作聚焦于最紧迫的技术需求。为了支持商业化，政策制定者还应考虑如何将新型数字工具大范围提供给创新者，降低项目风险，让投资者更安心。同时，人工智能在执行这些重要任务时的算力和能源需求，以及与知识产权相关的潜在风险，必须在多边论坛中进行讨论。

　　倘若成功，人工智能不仅会加速创新的步伐，还将提高创新成果的质量，从而增强经济竞争力。一旦新产品准备就绪，进军市场，利用人工智能分析新产品而生成的数据可以提升其对消费者的价值。用于管理新技术的软件所做出的更佳决策，也能降低风险并为用户创造价值。如果各国及其创新者、投资者和企业能够做好预测、引导并携手合作，那么这些收益将惠及所有国家。