一、前言
近年來，人工智慧（Artificial Intelligence, AI）技術突飛猛進，從演算法創新、資料處理能力，到專用運算硬體的演進，推動AI迅速從實驗室研究擴展至工業、醫療、交通、製造等多元應用場域。能源產業亦開始積極導入AI，以因應全球對安全、可負擔與永續能源系統的高度需求。

根據國際能源總署（IEA）於2025年發布的「Energy and AI」報告，AI不僅自身高度依賴穩定電力供應，其演算法與資料處理能力亦展現加速能源技術創新的潛力。AI在能源研發中的角色，已從輔助性工具轉變為推動材料設計、製程優化、系統預測與故障診斷的關鍵驅動力量。尤其在關鍵能源技術包括：電池開發、合成燃料用催化劑、二氧化碳捕獲材料，以及水泥生產，均展現高度應用潛力(如圖一)。

二、AI加速能源創新的潛力
能源轉型需仰賴不斷創新的技術與材料，以實現碳中和願景。然而，從技術發想到商業化應用往往需歷時多年甚至數十年，亟需新工具來加速研發流程、降低試錯成本。然而，根據國際能源總署（IEA）對能源產業專利和新創企業資料的分析，目前AI在能源領域的應用仍相對有限，僅約1%的能源相關專利提及使用AI作為專利創新的一部分。

分析指出，許多能源技術創新領域具有導入AI的潛力，例如處理高度複雜的空間設計、進行大量資料分析以獲取最佳結果。在太陽光電領域，AI可協助開發穩定且製程友善的鈣鈦礦（perovskite）材料，不僅有助於降低成本，亦能在有限空間內提升發電效率。此外，AI可透過模型建構與資料學習，協助檢測設備故障、預測性能及診斷問題，進而降低技術創新的風險、成本和時程。

另外，政策對於應用AI加速能源創新扮演重要角色。其首要任務為全面盤點具有發展潛能的技術領域及可用的AI工具(模型和資料庫)。另一方面，公共政策應促進資料的共享及應用，並透過投資自動化實驗室以及加速監管流程，以確保測試和認證制度符合技術發展與市場需求。

AI技術不僅具備減少研發時間與成本的潛力，更可作為突破能源創新瓶頸的策略平台。多數能源創新領域具備高度導入AI的潛力，以下將說明AI在四項關鍵能源技術領域的市場發展機會、關鍵挑戰及創新應用案例。

三、AI在4個關鍵技術領域的應用
(一)電池開發
1.市場發展機會
電池產業在交通運輸和電力領域具高度市場發展潛能。推動電池需求成長關鍵在於降低價格及提高性能，使電動車等新技術可比傳統技術更具競爭力或更具市場吸引力。

2.關鍵挑戰
電池系統具高度複雜性，其運作及效能將受材料、組件配置及不同尺度間的交互作用影響，包含從奈米尺度（nano-scale）的活性材料晶體結構及電極微觀結構，到宏觀尺度（macro-scale）的電池模組和系統設計。AI可應用於優化材料選擇、製程設計與系統配置，加速創新進程。

由於不同材料、幾何設計及電池操作條件的相互作用將產生大量的組合，研究人員可利用既有知識和化學基礎進行篩選，並運用AI工具協助處理多樣化的資料類型，如模擬結果、實驗數據與文獻資料，以提升篩選與預測效率。

3.AI的創新應用
AI在電池創新中的應用橫跨多個層面，包括：材料選用及測試、性能預測、生產製程優化、電池管理系統（Battery Management Systems, BMS）優化和回收管理等。

其中材料開發被視為最具潛力的應用領域之一，包括陰極（cathode）、陽極（anode）以及液體和固體電解質（electrolytes）的設計與優化。目前已有相關應用實例：
(1)美國SES AI公司運用AI系統發現的新型電解質，開發新型圓柱形鋰離子電池，具備更佳的低溫操作性、耐用性和安全性，主要應用於無人機和機器人領域。此外，該公司近期亦與汽車設備製造商簽署合作協議，開發應用於電動車的AI增強型鋰電池。
(2)另一家AI電池新創公司Aionics則開發了全球第一個AI電池設計平台，該平台可在幾秒鐘內從數千種候選材料中快速篩選潛在的新型電解質組合，有效縮短開發週期與提升探索效率。

此外，AI在電池診斷和預測應用領域具有高度發展潛力，包括：延長電池循環壽命（cycle life）、提升性能預測準確度、強化故障預測（failure prediction）、並支援更精確的保固與再利用設計。透過AI分析可提升故障模式（failure modes）識別效率，促進再利用電池的可靠性評估與應用開發。

(二)用於生產合成燃料的催化劑
1.市場發展機會
由於碳氫化合物燃料（hydrocarbon fuels）能量密度高，因此在航空、航運及長途貨運等多個產業仍難以被替代。然而，為邁向低排放能源系統轉型，急需以低碳燃料（low-emission fuels）替代傳統碳氫化合物燃料。目前市場上低碳燃料的選擇之一為生質燃料（biofuels），但受限於永續性與生質原料（biomass feedstock）可得性，難以大規模擴展。另一種替代燃料選擇為合成燃料（synthetic fuels），其可作為永續航空燃料（Sustainable Aviation Fuels, SAF）之一。目前市場上既有的永續航空燃料生產方式為氫化酯和脂肪酸（Hydroprocessed Esters and Fatty Acids, HEFA）途徑，但該生產方式會受到生物原料可持續性限制。為擴展替代生產途徑，研究已聚焦於以化學合成法製造液態燃料，例如：費托（Fischer-Tropsch, FT）合成法，其技術以合成氣(一氧化碳和氫氣的混合氣體)為原料，加入催化劑並在適當條件下合成液態碳氫化合物。

2.關鍵挑戰
FT合成法雖具有發展潛力，但合成過程非常耗能。主要原因在於二氧化碳具化學惰性，需將二氧化碳需還原為一氧化碳才能進一步反應。過程中需以高溫或高壓推動反應進行，易造成能量損失，降低製程效率。目前最先進的FT製程的能量損失仍高達30%，因此未來發展關鍵在於優化催化劑設計，以降低生產合成燃料所需能量。

3.AI的創新應用
目前已有許多研究於催化劑領域導入AI應用，但仍需持續將不同類型的AI技術整合到設計過程的各個階段才能充分發揮其價值。其中最常見的應用實例為在分子層面預測催化劑性能，並透過傳統量子物理模型進行模擬分析。儘管其運算成本相當高昂，尚未能進行商業化大規模部署，但非常適合用於AI模型的訓練資料來源。例如Meta和卡內基美隆大學（Carnegie Mellon University）合作催化劑研究計畫，建構涵蓋19,000個分子的130萬種不同排列組合的資料集，經嚴格計算後的資料集已用於訓練預測模型，可推估催化劑表面的活性（surface reactivity）與分子鍵結強度（adsorption strength），進而提升催化劑篩選效率與設計精度。

(三)二氧化碳捕獲材料
1.市場發展機會
碳捕獲、利用和儲存（Carbon Capture, Utilisation and Storage, CCUS）在發電、工業製程和氫氣生產領域中扮演重要角色，亦可作為生產化學品和合成燃料的二氧化碳來源。然而，目前CCUS部署規模仍然有限，全球每年僅捕獲約5,000萬噸二氧化碳，占全球能源產業排放量的0.1%。未來創新的材料可降低與CCUS相關的製程能耗和成本。因此，如何應用AI加速開發新材料及優化複雜的製程，成為推動CCUS規模化的發展重點。

2.關鍵挑戰
碳捕獲技術最大的挑戰在於從混合氣體中分離出高純二氧化碳。由於不同應用場域（如煙囪尾氣或空氣直接捕獲）中碳濃度往往偏低，捕獲材料必須具備高度選擇性，以避免同時吸附氮氣（N₂）等其他氣體成分。

3.AI的創新應用
AI在碳捕獲材料的開發中，可利用預測模型（predictive models）取代計算密集的模擬過程，大幅加速材料篩選與開發流程。此外，AI模型本身亦可透過「自我強化訓練」，持續提高AI模型效能。例如，IBM 研究部門建立MDLab平台，應用機器學習（machine learning）技術整合二氧化碳捕獲的開源資料集與專有化學資料庫，協助識別CCUS具潛力的創新材料。

(四)水泥生產
1.市場發展機會
水泥（cement）是最廣泛使用的建材之一。全球對混凝土（concrete）的龐大需求，占全球能源相關二氧化碳排放量6%，其中60%屬製程排放，難以透過使用潔淨能源降低。許多新興市場和發展中經濟體對水泥的需求仍持續成長，未來亟需找到可大規模應用且成本較低的永續解決方案。

2.關鍵挑戰
水泥製程難以脫碳的主要原因，在於主要原料之一的碳酸鈣（calcium carbonate, CaCO₃）在高溫煅燒過程中會排放大量的碳，難以透過替代燃料或能源效率改善來解決的排放問題。目前降低排放的其中一種選擇為結合CCUS技術，但仍需面對高成本以及水泥窯空間分散等挑戰。

3.AI的創新應用
產學研已採用AI模擬新型水泥混合物（cement blends）的抗壓強度（compressive strength），可預測性篩選替代水泥熟料（clinker substitutes），縮短研發時間並降低實驗次數。然而，與其他技術相比，目前水泥生產領域可供訓練AI模型的資料數量非常少。未來需進一步擴大水泥資料集範圍與標準化，提升模型在配方開發與強度預測上的應用成效。

其中非碳酸鹽水泥（non-carbonate cements）在減少製程排放具高度發展潛力，但其技術成熟度（Technology Readiness Level, TRL）較低，可透過 AI加速其研發與商業化進程。目前已有2家美國新創公司Sublime和Brimstone利用矽酸鹽（silicates）新製程產製水泥，並已進行試量產，目標為開發低排碳甚至零排碳的替代性水泥。