一、前言
人工智慧的突破性發展正徹底改變全球應對關鍵挑戰的方式，美國能源部(Department of Energy, DOE)亦在人工智慧領域進行多方面投資，其範疇涵蓋基礎研究及硬體設計等方面，進而推動人工智慧技術和應用的創新及發展。

DOE策略性挑選、開發最關鍵的人工智慧應用作為優先投資項目，例如：DOE與計算公司透過合作專案，用於開發GPU和其他先進技術的關鍵零件，推動尖端人工智慧的研究和部署。

二、人工智慧應用領域及重要專案
(一)提升營運效率
DOE將人工智慧策略性應用於日常營運活動，聚焦於簡化內部流程、加強專案管理並改善跨機構協作，以提升整體營運效率。包括採用Joulix人工智慧應用工具提高生產力並促進創新；運用資料分析與機器學習工具，支援DOE各站點、外地辦事處和總部進行資料處理和流程自動化；利用專案管理人工智慧工具，作為專案評估和報告系統的人工智慧助理，透過進階索引的人工智慧文件管理搜尋功能，用於專案評估和合規性審查分析。

(二)國家安全
1. 用於核武威懾嚇阻的人工智慧/機器學習能力
開發新的人工智慧應用，部署以任務為中心的代理、模擬、硬體和資料基礎設施，以加速庫存管理任務的進展。

2. 開發多模式基礎模型抑止核武擴散
透過人工智慧模型增強作戰任務能力，即時分析評估外部核武相關風險。

3.透過人工智慧強化實體安全系統
人工智慧技術有助於提高國家實驗室物理安全威脅的檢測、識別、追蹤和分類功能，可提升重要實體資產的安全性。

4.開發及部署基於大型語言模型(Large Language Model, LLM)的情報和反情報分析工具
透過開發和部署LLM工具，以提高最終情報的即時性及準確性，為國家安全決策和敏捷響應提供關鍵洞察。

5.推動人工智慧/機器學習以加速運作和實驗規劃
透過推動人工智慧/機器學習工具發展，以提高數據分析效率和實驗規劃的品質，為國防能力提供科學基礎。

6.人工智慧測試平台
透過測試平台對AI模型進行嚴格的漏洞、穩定性和關鍵能源應用適用性進行測試，進而提供具操作可行性的評估結果，以支持安全電網AI系統設計。

7.高後果系統(High-Consequence Systems)的生成式AI
DOE透過生成式AI提高可靠性和效率，以加速高後果系統(例如：核能系統)的工程設計和數位保障。

(三)科學發現及創新
人工智慧在美國各部門的應用正在加速先進材料的發現、設計和生產，亦對能源安全、國防和經濟競爭力帶來重要影響。

1.材料發現與設計
運用人工智慧/機器學習技術從大型材料資料庫中提取資訊，並開發優化計算方式引導人工智慧加速發現，進而實現新材料自動化合成。

2.提高同位素生產效率
同位素為多項應用的關鍵材料，包括醫療和國家安全。人工智慧/機器學習可提高同位素科學和先進製造流程的效率和自動化程度，為繁瑣的同位素生產流程開發出更高效的技術。

3.人工智慧/機器學習用於輔助材料和零件製造
人工智慧/機器學習工具有助於優化先進材料(例如：不含鉑族金屬的燃料電池催化劑)，並促進材料和零件製造流程，以利開發替代方案提高關鍵零件的國內製造能力。

4.運用人工智慧加速科學發現
結合人工智慧/機器學習百萬兆級運算(Exascale Computing)能力、自主實驗功能和新一代機器人技術，實現人工智慧驅動的科學工作流程，並可即時探索和理解基礎科學模擬及實驗的超大規模數據。

(四)能源
人工智慧在核能領域的變革性應用，正在提升效率、強化自主性，並加速先進核反應器技術的部署。
1.提升反應器自主運作能力
透過開發自主核反應器，並利用先進的雲端基礎設施和人工智慧技術加速部署，建立用於即時模擬的人工智慧數位孿生模型。

2.降低核能運作及維護成本
透過應用人工智慧解決方案識別和診斷設備劣化情況，強化預測性維護，進而降低美國現有核電廠的運作和維護成本，並提高核電的經濟可行性及可靠性。

3.GEMINA專案計畫
聚焦於開發先進核反應器的數位孿生技術，並利用人工智慧技術改善運作和維護系統，建立先進控制系統、預測性維護和基於模型的故障檢測，並直接支援人工智慧設計/運作的反應器。

4.將人工智慧/機器學習用於核融合聚變電漿體的控制和預測
人工智慧/機器學習技術已被應用於聚變能源研究中的複雜數據分析、電漿體控制和預測，以加速發現並優化磁約束核融合機制。

5.將人工智慧用於核設施清理
人工智慧應用正加速核能遺留設施的環境清理，並優化長期管理，以支持DOE科學發現、國家安全和能源安全任務。

6.將機器學習用於電網控制
演算法可大幅降低電網控制迴路的運算量，提高電網營運商快速完成複雜緊急評估的能力，有助於建立韌性電網。

7.開發先進基礎設施的完整性模型
多模型的人工智慧系統可用於評估關鍵能源基礎設施的完整性，並提供維護和規劃預測資訊，目前已開發模型針對天然氣以及海上平台進行訓練，用於強化能源基礎設施的韌性。

8.PermitAI
利用人工智慧技術，整合過去50年審查的12萬份國家環境政策法(National Environmental Policy Act, NEPA)文件，透過搜尋、彙整相關數據，並針對公眾意見進行摘要，建立資料庫簡化能源基礎設施許可流程。

三、人工智慧策略目標
(一)AI基礎設施
1.穩健的測試環境
DOE針對人工智慧模型正建置專用、安全的測試環境，並進行嚴格的驗證，包括在DOE各設施和國家實驗室建立專用測試環境，並為研究人員提供競爭性、擇優存取機制。

2.自動化和自主實驗
擴大投資自主實驗室和人工智慧引導的工作流程設計，以提高人工智慧驅動數據生成的數量。

3.人工智慧運作和擴大部署
擴大資料存取和利用範圍需要開發演算法，針對關鍵資料集進行匿名處理（例如：能源資料），進而促進能源交易最佳化。

(二)數據
1.資料基礎設施和現代化管理
建立並維護穩健的資料管理架構、政策和標準，整合DOE、產業和跨部門資料社群，包括優先採用應用程式介面(API)和通用標準，以縮短部署時間、減少投入資源，同時提高資料品質、可用性、安全性和共享性。

2.加強資料治理
DOE透過擴展資料治理結構，以適應各部門和領域的實際情況，並確保跨資料社群的參與和溝通管道，協助識別共同需求、加速價值實現並降低風險。

3.強化資料的存取性和管理
DOE積極推動和加強與組織相關的開放資料共享計畫，支援人工智慧應用案例的科學創新，確保公共資料易於存取，並規劃建立人工智慧資料目錄，為各機構部門提供客製化連接。

(三)人才
1.人才招募與發展
DOE利用履歷庫和聯邦招募權限，建立實習和學術聯盟機制，預備人工智慧人才儲備。此外，透過與人工智慧從業者進行交流，並提供在國家實驗室實習機會、獎學金和研究金培養相關技術專長。

2.策略化培訓和技能提升
DOE透過人力資源資訊系統，系統地評估員工的人工智慧培訓和技能提升需求，與各職能領域專家合作，制定客製化的學習方案，推廣培訓項目提升全體員工(包括技術專家、領導階層和最終用戶)的人工智慧技能。例如：國家實驗室員工實施交叉培訓實現個人化學習。