据能源圈了解到，11月24日，国际能源署（IEA）发表《人工智能如何改变能源创新》评论文章，认为人工智能（AI）像蒸汽机和电力一样，是一种可广泛应用的技术，能深刻改变全球经济和能源系统。尽管存在不确定性，AI在加速能源创新方面具有巨大潜力。近年来，技术进步（包括渐进式和突破性）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与气候目标，现有清洁能源技术需要不断改进，新型能源技术必须进入市场。AI将增强科学家的创新能力，推动能源技术进步，政策制定者和科学界需要明确重点应用领域并解决关键问题。要点如下：
1、人工智能是否代表了能源创新速度的跃迁？
类似于半导体领域的摩尔定律，能源技术也有“学习率”预测，即技术成本随着部署的增加而降低。然而，半导体领域的进步已经放缓，摩尔定律自2010年起已不再准确，且技术进展在某些领域放缓。比如，电动汽车电池的学习率能否持续保持在预计的15%仍然存在疑问。近期技术价格上涨部分源于关键材料供需不匹配，表明制造能力和贸易等因素可能限制创新。尽管如此，一些分析人员认为AI能帮助维持当前的学习率预测，而另外一些分析人员则认为AI可能会带来更颠覆性的突破，可能使当前的学习率看起来非常保守。因此，需要深入研究AI如何加速技术创新。
2、人工智能在早期发现能源相关材料上的前景可观
AI在材料筛选和优化方面表现出色，能够在海量材料中快速发现潜在高性能材料，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，美国国家实验室和微软公司的研究团队使用AI工具从3250万种锂电池固态电解质，筛选出23种新型电解质。瑞典科学家从4500万种电池正极材料中，识别发现4600种有前景材料。保时捷电池制造子公司承诺将实验室到生产线的时间缩短90%以上。AI还在生物燃料合成、催化剂和CO2捕集等领域取得突破，并吸引了大量投资。AI技术应用加速了能源创新，并推动了机器人和自动化的进步。研究显示，AI工具帮助企业在不到两年内增加了39%的专利申请量。如图1所示。
图1 使用和不使用AI工具的新材料发现率
3、数据可用性等主要障碍依然存在
尽管AI创新潜力巨大，但全面发挥作用前仍面临挑战。首先，数据可用性是关键问题，目前相关材料数据集不完整，仅涵盖有限的分子或反应子集。虽然正在开发大规模、结构化的专业数据集，如材料项目（Materials Project）和剑桥结构数据库（Cambridge Structural Database），但要解决现实问题，数据集需要进一步扩大。模拟数据可弥补数据缺口，但实验数据仍无法替代，国际合作是获得可靠实验数据的关键。另一个挑战是如何优化AI结果，特别是考虑到将材料集成到功能性产品中的复杂性。目前，许多评估仍依赖人工检查，例如在不同温度下的性能测试和与其他组件的相互作用。此外，AI设计材料生产需要大量后续工作，但会导致高昂的计算需求、成本及资源消耗。
4、仅加速创新进程远远不够，测试和商业化也需尽快跟上
通过计算机识别新材料在能源应用中的潜力，仅是创新过程的一部分。原型制造、随后的商业化、大规模生产和获得市场广泛接受需要几年甚至几十年的时间。然而，其他正在开发的AI工具有可能缩短这些时间。例如，劳伦斯伯克利国家实验室的自动驾驶实验室能合成计算机预测的储能化学物质，每天处理的样本比人工实验室多100倍。对于大型复杂系统，AI支持的“数字孪生”技术已应用于制造优化和设备设计，特别是在核聚变等领域。数字孪生能够显著降低设计和工业放大的成本与风险，预计将推动工业脱碳、地热能、合成燃料以及碳捕集、封存等技术的创新。然而，AI在创新过程中的应用仍面临挑战，许多工具尚未广泛应用于规模化阶段的创新。此外，技能差距和缺乏迅速响应的监管标准框架，也可能限制AI在新产品测试和商业化中的有效支持。
5、加强政策支持极为必要
AI在推动能源技术创新方面具有巨大潜力，但要充分实现这一潜力，政府需提前解决关键问题，加强可访问的数据库检索和国际合作，以及技能与设备的投入。政策制定者应支持创新者广泛使用新的数字工具，并帮助投资者应对风险。
