皮耶爾·保羅·雷蒙迪：美國的AI是大泡沫？背後的能源競爭才是致命的

**編者按：**近期，美國刊物《連線》和《大西洋月刊》相繼發表重磅文章，將當下AI熱潮稱為“終極泡沫——終結所有泡沫的泡沫”。兩篇文章揭示美國AI巨頭陷入鉅額虧損：OpenAI去年營收約40億，虧損50億美元。分析人士指出，在這場“明知可能是泡沫，卻不得不下注”的豪賭中，誰能以更低成本獲取並穩定供應電力，誰就能掌握競爭主動權。

意大利國際事務研究所（IAI）近期發表的報告，對這一“AI—能源紐帶”如何重塑全球競爭格局進行了系統分析。報告指出，AI擴張化發展對電力的需求呈指數級上漲趨勢。保障電力持續穩定供給已成為國家發展AI的核心戰略支撐，這也推動了全球能源格局的重塑，倒逼全球油氣行業的變革發展，油氣公司需從“傳統能源供應商” 轉型為 “AI能源解決方案提供者”與 “AI 驅動的高效運營商”。

在這一趨勢下，油氣公司面臨兩大轉型難題：一是在AI地緣政治化背景下，技術獲取面臨出口壁壘；二是全球油氣公司面臨大洗牌，部分公司或將成為地緣政治犧牲品。本文轉載自歐亞系統科學研究會，文章僅代表作者本人觀點。

【文/皮耶爾·保羅·雷蒙迪，編譯/李旭】

地緣政治世界中的AI

人工智能具有很強的變革潛力，因此，全球各界人士都在密切關注AI領域的發展。各國的決策層都在積極引導私人資本進入AI領域，以獲取實際經濟收益，同時增強自身的經濟安全與國家安全；企業則在“數據—算力—模型—應用”各個環節爭奪市場份額。

人工智能的運行，離不開數據中心提供的電力與算力支持。隨着競爭加劇，各國在數據中心方面的投資顯著擴張，規模越來越大、投資速度也越來越快：中國設立了475億美元的半導體基金，以強化芯片方面的研發與生產能力；印度投入了12.5億美元；加拿大投入了24億美元以支持相關的項目研發與基礎設施建設。在國家層面，中美兩國最為關鍵。兩國依託自身強大的科技產業、充裕的資金、相對豐富的能源和有針對性的產業政策，推進AI行業的發展。以數據中心容量來計算，美國約佔全球份額的45%，中國約佔25%。

美國憑藉自身的科技巨頭與持續投資在建設與算力供給上處於領先地位。過去十年裏，美國的機器學習模型產出居於首位；在大語言模型領域，約73%的模型是由美國開發的。2024年，美國機構共發佈40個模型，中國15個，歐洲3個。同期，美國人工智能私人投資約1091億美元，中國約93億美元，英國約45億美元；前二十名還包括瑞典、阿聯酋、荷蘭、意大利。若看2013—2024年的累計投資，名次略有變化，但格局基本不變。

圖1：2024年人工智能私人投資額排名前二十的國家（單位：十億美元）

圖2：2013—2024年人工智能總投資額排名前二十的國家（單位：十億美元）

在資本的推動下，美國出現了通過合資與整合做大AI的趨勢。目前，美國政府正在推動多方聯合，OpenAI、甲骨文與軟銀宣佈在美組建合資企業，並承諾投資1000億美元。相關的監管措施也在同步加快：2024年聯邦層面的相關行動較上一年幾乎翻倍。而在將人工智能納入國家發展戰略的同時，美國也在高度關注與中國的競爭。美國國會下屬的美中經濟與安全審查委員會呼籲設立新時代的“曼哈頓計劃”，以鞏固美國的前沿技術領導地位。與此同時，中國在AI方面的領導地位也在穩步提升。過去十年，中國圍繞AI推出了系統性的產業政策。雖然美國在模型產出上仍佔優勢，但在質量與先進性上，兩國的差距正在縮小，私營企業的重要性不斷上升。

總體來看，AI已成為新的大國戰略競爭戰場。多國傾向於將技術競爭視為零和博弈，例如，美國在AI領域形成了較為系統的限制框架，以約束中國獲取關鍵技術與設備的能力，其典型做法是對先進芯片與半導體制造設備實施出口管制。

歐洲則秉持着不同的發展路徑與節奏。歐洲的數據中心用電量約佔全球總量的15%，但因本土龍頭企業偏少、資本市場深度不足、關鍵技能短缺而相對落後。不過，歐盟在制度安全層面投入頗多：2024年6月，歐盟通過了《人工智能法案》，以區分風險分級的方式為開發者與使用者設定相應的規則；2025年4月，歐盟又發佈了“人工智能大陸行動計劃”，擬撬動約2000億歐元的投資，在歐洲建設至少13家“人工智能工廠”，並新建5家左右的“人工智能超級工廠”。不過，相關投資的實際落地仍有困難：歐盟整體的融資能力弱於其主要對手，而且能源和房地產方面的成本也相對較高。

放眼全球，自2023年以來，在統計的75個國家當中，有關人工智能的立法與政策增長幅度約為21.3%，較2016年相比更是增長了9倍之多。除了頭部經濟體外，許多中等國家與新興經濟體也在積極參與。

中東，尤其是海灣國家表現得尤為突出。沙特和阿聯酋希望依託自身雄厚的資金、低廉穩定的能源、廣袤的土地與強力的政策承諾，打造區域乃至全球範圍內的人工智能樞紐；“數據是新的石油”已成為當地各國政府的共識。兩國已將AI產業納入到經濟多元化路線圖當中：阿聯酋於2017年發佈了國家級人工智能戰略，沙特也於2020年發佈了國家級數據與人工智能戰略；隨後，相關的大額項目密集落地。阿聯酋的G42與多家科技公司共同推進“Stargate UAE”項目，沙特則啓動了價值約1000億美元的“超越工程”，還設立了國家級人工智能旗艦企業 HUMAIN。不過，這些國家要想實現自身的目標，仍需解決人才短缺、技術依賴、極端高温以及當地的地緣政治不確定性等不利因素。

東南亞各國也在積極參與AI熱潮。各國都在努力營造更為友好的監管與營商環境，充分發揮本地年輕人口多、成本低的優勢。據測算，東盟在數據中心建設與運營成本方面較全球均值便宜約20%。

總而言之，推動AI產業擴張的關鍵要素包括充裕的資本、穩定且廉價的能源供給、過硬的技術與工程能力支持。這些因素導致數據中心在地理上往往高度集中。當然，氣候也同樣重要：氣温更低的地區因冷卻成本更低，更能吸引投資。隨着全球範圍內的氣温上升，這一影響將進一步放大。與此同時，在一個地緣政治色彩更加濃重、技術密集程度更高的世界裏，數據中心的選址也會更多地考慮主權與國家安全因素，這一點也將重塑各國與各個企業之間的“AI外交”和合作版圖。

AI—能源紐帶

AI大模型需要依託數據中心才能運行，而數據中心則需要大量的算力與電力支持。因此，要想評估AI對能源系統帶來的影響，必須把數據中心用電作為核心切入點。按慣例，數據中心大致可分為兩類：一是普通規模，其裝機與負荷一般較小；二是超大規模，其用電需求可達100兆瓦甚至更高。近年來，超大規模數據中心的快速普及，對電力系統提出了更高的負荷要求。

自2017年以來，數據中心年用電量以約12%的速度不斷增長，明顯高於全球用電的平均增速，幾乎達到了其四倍之多。到2024年，數據中心年用電量約415太瓦時，約佔全球總用電量的1.5%。目前，AI相關的負載在其中所佔的比例仍相對有限，且各國差異顯著。按地域看，美國、歐洲與中國合計約佔全球數據中心用電總量的85%；其中，美國的數據中心用電佔全美用電總額的4%以上，歐洲不到2%，中國約為1.1%。這些差異既與產業佈局與投資節奏有關，也與各地電力結構、能源價格和電網條件密切相關。

表1：按國家劃分的數據顯示：2024年數據中心用電量（佔比與絕對值），以及到2030年的用電增量

（一）用電增長的相關預測

在未來一段時期內，隨着人工智能技術的持續進步與新項目落地，數據中心的用電需求量預計會繼續上行。從現在到2030年，用電量的年均增速大概率約15%。按國際能源署的測算，2030年全球數據中心用電量將比現在多一倍多，約為945太瓦時，體量略高於日本2024年的全年用電量；但其在全球用電總量當中的佔比仍在3%左右。儘管佔比不高，但增長的分佈情況卻明顯不均：在美國和日本，2030年數據中心的用電增量會佔全國用電增量的約50%；而數據中心往往集中在少數區域，因此容易在城市羣或園區層面推高負荷峯值，進而抬升對電網承載、調度與新建電源配套的要求。

隨着AI用電負載的上升，環境方面的考慮也應當提上日程。例如：一次AI查詢的耗電量約為普通搜索的十倍，而這將影響企業的減排策略。一項覆蓋約200家AI企業的研究顯示，2020—2023年間，其碳排放總量增長了約1.5倍。即便可再生能源的擴張使得電網平均碳排放量有所下降，但也未必能幫助科技公司降低自身的碳排放量。

雖然多數預測都認為AI產業的用電量將持續上行，但相關的不確定性依然較高，關鍵在於數據的可得性、效率提升的速度以及行業的發展節奏。效率提升很可能會顯著壓低邊際用電量：經驗顯示，AI相關芯片的能效大約每三年就能翻一番，按同等算力口徑計算，現代芯片的耗能量已比2008年時低約99%；2015—2019年的工作負載雖然增長了近三倍之多，但總用電量卻相對穩定，這主要就得益於芯片能效的提升。近期的技術進步（如DeepSeek於2025年推出的大型推理模型）與“分佈式訓練能力”的推進，進一步強化了效率提升帶來的成效。

不過，需要警惕的是，效率提升並不必然帶來總用電量的下降，單位成本降低常常會導致使用頻率的上升，因此還可能會出現“反彈效應”。此外，電網接入方面的限制、上游芯片與設備供給的瓶頸、監管審批週期等因素，以及社會接受度與人才供給等外部約束，也會影響AI在各行業的實際採用速度。

（二）可靠的能源組合與購電安排

無論未來出現哪種需求情景，要滿足人工智能當前與未來的用電需求，關鍵還是在於建立並持續優化“可靠的能源組合”，同時通過合適的購電/供電安排鎖定電量與電價。保守估計，為數據中心供電的全球發電總量將從2024年的約460太瓦時增至2030年的1000太瓦時以上，並在2035年達到約1300太瓦時。其中約一半來自可再生能源，餘下的部分則由天然氣與煤電進行補充；儲能則承擔“緩衝”角色，平抑可再生能源的發電波動。因此，從成本與可獲得性方面進行綜合考量，“天然氣+可再生能源”成為各國的優先選項。

需要強調的是，在中短期內，特別是在美國，天然氣仍是確保電力“量足價穩”的重要支柱。美國擁有規模龐大且相對低價的天然氣資源，有利於建設人工智能基礎設施並保障數據中心的供電安全，但“保障國內低價能源”與“擴大液化天然氣出口”之間存在着一定的張力。此外，燃機交付週期偏長以及甲烷排放等負面因素也會影響社會與企業對天然氣資源的接受程度；要提高可持續性，就必須嚴格監測並主動削減甲烷帶來的碳排放。

AI行業的用電需求上行也推動了“核能復興”。微軟與三里島核電站簽署了20年的重啓與供電協議，亞馬遜、微軟、谷歌、Meta等公司也宣佈了依靠核電為數據中心供能的交易；除依賴現有機組外，各國目前也在關注小型模塊化反應堆（SMR）的建設進度。但小型模塊化反應堆的研發、審批與建設週期較長，時間表與數據中心的實際投運往往難以匹配。與此同時，地熱發電因能利用油氣行業積累下來的鑽井與壓裂技術而再次受到關注，例如：谷歌與Fervo Energy就在內華達設立了新的項目，微軟與G42在肯尼亞也開展了約10億美元的投資。

圖3：全球數據中心電力來源構成（IEA基準情景），2020—2035年

在供能與交易模式上，各個企業正通過“多路徑並行”打造可支撐“全年24小時不間斷”的組合，並不斷豐富購電/供電合同，他們廣泛採用了長期電力購買協議，尤其是清潔能源。部分領先企業已經開始嘗試“逐小時匹配”的購電協議，以期能夠更好地利用綠色電量。

（三）國家層面的能源政策

從國家層面來看，“政治承諾的強弱”和“能源的可獲得性”共同塑造了各國為數據中心與AI基礎設施供電的政策選擇。以美國為例，目前的供電結構大致為天然氣40%、可再生能源24%、核能15%、煤電20%。隨着特朗普重返白宮，中美兩國在能源政策上的分化將更為明顯：美國傾向於開發利用國內的化石燃料，以支撐經濟發展，並維持較低的能源價格；中國則在加快將清潔能源技術嵌入到各部門當中，同時追求能源安全、經濟增長與減排目標。

就中國而言，儘管目前的總體發電量仍較多依賴煤炭（約58%），但太陽能與風能的部署速度很快、核電裝機也在進一步擴展，以增強電力系統的安全性與可負擔性。反觀美國，當前的政策更強調利用本土的化石能源，以實現“能源主導”，並向消費者提供更低價格的電力；與此同時，相關立法削減了《通脹削減法案》當中的部分綠色支出，這可能會放緩新型能源的擴張趨勢，難以充分滿足AI帶來的新增用電需求，同時也會制約美國的再工業化與製造業競爭力的提升。

在其他國家中，法國、阿聯酋以及日本均希望更充分地利用核電資產。以法國為例，其國家級人工智能戰略首先強調“充足、穩定且清潔的電力供應”。2024年，法國約68%的發電量來自核電，而且法國是主要的電力出口國（淨出口額約89太瓦時）。不過，法國仍面臨核電機組運維難度大、向本土大型AI項目傾斜可能壓縮周邊國家用電空間，以及在人才、產業鏈與監管上的短板等一系列挑戰。而阿聯酋與日本選擇的路徑則不同。阿聯酋是近年核電建設的成功案例，核能預計可滿足全國約四分之一的用電需求；日本在福島事故後大幅收縮核電項目，但在AI驅動的用電增長與能源安全壓力下，日本也在考慮逐步恢復核電在電力結構中的地位。

（四）配套（輔助）要素

除了直接供電外，各國決策層與企業還需在配套環節同步展開行動，以進一步建設、加固並優化支撐AI產業擴張的基礎要素。首先，各國應強化把電力從電源端送至數據中心的電力基礎設施，尤其是輸電與配電網絡。隨着可再生能源的深度嵌入以及總用電設備的不斷增加，電網的重要性日益提升。歐洲一些傳統數據中心樞紐已明顯受限於當前的電網接入與輸電能力，需儘快在政策與實踐層面加以解決。

要打造足夠強韌的電網體系，就必須在這一領域增加投資。同時，決策者也需要及早應對因AI產業用電量激增與基建擴張帶來的其他後果：一是家庭用户與數據中心之間的電力資源權衡；二是電網擴容成本的分擔。簡言之，電網的接入情況與容量將成為吸引投資與項目落地的關鍵。考慮到電網的差異與電力結構約束，歐洲的新增投資可能會從傳統的樞紐國家轉向水電資源更豐富、可再生資源潛力更高的北歐與南歐國家。

在中國，針對“東部數據多、需在西部處理”的現狀，2022年，中國政府啓動了“東數西算”工程，開始將算力與數據中心向西部轉移。為此，中國政府需要建設並運行超高壓遠距離輸電通道，進而將清潔電力送至負荷中心。據估計，該工程既可緩解東部電網的輸電壓力，也有助於在全國層面降低排放，實現經濟性與環境性的統一。

最後，儘管新建與擴建難度大、週期長，但傳統數據中心樞紐仍具有相當的吸引力。以已建成裝機容量計，全球前十的市場仍佔在建容量的15%以上。原因在於投資不僅看能源價格或電力結構，還取決於人才與人力資本、客户與產業集羣、監管與税制、供應鏈與基礎設施等綜合因素，傳統樞紐憑藉整體的優勢，仍能保持較強的吸附力。

國有與國際油氣公司

全球能源市場的參與者眾多，其中包括了政府與監管機構、承擔投資與運營的能源公司、電力與燃氣等公用事業企業、負責輸配電的網絡運營商，以及數量龐大的終端用户與工業客户。在這套錯綜複雜、相互依賴的體系中，油氣公司始終扮演着關鍵的角色。

按所有權結構與使命定位來看，油氣公司大致分為兩類：一是國際大型油氣公司，二是國有石油公司。長期以來，公眾一直將國際油氣公司視為國際市場當中最強勢的參與方，但放到今天，國際油氣公司的全球產量份額已從1972年的約93%降至不足50%。與此相比，國有石油公司在規模與資源掌控上更具分量，在許多資源型國家，它們還是“以油氣換外匯”的主要渠道。就產量與儲量看，國有石油公司貢獻了全球逾半數產量，掌握着近六成可採儲量。

圖4：2022年按公司類型劃分的儲量、產量與上游投資的所有權佔比

過去十年，在國際油氣公司因油價走弱與氣候約束趨嚴而收縮資本開支的背景下，國有石油公司的“投資承接與供給穩定器”作用日益上升，其投資額度約佔全球上游化石能源項目資本投資的45%。這背後的原因在於，它們通常擁有成本更低、質量更好的資源組合，單位開發成本低於全球平均水平，資產自然遞減率更慢，更能在週期波動中保持產量與現金流穩定。

總體而言，國有石油公司在氣候議程上更顯審慎，往往需要在當前財政收入、就業與穩定、資源長期轉型之間尋找到一種可行的平衡手段。這些公司在氣候議程上的雄心與執行力度差異很大，往往取決於國家領導層的政策取向、國內治理穩定度、資源稟賦、融資能力與經濟多元化進展。在經濟脆弱、財政緩衝有限的國家（如伊拉克、阿爾及利亞），當地的國有石油公司往往更傾向於在短期內獲取到最大額度的收入；而在政治穩定、財政充裕、技術能力較強的海灣國家，則在確保能源安全與財政穩健的同時，積極佈局可再生能源、氫能與碳捕集與封存等新業務，以便在“需求受限的未來”中保持自身的份額。

需要指出的是，這兩類公司的橫向可比性有限；同時，它們都必須在高度不確定性的環境下做出重資產、長週期的決策：油價波動、氣候政策推進、關鍵技術進步導致的需求預期變化，都會影響投資回報與風險分佈。因此，堅持推進必要的業務轉型與結構調整、持續提升效率，並在波動的環境中守住自身的資本回報，已成為國際油氣公司與國有石油公司的共同理性選擇。

AI在關鍵業務中的應用

長期以來，油氣行業一直都在堅持推進技術創新，其目標是在更低的成本下發現並高效開發可採儲量。其中“上游產業”（勘探與生產）被視為核心與高回報板塊，因此，相關的重大技術多優先應用於此。事實表明，技術進步顯著降低了勘探與運營成本，深水海上油田開發就是其中的典型案例，這也在很大程度上緩解了“資源枯竭”的擔憂，並壓低了邊際成本。

隨着氣候政策推進與技術的加速演進，人工智能及其帶動的用電增長，正促使能源公司重審自身的資產組合與投資方向，並開始思考如何在“安全、可負擔、可持續”的目標下，滿足數據中心與人工智能負載的電力需求。例如，雪佛龍與埃克森美孚已宣佈進入面向數據中心的發電業務。

幾乎所有超大規模科技公司都設定了自身的氣候目標，並將“用電去碳化”納入規劃之中，這倒逼油氣公司擴展自身的技術工具箱，在保障供電可靠的同時兼顧減排與合規要求。例如，埃克森美孚希望憑藉其碳捕集與封存能力，提供更為低碳的能源；埃尼與阿聯酋Khazna數據中心簽署協議，計劃在意大利建設總容量約500兆瓦的AI產業園區，由高效燃氣電站負責供電。

在AI的這一輪熱潮中，油氣公司正在評估如何將AI嵌入到自身的商業模式之中。相關的行業估算顯示，2024年油氣全價值鏈的AI應用市場價值約30億美元，預計到2029年可達到52億美元。AI的主要應用途徑在於提升決策質量、優化流程、改進運營效率。不過，要想讓AI真正見效，前提是需要將其優先部署到勘探與生產、資產維護、減排落地和增強系統韌性等場景當中。

從複雜程度看，油氣行業可以應用的AI產品分為兩類：一是通用型，其適配要求不高，多用於後台與共享職能，或以“協作助手”的身份提升生產力（如BP、道達爾能源與微軟合作引入的Copilot）；二是複雜型，其往往需要深度綁定核心流程，融合公司的資產數據，甚至訓練定製的大模型。行業內的領先者往往會同步推進核心流程的重構，基於“全價值鏈—全生命週期”的數據進行機器學習，進而實現收益的最大化。ADNOC在全鏈部署了30餘種AI工具，在2023年，這些AI工具給企業帶來的新增價值約5億美元。

目前，多家企業都將AI應用上升為企業戰略。PETRONAS在馬來西亞設立了“AI卓越中心”；沙特阿美髮布了生成式模型“Metabrain AI”，整合了鑽井、地質與案例方面的諸多數據；ADNOC與AIQ推出了“ENERGYai”，以智能體理念將大模型嵌入到上游應用當中。除自建團隊外，“技術提供商—油氣公司”的戰略合作也日漸增多。

（一）上游板塊的應用：從地震成像到生產優化

AI融入油氣業務的重心幾乎必然落在“勘探與生產”之上。對國有石油公司與國際油氣公司而言，勘探與生產業務既是其利潤引擎，也是其核心能力。其中，地震勘探與成像是這一領域的基礎環節。將AI疊加到高分辨率三維地震數據與物理模型上，可獲得更為清晰的地下構造圖像，從而降低勘探風險、縮短解釋週期，並提高鑽井與完井成功率。多家頭部企業已在深水與非常規場景適用了相關技術，併成功降低了採集與處理成本、提升採收率與單井經濟性。

AI可發揮作用的第二個領域在於井位規劃、自動化鑽井、工況預測與流程優化。埃克森美孚與IBM在部署了AI工具之後，將井位規劃與工程設計時間由先前的9個月縮短至7個月，並將數據準備工作量削減了大約40%。隨着“數字化油田”的推進，井場、管網與中控的互聯程度增強，成本有所降低，且安全性得到了提升。國際能源署曾估計：若數字技術得到廣泛應用，在生產方面的優化可帶來10%—20%的成本下降。在安全維度，AI結合傳感網絡與邊緣計算強化設備，能夠顯著降低故障與非計劃停產的風險。

智慧油氣田 AI製圖

（二）甲烷排放的監測與減排：用數據與AI把“看不見的排放”管起來

即便在總體需求增速放緩的情形下，化石能源仍將在較長時期內作為主要能源。要儘量降低這部分供給伴生的碳排放，最直接且可行的突破口是把“生產環節的排放”管嚴管實，其中，甲烷的排放必須得到優先治理。

通過部署高靈敏度傳感器、採用機載/車載/衞星多平台遙感，併疊加AI與機器學習，企業可在更大範圍、更高頻率、接近即時地識別、量化並處置甲烷泄漏。甲烷是僅次於二氧化碳的第二大温室氣體，在其釋放後的20年內，其增暖效應是二氧化碳的80餘倍。化石燃料生產與開採環節每年會排放約1.2億噸甲烷，約佔人為排放的三分之一。若能及時捕集與利用這部分甲烷，不僅可增加市場供給、提升能源安全，還能穩定價格、改善可獲得性；更重要的是，削減甲烷在“見效速度”和“成本效益”上都極具優勢，是當前應對全球變暖最划算且見效快的選項之一。

相關的政策與市場信號正在持續增強。多國開始把治理重心擴展至甲烷，部分原因在於相關的技術與工具已基本就位。國際能源署測算後得出結論，現有的技術可減少約70%的甲烷排放，其中約40%的油氣甲烷可在不增加淨成本的條件下得以避免。目前，已有上百個國家發起了“全球甲烷承諾”，目標是到2030年時削減至少30%的甲烷排放；為實現《巴黎協定》的控温目標，油氣行業到2030年時需將甲烷排放降低75%以上。

在技術路徑上，AI能讓監測能力躍遷到“廣域、近即時、可量化”的新層級。專門的“甲烷衞星”也在持續增多，能夠更透明地提供遙感數據，尤其是捕捉約佔油氣甲烷20%的“逃逸性排放”。深度學習可融合遙感、地面與工藝數據，持續跟蹤、即時檢漏，並對異常進行預警。以雪佛龍為例，其在上游運營中部署的AI工具能夠將甲烷排放情況降低60%。

（三）碳捕集、利用與封存（CCUS/CCS）：在“減排硬仗”裏嵌入智能化工具鏈

要讓碳捕集、利用與封存技術實現規模化，仍需在效率與成本上持續迭代：將捕集率從約90%推進到98%乃至更高，同時逐步壓低單位噸捕集與封存的成本。AI可嵌入到多個關鍵環節之中：一是在選址與建模上，依託更強大的算力，快速篩選出潛在封存點，並評估圈閉與封蓋的完整性；二是在“排放源—封存點”的空間優化上，綜合輸送距離、運輸方式（管道/船運/卡車）與體量匹配，給出更為經濟且穩妥的方案。圍繞這些需求，目前已出現了一批以“AI輔助選址與模擬”為目標的企業（如Geoteric）；同時也出現了“算力—能源公司”的跨界合作，如Cerebras與道達爾能源在碳封存模擬上的聯合探索。

AI應用面臨的挑戰

就目前的整體趨勢來看，AI在油氣行業的潛力已相當清晰，許多公司已把各類項目嵌入到日常運營當中，用於提效、增強在“需求增速放緩”的環境中的韌性，並加快減排目標的落地。但要想全面、可持續地釋放AI潛能，企業管理層與政策制定者需共同應對一系列關鍵挑戰：

（一）數據質量與治理是“地基”：數據缺陷會帶來偏差與失真，並在流程與安全管理上引入不確定性。企業需同時提升數據的質量與數量：統一口徑與元數據標準，將歷史數據進行清理、標籤化並結構化，打通跨部門、跨區域的數據孤島，建設一體化的數據底座與權限體系。

（二）行業敏感性與競爭性會制約“協作式AI”的發展：油氣相關的數據與商業策略具有高度敏感性，跨組織共享與開源更難實現，這限制了協作式AI的規模與發展速度。

（三）遺留資產與新技術的代際兼容：在役設備與控制系統往往使用的是老舊協議與標準，新工具與高頻採集方案接入時大多面臨接口、帶寬、粒度與採樣頻率不匹配的問題。

（四）數字化擴張帶來的安全風險：更多設備與數據上網會導致企業更容易受到攻擊。必須強化身份認證、訪問控制、數據脱敏、密鑰管理與多重備份，建立覆蓋採集—傳輸—存儲—調用—歸檔的全鏈路審計與應急響應機制。

（五）AI產品的落地需要管理文化轉變與人才隊伍建設：AI不是“多裝一套軟件”那麼簡單，而是流程、角色與方法的系統性重構。應將項目與核心KPI、預算與激勵緊密綁定，跑通“試點—評估—推廣—覆盤”的閉環；同時培養懂工藝與數據的“橋樑型”人才，併為一線人員提供持續的培訓，提升“人—機—流程”的協同發展。

（六）地緣競爭與技術管制加劇價值鏈的碎片化：先進芯片、關鍵軟件與設備可能受限，跨境合作會變得更慢、更貴，導致週期拉長、成本抬升或被迫採用性能次優的解決方案。