有一天，一位學生問我：「主任，AI 這麼厲害，以後還需要資源工程師嗎？」

這是一個很好的問題，也是一個這一代學生無法迴避的問題。現在的 AI 可以幫我們整理文獻、寫程式、分析資料、建立模型，甚至提出研究方向。以前研究生花好幾天整理的資料，現在 AI 幾分鐘就能完成初稿；以前需要慢慢摸索的程式，現在 AI 可以一步一步協助修正。於是很多學生開始擔心，如果 AI 越來越強，那人還剩下什麼價值？

我的回答很直接：資源工程不是 AI 容易取代的領域；相反地，資源工程是最適合運用 AI、也最適合培養 AI 時代工程人才的領域。

原因很簡單：資源工程本來就是跨領域工程教育。

資源工程不是只學一種技術，也不是只面對單一產業。它同時連結地質、地下水、地熱能源、二氧化碳地質封存、地下儲氫、礦物材料、陶瓷工程、資源再生、循環經濟、資源管理與永續發展。學生在資源系所學的，不只是某一門專業知識，而是如何在不同知識之間建立連結，如何把自然環境、工程技術、材料製程、產業需求與社會責任整合起來。這種能力，正是 AI 時代最需要、也最不容易被 AI 取代的能力。

AI 最擅長的是處理資料、尋找規律、加速運算與產生建議；但 AI 最不擅長的，是理解真實世界的複雜脈絡。它可以讀取一張地質圖，但無法真正站在山坡上觀察岩層裂隙；它可以分析地下水資料，但無法親眼看過抽水試驗後水位如何變化；它可以預測材料性能，但不知道粉體團聚、燒結氣氛、晶粒長大與孔隙殘留如何影響實際產品；它可以判斷廢棄物中可能含有高價金屬，但無法單獨決定回收流程是否安全、經濟、低碳且符合環境規範。

這就是資源工程的不可取代性。資源工程面對的不是乾淨、完整、標準化的資料，而是真實世界中不完整、不確定、會變動、充滿限制條件的工程問題。AI 可以協助我們看見可能性，但不能替我們完成工程判斷；AI 可以加速搜尋答案，但不能保證答案正確；AI 可以產生建議，但不能替人類承擔決策責任。

因此，AI 在資源工程中的角色，不是「替代者」，而是「槓桿」。

想像一個情境：一組學生使用 AI 分析南部某地的地質、熱流與地下水資料，模型告訴他們：「這裡可能適合地熱開發。」如果學生只會使用 AI 分析，他們可能會說：「模型預測成功，我們找到答案了。」但真正受過資源工程訓練的學生會繼續問：地層是否有足夠的滲透率？斷層是否可能造成風險？地下水系統是否會受到影響？鑽井成本是否合理？附近居民是否能接受？長期監測如何設計？如果資料不完整，模型的不確定性有多大？

這些問題，AI 不能單獨回答。這些問題，需要地質、能源、環境、工程經濟與社會溝通的整合判斷。這正是資源工程教育的價值。

再想像另一個情境：AI 告訴學生，某一批廢棄電子產品中含有可回收的銅、鎳、鈷、鋰與稀土元素。這看起來是一個很好的循環經濟機會。但資源工程師不能只看金屬含量，還要問：如何破碎與分選？用濕法冶金還是火法冶金？藥劑會不會造成二次污染？回收成本是否低於市場價值？碳足跡是否真的比原生礦開採更低？剩餘廢液與殘渣如何處理？這些問題同樣不能只靠 AI 回答，而需要資源再生、材料分離、環境工程、經濟評估與法規知識共同判斷。

所以，資源系不是一個「被 AI 挑戰的傳統科系」，而是一個「最適合 AI 時代的跨領域工程科系」。

未來的 AI 人才，不會只是會寫程式的人。真正有價值的 AI 人才，是懂得把 AI 放進真實問題中的人。醫學需要懂 AI 的醫師，法律需要懂 AI 的法律人，金融需要懂 AI 的分析師；同樣地，能源轉型、關鍵礦物、循環經濟、碳封存、地熱開發與先進材料，更需要懂 AI 的資源工程師。

這也提醒我們，AI 時代的資源工程教育，不能只是多開一門程式課，也不能只是教學生如何使用 ChatGPT 或機器學習工具。真正重要的是，把 AI 融入專業課程與實作訓練之中。例如，在工程地質與地下水課程中導入資料分析與預測模型；在地熱與碳封存課程中加入數值模擬、感測資料與不確定性評估；在礦物處理與資源再生課程中導入機器視覺、自動分選與流程最佳化；在陶瓷與功能材料課程中導入材料資訊學與機器學習輔助配方設計；在資源經濟與管理課程中結合 ESG、生命週期評估與數據驅動決策。

如此一來，學生學到的 AI 才不是抽象工具，而是能解決真實資源問題的方法。

資源系的跨領域訓練，正好符合未來 AI 教育的核心精神。AI 時代最重要的能力，不是背最多知識，而是能提出好問題；不是直接相信模型，而是能檢查模型；不是只會產生答案，而是能驗證答案；不是只會單一技術，而是能整合多種知識，做出負責任的工程決策。

過去，許多人聽到資源工程，可能只想到礦山、石油或傳統工業。但今天的資源工程，已經站在淨零轉型、地熱能源、二氧化碳封存、地下儲氫、關鍵金屬循環、半導體材料、精密陶瓷與永續工程的交會點。這些領域都需要 AI，但更需要懂得資源、能源、材料、環境與管理的跨領域工程師。

如果用一句話說明 AI 與資源工程教育的關係，我會這樣說：

這就是人無法被 AI 取代的地方。

學生不必害怕 AI。真正需要害怕的是，自己只會等待答案，而不會提出問題；只會複製結果，而不會檢查依據；只會使用工具，而沒有專業深度。AI 時代最有價值的人，不是比 AI 記得更多的人，而是能夠提出好問題、整合跨域知識、理解現場限制、驗證模型結果，並做出負責任決策的人。

資源工程教育的使命，正是培養這樣的人。

未來的資源工程師，手上會拿著 AI 這支更長的槓桿，但腳下必須踩穩工程科學、現場經驗、跨域整合與永續責任這幾個支點。只有這樣，我們才能用更聰明的方法探索地下資源、開發永續能源、設計高值材料、推動循環經濟，並在資源利用與環境保護之間找到新的平衡。

AI 不會取代真正的資源工程師。

但會使用 AI、懂得 AI、也能駕馭 AI 的資源工程師，將會取代不願意學習 AI 的工程師。

這不是威脅，而是一個機會。對今天的學生而言，資源工程不只是學一門傳統專業，而是學會如何在 AI 時代整合地球、能源、材料、環境與產業，並用 AI 放大自己的專業價值。資源系作為跨領域工程教育，正是最適合培養未來 AI 人才的地方。

一、前言

資源工程涵蓋油氣與地熱探採、儲集層管理及二氧化碳地質封存（Carbon Capture and Storage, CCS）等領域，長期高度仰賴現場工程師的經驗判斷與物理模型推估。然而，面對地質條件劇烈變化、多重工程參數彼此耦合的複雜情境，傳統方法的適用性與預測準確度往往受到限制；非生產時間（Non-Productive Time, NPT）的增加不僅推高鑽井成本，也提升了卡鑽、斷桿與泥漿漏失等作業風險。近年人工智慧（Artificial Intelligence, AI）技術快速發展，機器學習與深度學習擅長從龐大、多維且充滿雜訊的歷史數據中，挖掘隱藏且高度非線性的規律，為資源工程提供了一條資料驅動（data-driven）的決策途徑。本文以實場鑽井效率與安全優化、儲集層工程數值模擬，以及生成式 AI 之應用為主軸，依序說明 AI 於資源工程之最新研究進展、技術應用情境，以及未來發展方向。

二、目前研究進展或成果

在實場鑽井應用方面，研究團隊以台灣宜蘭平原地區四口井（紅柴林1號、2號、內員山1號及員山1號）之多源異質資料為基礎，整合鑽井日報、泥漿日報、地質週報、電測報告與地質柱狀圖，建構結構化鑽井資料庫。於資料前處理階段，針對 1,597 筆鑽進紀錄進行缺失值填補與異常值檢測處理，並透過特徵擴增工程，將輸入參數擴充至 18 項，包含鑽頭加重、轉速、泵壓與扭力之均值、差值與極值，並引入「板岩含量大於10%」作為類別特徵，再執行標準化處理，作為機器學習模型預測技術應用於實場鑽井狀況評估與預測之基礎。

（一）鑽進率預測

鑽進率（Rate of Penetration, ROP）為衡量鑽井效率的核心指標。團隊測試隨機森林（Random Forest, RF）、決策樹（Decision Tree, DT）、XGBoost、支援向量迴歸（Support Vector Regression, SVR）與門控循環單元（Gated Recurrent Unit, GRU）等模型。為量化模型表現，以決定係數（coefficient of determination）作為評估指標。

式中 R² 為決定係數；n 為樣本數；yᵢ 為第 i 筆實際鑽進率觀測值；ŷᵢ 為模型預測值；ȳ 為實際值之平均。R² 越接近 1，代表模型解釋能力越佳。

測試結果顯示，於沖積層 RF 展現最佳穩定性，測試集 R² 達 0.6138（圖1）。圖1 以散布圖比對 RF 模型預測值與實際鑽進率，紅線為迴歸趨勢、紅色陰影為信賴區間，資料點越貼近紅線代表預測越準確。於高度非線性的四稜砂岩層，SVR 因核函數能有效處理非線性特徵而表現最優；惟乾溝層與西村層因深部岩性異質性高，地表輸入參數難以完整解釋井下複雜物理現象，R² 分別降至 0.3659 與 0.2064。

（二）異常狀況辨識

在鑽井安全監測方面，團隊建立「正常」、「扭力異常」與「泵壓異常」之三元分類模型。如圖2所示，扭力隨鑽進歷程呈非線性上升，以顏色標記正常值、扭力異常與泵壓異常；模型經訓練後可辨識卡鑽、斷桿等井下鑽井事故之前期異常徵兆。測試結果顯示，XGBoost 憑藉處理類別不平衡之優勢，於沖積層泵壓異常事件展現極高偵測能力；於事故高發的四稜砂岩層，綜合異常偵測率高達88%，能有效降低背景雜訊干擾並提升異常狀態之辨識能力。此外，研究亦發現，深度學習模型（如 GRU）於現階段小樣本限制下因過擬合而表現受限，印證深度學習須仰賴大量資料方能發揮效能。

除實場鑽井應用外，團隊亦結合儲集層工程與深度學習技術，透過科學機器學習（Scientific Machine Learning, SciML）建立儲集層工程數位孿生（Digital Twin）模擬技術，將實場資料與物理模型相互結合，作為即時模擬與決策支援之基礎。

三、技術應用情境或案例

儲集層工程之數值模擬可分為正演（forward，由參數場推求壓力與飽和度分布）與反演（inverse，由觀測資料回推參數場）兩類問題；傳統有限元素／有限差分模擬之計算成本高昂。近年傅立葉神經算子（Fourier Neural Operator, FNO）以資料驅動方式學習偏微分方程之解算子，具備解析度無關（resolution-invariant）特性與快速推論能力，為大量隨機實現（realization）之不確定性分析提供可行途徑。

Wen 等人（2023）提出之巢狀傅立葉神經算子（Nested FNO, Nest-FNO），以分層架構取代傳統數值模擬（圖3）。模型輸入滲透率場與注入方案，輸出注入30年後之壓力累積與氣體飽和度分布，可快速重建二氧化碳封存情境之團塊移棲行為。由於 FNO 推論速度極快，可運算大量隨機實現以涵蓋地質不確定性；圖4顯示經多組隨機實現所得之二氧化碳（CO₂）團塊移棲面積與最大壓力點之對數常態（log-normal）機率分布，並標示 P10／P50／P90 分位數，供封存安全之不確定性與風險評估。

四、未來發展方向或觀察

除傳統深度學習與機器學習方法（如類神經網路或神經算子網路）外，現今大型語言模型（Large Language Models, LLMs）亦具備與儲集層工程數值模擬結合之潛力。透過數學基底的鏈接與物理方程式的約束，可望開發出計算更為快速、預測更為精確，同時降低資料需求的儲集層工程數學模型。

以 FNO 為例（圖5），其核心在於頻率域中學習積分算子。輸入函數 a(x) 先經升維轉換 P，串接多層 Fourier layer 後，再由投影 Q 輸出 u(x)。每一層分為兩路相加：一路於頻率域進行（先以傅立葉轉換 ℱ 轉至頻率域，乘上可學習權重後，再經逆傅立葉轉換 ℱ⁻¹ 轉回實空間），另一路為實空間之線性變換；兩者相加後再經非線性激活函數。其單層更新可表示為：

式中 vₜ(x) 為第 t 層之特徵函數；x 為空間座標；ℱ 與 ℱ⁻¹ 分別為傅立葉轉換與逆傅立葉轉換；Rφ 為頻率域中可學習之權重張量（φ 為其參數）；W 為實空間之線性變換；σ 為非線性激活函數；T 為 Fourier layer 之層數。由於積分算子於頻率域學習，FNO 具解析度無關特性，能在不同網格解析度間泛化。

展望未來，結合物理約束（如將控制方程式納入損失函數）之神經算子，與大型語言模型之語意理解及推理能力，將是推動資源工程數值模擬邁向更高計算效率、更高可信度與更低資料需求的重要方向；同時，亦有助於將複雜的模擬與預測結果，轉譯為決策者易於理解的行動建議，進一步提升資源配置決策的即時性、可解釋性與穩健性。

AI 於資源材料領域之應用，主要涵蓋材料性質預測、製程參數最佳化、材料影像分類與影像重建等方向。依據輸入資料型態的不同，相關應用大致可分為數據處理與影像處理兩大類。

數據處理：迴歸預測與分類分析

在數據處理方面，研究者可依據資料結構與研究目標，選用不同的機器學習演算法，進行迴歸預測或分類分析。例如，可將不同組成玻璃之各氧化物莫耳比，以及對應之量測溫度與頻率等條件輸入模型進行訓練，預測特定化學組成與量測條件下之介電性質，如圖一所示。類似的策略亦可應用於不同製程條件之最佳化，例如熱處理溫度、持溫時間、燒結條件或其他關鍵製程參數之篩選與預測。

可解釋性：突破「黑盒子」困境

然而，機器學習模型常被詬病的問題之一為「黑盒子」特性。也就是說，模型雖可建立輸入與輸出之間的關聯，卻往往難以解釋其內部複雜架構如何運作，導致預測結果可能缺乏明確的物理意義，進而限制模型在材料設計與機制解析上的應用。針對此問題，近年來已提出許多方法，例如利用 SHAP 等後分析方法解析各特徵對預測結果的影響（如圖二所示），或是在模型中導入具物理意義的描述因子。此外，將物理模型與機器學習結合，並利用機器學習進行參數最佳化，也逐漸成為提升模型可解釋性與可靠度的重要方向。

影像處理：卷積神經網路的材料科學應用

在影像處理方面，此類應用多仰賴人工神經網路進行深度學習。透過不同架構的神經網路，AI 不僅能有效處理大量且複雜的數據（例如用於分子動力學模擬勢能函數之擬合），也被廣泛應用於材料影像分析。例如，利用卷積神經網路可對不同破壞行為或微結構特徵進行分類，加速分析流程並降低人工判讀所造成的誤差。此外，亦有研究針對不同玻璃陶瓷之微結構影像，預測其熱處理溫度、持溫時間及對應性質，進一步建立製程、結構與性質之間的關聯，如圖三所示。

生成式 AI：影像修復與結構預測

近年來，生成式 AI 亦逐漸被導入材料科學領域。例如，生成式模型可用於材料影像修復、影像重建，以及透過條件式生成對抗網路預測不同熱處理條件下所對應之玻璃陶瓷顯微結構影像，如圖四所示。此類方法有助於降低實驗觀察所需的大量時間與成本；同時，亦可加速傳統材料研究中對微結構演化行為的理解。

挑戰與未來展望

儘管 AI 在材料科學與工程領域展現出高度潛力，但目前仍面臨數據品質與數據量不足等挑戰。多數機器學習模型仍仰賴由過往文獻擷取之數據進行訓練，然而不同研究團隊之實驗條件、量測方法與數據可靠度可能存在差異，容易限制模型的預測能力。另一方面，部分材料領域仍存在數據稀缺的問題，也使模型訓練與泛化能力受到限制。因此，如何透過高通量實驗設計有效取得大量且高可靠度之數據，並結合模擬運算方法擴充資料庫，將是未來的重要發展方向。同時，如何快速建立分類明確且可靠的資料集，以及如何在有限數據下獲得最佳訓練效果，也將是推進人工智慧於資源材料應用中不可或缺的關鍵。

一、引言：何謂「處方性決策」？

過去的電力系統供需相對穩定。然而，隨著全球能源轉型、極端氣候事件增加，以及風力、太陽能等再生能源發電具有間歇性，能源系統正面臨更多不確定性（Uncertainty）。在日益複雜的系統運作條件下，人工智慧（Artificial Intelligence, AI）正逐漸成為推動能源決策轉型的關鍵技術。

在資料科學中，數據分析可區分為三個層次：首先是盤點歷史的「描述性分析」（Descriptive Analytics）；其次是推估未來趨勢的「預測性分析」（Predictive Analytics），例如預測尖峰負載或再生能源發電量；最後則是進一步提供行動建議的「處方性分析／處方性決策」（Prescriptive Analytics / Prescriptive Decision-Making）。換言之，當系統預警潛在危機時，處方性決策不僅能發出警示，更能協助決策者提出具體的應對方案與資源配置的建議。

二、AI 技術類型

AI 技術在能源系統決策中的應用，大致可區分為非生成式 AI 與生成式 AI 兩類，兩者在資料處理型態與決策支援功能上扮演不同的角色。

非生成式 AI（Non-Generative AI）主要包含機器學習、強化學習以及與其結合的數學最佳化方法，通常用於處理結構化數據，例如負載資料、發電量、設備運轉狀態、電價與成本參數等。在能源經濟與能源系統分析中，此類方法可用於負載與再生能源發電預測、儲能與機組調度、需求反應管理、營運成本最小化，以及均化發電成本（Levelized Cost of Energy, LCOE）比較等問題。其核心功能並非僅是預測未來，而是在特定限制條件下，協助尋找可行且接近最佳的資源配置方案，為能源決策提供量化依據。

生成式 AI（Generative AI），尤其是大型語言模型（Large Language Models, LLMs），則較適合處理非結構化資訊，例如氣象警報、政策文件、ESG 監管規範、設備維修手冊、調度紀錄與專家意見等。作為推理代理人（Reasoning Agents），生成式 AI 可協助整理複雜文本資訊、辨識潛在風險、解釋模型輸出結果，並將非生成式 AI 所產生的預測值、最佳化結果或成本效益分析，轉譯為決策者較容易理解的行動建議。

因此，未來能源系統中的 AI 決策模式，並非單純依賴某一類技術，而是透過生成式 AI 的語意理解與推理能力，結合非生成式 AI 的數值預測與最佳化能力，形成更完整的處方性決策架構。此一協作模式有助於在高度不確定的能源環境下，提升資源配置決策的即時性、可解釋性與穩健性（Robustness），並可望成為未來智慧能源系統決策研究的重要主軸。

三、應用情境與案例

處方性 AI 決策可在複雜條件下，協助決策者權衡經濟成本、碳排放、系統可靠性與使用者需求等多重目標。以下分別就電網端、負載端及交通端，簡述 AI 在能源系統資源配置中的可能應用：

1. 智慧電網：從「數值排程」到「策略建議」

隨著再生能源占比提高，電網出力的不確定性也隨之增加。當太陽能出力因天候變化而驟減時，處方性 AI 不僅能估算短時間內的電力缺口，亦可進一步整合機組升降載率、儲能系統可用容量、預期電力負載與區域電網限制，提出具體的調度建議。例如，系統可建議優先調用特定區域的鋰電池儲能系統，並對部分大型工業用戶發布需量反應指令，以降低尖峰負載壓力。相較於立即啟動高成本或高碳排的備援機組，此類決策有助於降低系統營運成本、減少碳排放，並維持電網穩定性。

2. 資料中心與儲能系統：低碳電力下的動態運算配置

因應 AI 資料中心龐大的運算耗能，資料中心結合負載端儲能與低碳電力管理，已成為未來能源管理的重要議題。對資料中心而言，低碳電力不僅為用電來源，亦逐漸成為支撐 AI 運算能力的重要資源。透過 AI 技術，資料中心可依據即時電價、電網碳排放強度（Carbon Intensity）、儲能狀態與運算任務急迫性，進行動態資源配置。當電價或碳排放強度處於高峰時，系統可主動調降模型離線訓練等非即時性任務的運算頻率，或將部分負載轉移至內部儲能供電；當低碳電力較充裕時，則可提高可延後運算任務的執行比例。此一模式有助於實現兼顧成本、碳排放與 ESG 規範的動態能源管理。

3. 電動車：解析耗能因子與提出能源效率處方

電動車的實際能耗受到駕駛行為、道路坡度、交通壅塞、車速變化、氣溫與空調使用等多重因素影響，且這些因素之間往往具有非線性關係。透過機器學習等非生成式 AI 分析大量車聯網（Vehicle-to-Everything, V2X）資料，可進一步拆解並量化影響電動車能源效率的主要因子。在此基礎上，AI 可將數據分析結果轉化為具體的能源效率優化方案。例如，系統可建議駕駛者調整行駛路線、控制加減速行為、選擇較佳充電時段，或協助車隊管理者進行車輛派遣與充電排程最佳化。換言之，AI 不僅能說明「為何耗能增加」，也能進一步提供「如何降低耗能」的處方性建議，作為決策者制定能源管理策略的依據（如圖 1 所示）。

綜上所述，AI 在能源系統中的角色，已不再侷限於單純的數據分析或趨勢預測，而是逐漸朝向能夠提出具體行動方案的處方性決策工具發展。面對再生能源間歇性、電力需求快速變化、資料中心用電成長與電動車普及等挑戰，未來能源系統將更需要結合數值最佳化、語意推理與即時資料分析的整合型 AI 決策架構。透過此一模式，AI 不僅能協助決策者理解系統風險，更能在成本、碳排放與可靠性之間進行權衡，進一步提升能源資源配置的效率。