問題的真相：設計假設與現實脫軌
電力系統的危機，根本上不是「電不夠」，而是「波動太劇烈」。
傳統電網的設計邏輯很簡單：發電廠 → 輸電線 → 變壓器 → 家庭與企業。這套流程在過去 30 年工作得很好，因為電力需求遵循可預測的模式——白天高峰、夜間低谷、季節性波動——這些變化都在系統的設計邊界內。
但現在的情況變了。電動車充電在午夜突然尖峰、資料中心為了 AI 訓練在非工作時段大量吸電、極端熱浪導致空調全開、太陽能與風能發電不受人類調度、社區太陽能板群的併聯讓電流方向變成雙向甚至多向。
這些都不是「舊假設」能吸收的波動。
根據國際能源總署的報告，全球電力需求在未來 10 年將增長 50%，但這 50% 增長的性質不是均勻分布——它是高度集中、時間不可預測、空間上分散的尖峰需求。這意味著：
- 某條饋線（feeder）可能在下午 3 點承載設計容量的 140%
- 某個變壓器在某個 10 分鐘區間內承受 3 倍設計電流
- 整個區域的電能品質（voltage 穩定性、頻率偏差）變成賭博
為什麼「優化」救不了舊設計
新聞中提到的 GeoAI 聽起來很有希望——結合地理空間智慧、大語言模型與機器學習，號稱能「智慧調度」。但這裡有個根本的誤解：
調度不是設計。
GeoAI 能做的事很聰明，但有硬天花板： - 預測下一小時某區域的電力需求（用過往數據 + 天氣 + 事件日曆） - 動態重新配置現有變壓器、饋線的優先級 - 優化分散式能源資源（家庭太陽能板、社區電池）的充放電時機 - 透過即時數據反饋來平衡區域間的電力流向
這些都很有用。但它們都有一個共同的瓶頸：底層的物理基礎設施（電線粗細、變壓器容量、電廠位置）是固定的。
如果一條電線的設計額定電流是 500 安培，任何軟體演算法都無法讓它安全地傳 700 安培。如果一個變電站的變壓器只有 3 臺各 50MW，軟體再聰明也變不出第 4 臺。
GeoAI 能做的，充其量是「在給定的基礎設施邊界內，找到最優的運作方式」。這叫局部最適化（local optimization）。但當需求的波動性已經超出整體系統容量邊界時，局部最適化就變成「挑選哪些客戶要被限電」的黑名單演算法。
設計滯後的代價
Donald Schön 在《反思性實踐者（The Reflective Practitioner）》中談過一個概念：當問題的性質改變時，原有的工具集就變成「問錯的答案」。
舊問題：「如何在供給有限的條件下，最大化效率分配？」→ 答案：優化調度。
新問題：「如何在需求波動超出預期的條件下，重新設計整個系統？」→ 答案：不是調度，是架構。
這意味著：
1. 新增變壓器、增設電線——需要 5-10 年規劃、許可、施工 2. 分散式電網架構——從樹狀（集中式）改為網狀（去中心化）、牽涉到保護設備、通訊協議、監管框架的全盤重設 3. 能源儲存基礎設施——電池廠、抽蓄水電站、壓縮空氣，都要新建、成本以十億美元計 4. 需求側管理立法——允許公用事業根據 GeoAI 建議來動態定價、削減尖峰，涉及社會契約的重新談判
GeoAI 或許能延遲這些需要的到來、能幫妳多撐 3-5 年。但它改變不了根本事實：基礎設施設計的周期，終究短不過需求變異的加速度。
類似的設計滯後案例
這不是電力系統獨有的問題：
- **網際網路骨幹網**：90 年代設計的光纖幹線，在 2020 年疫情期間遠端工作、串流視頻尖峰時全面擁堵。Google、Meta 花了 10 年增設跨洋海底光纖，才追上需求。