重點整理
- 你最有感的是查停水：台水的 AI 水務服務可以查停水資訊與臨時供水站位置。
- 淨水場的加藥量以前靠操作人員的經驗抓，現在由 AI 依水質給建議、人再確認，已經在 3 個淨水場上線。
- 抽水機組交給 AI 安排運轉組合後，每送出一噸水的用電量從 0.47 度降到 0.42 度，約省 10.6%。
- 漏水率從 2013 年的 19.55% 降到 2024 年的 11.99%，政府的下一個目標是 2031 年前降到 10% 以下。
- AI 沒有直接連上供水控制系統，模型先在內部訓練驗證，再放到內網或單機執行。
你最可能碰到的：停水的時候比較好查
台水的 AI 應用裡，直接面向民眾的只有一項：查停水資訊與臨時供水站位置的水務服務。停水那幾天你要知道的通常就這兩件事，哪裡停、水車在哪，這一項處理的正是它。
其餘的改變你不會直接看到，但會反映在水費單以外的地方：水更穩定、漏掉的水變少。下面幾段講的就是那些看不到的部分。
水乾不乾淨：讓台灣蜆和魚先發現
淨水場過去靠人定期巡查，看水質、看生物的反應。問題是巡查有空檔，污染剛好發生在兩次巡查之間就會晚一點被發現。
台水的作法是讓生物當感測器。水裡如果混進柴油或有機污染物，台灣蜆會有集體閉殼這類反應，AI 就一直盯著蜆殼開合的狀態，數量一多就通知人去看。養魚箱那一邊是看魚群怎麼游：位置變了、從前箱跑到中箱後箱、甚至漂在水面或沉到底，都是水質可能出問題的訊號。
台水資訊處長曾沛聰講得很清楚：這不是要取代人去巡查，是讓異常早一點被看見。
加藥與抽水：把老師傅的經驗變成算得出來的東西
原水進了淨水場，要加多少混凝劑（讓水裡的細小雜質結成大顆粒、沉下去的藥劑）以前是操作人員憑經驗抓。為了保險，多半會抓得寬一點，藥劑就有浪費。
現在台水把原水濁度、淨水量、過去的加藥紀錄與設備運轉資料丟進 SCADA（監看設備運轉的系統）留下的歷史數據，訓練出一個 LightGBM（一種常見的機器學習模型）來給加藥建議，最後仍然由操作人員確認才執行。這套已經在 3 個淨水場上線。
抽水那一頭省的是電。夜裡離峰先抽水存起來、白天靠配水池的高低差自然供水、效率好的機組優先開，這些條件交給 AI 去排運轉組合。現場驗證的結果是每送出一噸水的用電量從 0.47 度降到 0.42 度，大約少 10.6%。
漏水：六萬公里的管線，怎麼知道哪裡破了
台水管的供水管線超過六萬公里，埋在地下。以前找漏水是分區巡、逐點測，靠師傅的經驗慢慢縮小範圍，很花人和時間。
現在有一套叫 WADA 的漏水偵測分析系統：把供水區切成四千多個分區計量區（一個獨立計算進出水量的小區塊），比對每一區進去多少水、出來多少水、半夜的流量正不正常，找出可疑的區塊；再加上管子的年紀、材質與過去的維修紀錄，排出該先去看哪一段。
另一件事是把聽漏的經驗留下來。台水和工研院合作建了地下漏水的聲紋資料庫，把老師傅拿聽漏器聽出來的判斷變成 AI 認得的聲音模型，第一線的人就比較快分得出地下有沒有在漏。
換管加上這些方法，漏水率從 2013 年的 19.55% 降到 2024 年的 11.99%。政府設的下一個目標是 2031 年前降到 10% 以下。
內部還用在哪：施工照片、工安、發票與公文
工程團隊每天上傳大量施工照片存證，照片彼此很像，甚至有人重複上傳同一張，人工一張張看很容易漏掉。現在先由 AI 比對挑出重複的，再交給人確認。工地現場的影像也拿來檢查有沒有符合安全要求。
行政那邊則有發票辨識與公文自動分文，處理的是重複性高的工作。曾沛聰把 AI 在台水的角色定位成「智慧助手」：幫人判斷得快一點，不是取代現場的專業。
為什麼 AI 不能直接碰供水系統
供水是關鍵基礎設施，出事的代價不是資料外洩而已。所以台水沒有讓 AI 直接連上供水控制系統：資料先在內部蒐集分析，模型訓練驗證完，再放到內網或單機環境跑，核心系統不直接暴露在外部網路上。
工安照片辨識、一般行政這些非核心的用途，才可以用外面的 AI 工具。這條線怎麼畫，決定的是萬一模型判斷錯了，錯誤會停在哪裡。