الاثنين، 3 أغسطس 2026

الشركات الناشئة

Zanskar تجمع 115 مليون دولار لتوسيع نطاق استكشاف الطاقة الحرارية الأرضية المدعوم بالذكاء الاصطناعي

جمعت شركة Zanskar مبلغ 115 مليون دولار في جولة تمويل من الفئة Series C لاستخدام الذكاء الاصطناعي في تحديد مواقع الطاقة الحرارية الأرضية التقليدية، بهدف إثبات أن الإمكانات أعلى بكثير من التقديرات الحالية.

Zanskar raises $115M to scale AI-driven geothermal exploration
صورة: Zanskar

جمعت شركة Zanskar، وهي شركة ناشئة في مجال الطاقة الحرارية الأرضية، مبلغ 115 مليون دولار في جولة تمويل من الفئة Series C. وقادت الاستثمار شركة Spring Lane Capital، بمشاركة مجموعة واسعة من شركات رأس المال الاستثماري بما في ذلك Union Square Ventures وLowercarbon Capital وMunich Re Ventures. وتعتزم الشركة استخدام رأس المال لتوسيع نطاق منصتها للاستكشاف المدعومة بالذكاء الاصطناعي، والتي تستهدف الطاقة الحرارية الأرضية التقليدية. وعلى عكس الطاقة الحرارية الأرضية المعززة - التي تعتمد على تقنيات التكسير للوصول إلى الصخور الساخنة العميقة - تستغل الطاقة الحرارية الأرضية التقليدية النقاط الساخنة المتصدعة طبيعياً.

تهدف تكنولوجيا الشركة الناشئة إلى فتح موارد الطاقة الحرارية الأرضية التقليدية التي كان من الصعب تحديد موقعها تاريخياً. ففي الولايات المتحدة، ظلت الطاقة الحرارية الأرضية التقليدية راكدة، حيث تولد 4 جيجاوات من الطاقة، وهو ما يمثل زيادة بنحو جيجاوات واحد فقط على مدى العقد الماضي. وتقدر وزارة الطاقة الأمريكية (DOE) أن الطاقة الحرارية الأرضية قد تولد 60 جيجاوات بحلول عام 2050، وهو ما يمثل ما يقرب من 10٪ من الكهرباء في الولايات المتحدة. ومع ذلك، يجادل Carl Hoiland، المؤسس المشارك والرئيس التنفيذي لشركة Zanskar، بأن هذا التقدير منخفض للغاية لأنه يقلل من القيمة الحقيقية للطاقة الحرارية الأرضية التقليدية. ويعتقد Hoiland أن الأنظمة التقليدية غير المكتشفة قد يتم التقليل من شأنها بمقدار مرتبة من حيث الحجم أو أكثر، وهو ما قد يرتقي بالطاقة الحرارية الأرضية إلى فرصة على مستوى التيراوات.

وللعثور على هذه الموارد المخفية، تعتمد Zanskar على التعلم الآلي. فما يقرب من 95٪ من أنظمة الطاقة الحرارية الأرضية تفتقر إلى مؤشرات سطحية مثل الينابيع الساخنة أو البراكين، مما يعني أنها لا تُكتشف عادةً إلا بالصدفة. وتقوم Zanskar بتدريب نماذج التعلم الآلي الخاصة بها على البيانات التاريخية، بما في ذلك هذه الاكتشافات العرضية، لتحديد المواقع الواعدة. وبمجرد اختيار الموقع، تطبق الشركة طريقة إحصائية تُعرف باسم التعلم الاستدلالي البايزي (Bayesian evidential learning). يستخدم هذا النهج البيانات الحالية لإنشاء افتراضات أولية، أو “سوابق” (priors)، ثم يقوم بتشغيل نماذج لتفنيد تلك الفرضيات، مما يولد نتائج احتمالية لجدوى الموقع.

وقد أظهر نموذج الاستكشاف الخاص بالشركة نجاحاً مبكراً بالفعل. فبعد اختبار نهجها بنجاح عبر ثلاثة مواقع أولية، بنت Zanskar خط أنابيب من المواقع التي يقدر Hoiland أنها يمكن أن تدعم ما لا يقل عن جيجاوات واحد من قدرة التوليد. وتركز الشركة الناشئة حالياً جهودها على غرب الولايات المتحدة، حيث تكون إمكانات الطاقة الحرارية الأرضية في أعلى مستوياتها. وتهدف Zanskar إلى تحديد ما لا يقل عن 10 مواقع مؤكدة لتأمين تمويل المشروع، وهو مصدر أرخص لرأس المال من تمويل المشاريع الاستثمارية، للمساعدة في تحويل اكتشافاتها إلى توليد نشط للطاقة. وقال Hoiland: “نحن نعلم الآن أن هذا هو مستقبل الاستكشاف”.

لماذا يهم

تسلط جولة تمويل Zanskar البالغة 115 مليون دولار الضوء على تحول في تكنولوجيا المناخ نحو استخدام الذكاء الاصطناعي لتقليل مخاطر استكشاف الطاقة الحرارية الأرضية التقليدية، مما يتحدى التقديرات الحكومية المتحفظة لقدرة القطاع.