Applied Computing تريد تزويد مشغلي النفط والغاز بنموذج ذكاء اصطناعي لكامل المصنع

تتبع معظم قصص الذكاء الاصطناعي الصناعي نمطاً مألوفاً: حل موضعي يحسّن شيئاً واحداً — مضخة، خط أنابيب، جدول صيانة. Applied Computing تراهن على أن هذا هو مستوى التجريد الخاطئ. تريد الشركة الناشئة المقرها في لندن بناء نموذج ذكاء اصطناعي أساسي لـ كامل مصنع النفط والغاز والبتروكيماويات — وتشير سلسلة A بقيمة 20 مليون دولار جديدة إلى أن رأس المال الجاد بدأ يوافق على ذلك. بالنسبة للمطورين والمؤسسين الذين يتابعون أين يهبط الذكاء الاصطناعي فعلاً في الصناعة الثقيلة، هذه إشارة تستحق التحليل.

Applied Computing تريد تزويد مشغلي النفط والغاز بنموذج ذكاء اصطناعي لكامل المصنع — ليس لوحة تحكم، وليس كاشف شذوذ ضيق، بل نموذج موحد يستقبل تدفقات المستشعرات والتوثيق الهندسي وفيزياء العمليات بشكل متزامن. هذا الطموح يضعها في فئة مختلفة عن معظم البرامج الصناعية، والآثار المترتبة تمتد بعيداً عن بحر الشمال.

ما حدث

Applied Computing، المؤسسة في 2023 والمقرها في لندن، جمعت 20 مليون دولار في سلسلة A بقيادة عملاق الهندسة KBR، مع مشاركة Databricks Ventures أيضاً. الجولة جديرة بالملاحظة ليس فقط لحجمها بل لمن وقّع الشيك — KBR هي واحدة من أكبر شركات الهندسة والخدمات الحكومية في العالم، بجذور عميقة في تصميم وتشغيل مصانع البتروكيماويات. هذا ليس رأس مال استثماري تخميني؛ إنه لاعب صناعي راسخ يراهن على استراتيجية.

المشكلة الأساسية التي تهاجمها Applied Computing هي تجزئة البيانات على نطاق واسع. يمكن لمنشأة نفط أو غاز أو بتروكيماويات واحدة أن تحمل آلاف المستشعرات التي تقيس درجة الحرارة والضغط والسرعة واللزوجة وعشرات المتغيرات الأخرى بشكل متزامن. يجمع المشغلون معظم هذه البيانات بالفعل. المشكلة، وفقاً للمؤسس المشارك والرئيس التنفيذي Callum Adamson، هي أن المنشآت حالياً تتخذ قرارات التشغيل باستخدام أقل من 8% من البيانات المتاحة لها. الباقي يجلس في صوامع — قراءات المستشعرات منفصلة عن التوثيق الهندسي، نماذج كيمياء العمليات التي لا تتحدث أبداً مع بيانات التشغيل في الوقت الفعلي.

الحل الذي تبنيه Applied Computing هو نموذج أساسي مدرب على الفيزياء والكيمياء والأنماط التشغيلية المحددة لأنظمة النفط والغاز والتكرير والبتروكيماويات. فكر فيه كنموذج كبير متخصص بالمجال — ليس نموذج لغة كبير عام تم تعديله بمطالبة صناعية، بل نموذج معماريته وبيانات تدريبه مبنية حول الديناميكا الحرارية وديناميكا السوائل وحركية التفاعل التي تحكم كيفية تصرف هذه المصانع فعلاً.

مشاركة Databricks Ventures تستحق الملاحظة أيضاً. كانت Databricks تضع منصة lakehouse البيانات الخاصة بها بقوة كطبقة بنية تحتية لذكاء اصطناعي المؤسسات. يشير تورطهم إلى أن نهج Applied Computing — دمج بيانات المستشعرات المنظمة مع التوثيق الهندسي غير المنظم — يتوافق مع حيث تتجه خطوط أنابيب ذكاء اصطناعي المؤسسات الجادة.

لماذا يهم لآسيا

آسيا ليست مراقباً سلبياً في قصة النفط والغاز والبتروكيماويات. تستضيف المنطقة بعضاً من أكبر مجمعات التكرير والبتروكيماويات في العالم — من مصفاة Jamnagar التابعة لشركة Reliance في الهند (الأكبر عالمياً من حيث الطاقة) إلى مراكز البتروكيماويات الضخمة في جزيرة Jurong في سنغافورة وMap Ta Phut في تايلاند والمجموعات الصناعية الموسعة في ماليزيا وإندونيسيا. وحدها جنوب شرق آسيا تمثل حصة كبيرة من طاقة التكرير العالمية، وهذه الطاقة تنمو مع استمرار الطلب على الطاقة الإقليمية في الارتفاع.

تواجه هذه المنشآت مشكلة التجزئة الدقيقة التي تصفها Applied Computing. تعمل العديد منها على أنظمة التحكم الموزعة (DCS) والبنية التحتية SCADA القديمة التي لم تُصمم أبداً مع الاستعداد للذكاء الاصطناعي في الاعتبار. تعيش البيانات في قواعد بيانات المؤرخ الملكية — OSIsoft PI هي الأكثر شيوعاً — والحصول على هذه البيانات في شكل يمكن لنموذج ذكاء اصطناعي حديث استخدامه يتطلب عمل هندسي غير تافه. الفجوة بين "نحن نجمع الكثير من البيانات" و"نتخذ قرارات بتلك البيانات" أوسع بحجة في منشآت آسيا الأقدم من أي مكان آخر.

من منظور تكنولوجيا آسيا، أطروحة الاستثمار هنا مهمة أيضاً. قيادة KBR لهذه الجولة تعني أن مقاول هندسة — نوع الشركة التي تصمم وتبني وتشغل هذه المصانع — يمول مباشرة طبقة الذكاء الاصطناعي. هذه إشارة المشتريات. يشير إلى أن مقاولي الهندسة في آسيا، الكثير منهم شركاء أو منافسون لـ KBR، سيواجهون ضغطاً لتقديم قدرات ذكاء اصطناعي مماثلة لعملائهم. يجب على الشركات الناشئة والمطورين في سنغافورة أو كوالالمبور أو مومباي الذين يبنون أدوات ذكاء اصطناعي صناعية أن يراقبوا هذا عن كثب.

هناك أيضاً ديناميكية موهبة تستحق الإشارة إليها. تنتج آسيا حصة كبيرة من مهندسي الكيمياء والمهندسين العمليين في العالم. مع نضج نماذج الأساس للصناعات العملية، سيكون المهندسون الذين يفهمون المجال والأدوات الذكاء الاصطناعي ذوي قيمة استثنائية. هذا التقاطع — معرفة المجال العملي بالإضافة إلى هندسة الذكاء الاصطناعي — هو حيث يجلس الرافعة الحقيقية، والجامعات الآسيوية في وضع جيد لإنتاجها.

ما يعنيه هذا للمطورين

إذا كنت مطوراً يبني في مجال الذكاء الاصطناعي الصناعي أو تكنولوجيا الطاقة، فإن نهج Applied Computing يسلط الضوء على بعض الأفكار المعمارية التي تستحق التفكير فيها بعناية.

نماذج الأساس المتخصصة بالمجال هي الخندق الحقيقي. تكافح نماذج اللغات الكبيرة العامة مع الدقة التي تتطلبها هندسة العمليات. عندما يحتاج النموذج إلى التفكير في التفاعل بين معدل الترسب في مبادل حراري وأداء العمود اللاحق، يحتاج إلى أن يكون قد استوعب العلاقات الديناميكية الحرارية الأساسية — وليس فقط مطابقة الأنماط على النصوص عنها. رهان Applied Computing هو أن تدريب نموذج على الفيزياء المحددة لهذه الأنظمة ينتج عنه تفكير أفضل نوعياً من هندسة المطالبات على نموذج عام. إذا نجحت هذه الرهان، فإنها تؤسس خندق بيانات وتدريب يصعب حقاً تكراره.

بيانات المستشعرات + التوثيق غير المنظم هي مشكلة الدمج الصعبة. تفشل معظم مشاريع الذكاء الاصطناعي الصناعي ليس على مستوى النموذج بل على مستوى خط أنابيب البيانات. يتطلب دمج تدفقات المستشعرات ذات السلاسل الزمنية (عالية التردد، منظمة، رقمية) مع التوثيق الهندسي (ملفات PDF، P&IDs، أوراق بيانات المعدات — غير منظمة، متغايرة) معمارية بيانات دقيقة. يجب على المطورين الذين يعملون على مشاكل مماثلة أن يفكروا بجدية في استراتيجية التضمين الخاصة بهم للطبقة غير المنظمة وكيفية التعامل مع المحاذاة الزمنية بين أحداث المستشعرات والتوثيق الذي يصفها.

طبقة التكامل هي حيث تعلق المشاريع. حتى مع وجود نموذج رائع، فإن الحصول على البيانات من مؤرخ المصنع وإدخالها في خط أنابيب ذكاء اصطناعي حديث أمر مؤلم. OSIsoft PI وHoneywell PHD والأنظمة المماثلة لديها واجهات برمجية، لكنها لم تُصمم لأحمال عمل ML عالية الإنتاجية. سيقضي المطورون الذين يبنون في هذا المجال قدراً غير متناسب من الوقت على الموصلات — الأنابيب بين أنظمة OT القديمة والبنية التحتية للبيانات الحديثة. أي منصة تجريد هذه الطبقة بشكل نظيف لديها ميزة حقيقية.

الذكاء الاصطناعي المستنير بالفيزياء يكتسب زخماً. يعتمد نهج Applied Computing بشكل ضمني على التعلم الآلي المستنير بالفيزياء — الفكرة القائلة بأنك تقيد مخرجات نموذجك لتكون متسقة مع القوانين الفيزيائية المعروفة. هذا انحراف معنوي عن النهج المدفوع بالبيانات البحتة، وهو مهم بشكل خاص في الصناعات الحساسة للسلامة حيث يكون النموذج الذي يتنبأ بحالات فيزيائية مستحيلة أسوأ من عديم الفائدة. يجب على المطورين الذين يبنون في هذا المجال أن يفكروا بجدية في كيفية دمج قيود الفيزياء في وظائف الخسارة والتحقق من صحة النموذج.