Applied Computing ingin memberikan operator minyak dan gas model AI untuk seluruh pabrik

Sebagian besar cerita AI industri mengikuti pola yang familiar: solusi titik yang mengoptimalkan satu hal — pompa, pipa, jadwal pemeliharaan. Applied Computing bertaruh bahwa itu adalah tingkat abstraksi yang salah. Startup berbasis London ini ingin membangun model AI fondasi untuk seluruh pabrik minyak, gas, dan petrokimia — dan Series A segar senilai $20 juta menunjukkan bahwa modal serius mulai setuju. Bagi pengembang dan pendiri yang melacak di mana AI benar-benar mendarat di industri berat, ini adalah sinyal yang layak dianalisis.

Applied Computing ingin memberikan operator minyak dan gas model AI untuk seluruh pabrik — bukan dasbor, bukan detektor anomali yang sempit, tetapi model terpadu yang menyerap aliran sensor, dokumentasi teknik, dan fisika proses secara bersamaan. Ambisi itu menempatkannya dalam kategori berbeda dari sebagian besar perangkat lunak industri, dan implikasinya melampaui Laut Utara.

Apa yang Terjadi

Applied Computing, didirikan pada 2023 dan berkantor pusat di London, mengumpulkan Series A senilai $20 juta yang dipimpin oleh raksasa teknik KBR, dengan Databricks Ventures juga berpartisipasi. Putaran ini penting tidak hanya karena ukurannya tetapi karena siapa yang menulis cek — KBR adalah salah satu firma layanan teknik dan pemerintah terbesar di dunia, dengan akar yang dalam dalam desain dan operasi pabrik petrokimia. Ini bukan modal ventura spekulatif; ini adalah pemain industri yang sudah ada menempatkan taruhan strategis.

Masalah inti yang diserang Applied Computing adalah fragmentasi data dalam skala besar. Satu fasilitas minyak, gas, atau petrokimia dapat membawa ribuan sensor yang mengukur suhu, tekanan, kecepatan, viskositas, dan puluhan variabel lainnya secara bersamaan. Operator sudah mengumpulkan sebagian besar data ini. Masalahnya, menurut co-founder dan CEO Callum Adamson, adalah bahwa fasilitas saat ini membuat keputusan operasional menggunakan kurang dari 8% dari data yang tersedia untuk mereka. Sisanya berada dalam silo — pembacaan sensor terputus dari dokumentasi teknik, model kimia proses yang tidak pernah berbicara dengan data operasional real-time.

Solusi yang dibangun Applied Computing adalah model fondasi yang dilatih pada fisika, kimia, dan pola operasional spesifik dari sistem minyak, gas, penyulingan, dan petrokimia. Pikirkan itu sebagai model besar khusus domain — bukan LLM tujuan umum yang dipasang kembali dengan prompt industri, tetapi model yang arsitektur dan data pelatihannya dibangun di sekitar termodinamika, dinamika fluida, dan kinetika reaksi yang mengatur bagaimana pabrik-pabrik ini benar-benar berperilaku.

Partisipasi Databricks Ventures juga layak diperhatikan. Databricks telah secara agresif memposisikan platform data lakehouse-nya sebagai lapisan infrastruktur untuk AI perusahaan. Keterlibatan mereka menunjukkan bahwa pendekatan Applied Computing — menggabungkan data sensor terstruktur dengan dokumentasi teknik tidak terstruktur — sejalan dengan ke mana pipa data AI perusahaan serius menuju.

Mengapa Ini Penting untuk Asia

Asia bukan pengamat pasif dalam cerita minyak, gas, dan petrokimia. Wilayah ini menampung beberapa kompleks penyulingan dan petrokimia terbesar di dunia — dari kilang Jamnagar milik Reliance di India (terbesar di dunia berdasarkan kapasitas) hingga pusat petrokimia besar di Pulau Jurong di Singapura, Map Ta Phut di Thailand, dan kluster hilir yang berkembang di Malaysia dan Indonesia. Asia Tenggara saja menyumbang bagian signifikan dari kapasitas penyulingan global, dan kapasitas itu terus berkembang seiring permintaan energi regional terus meningkat.

Fasilitas-fasilitas ini menghadapi masalah fragmentasi yang tepat yang dijelaskan Applied Computing. Banyak dari mereka berjalan pada sistem kontrol terdistribusi (DCS) dan infrastruktur SCADA warisan yang tidak pernah dirancang dengan kesiapan AI. Data hidup dalam database historian proprietary — OSIsoft PI adalah yang paling umum — dan mendapatkan data itu ke dalam bentuk yang dapat digunakan model AI modern memerlukan pekerjaan teknik yang tidak sepele. Kesenjangan antara "kami mengumpulkan banyak data" dan "kami membuat keputusan dengan data itu" mungkin lebih lebar di fasilitas Asia yang lebih tua daripada di tempat lain.

Dari perspektif teknologi Asia, tesis investasi di sini juga penting. KBR memimpin putaran ini berarti kontraktor teknik — jenis firma yang merancang, membangun, dan mengoperasikan pabrik-pabrik ini — secara langsung mendanai lapisan AI. Itu adalah sinyal pengadaan. Ini menunjukkan bahwa kontraktor teknik di Asia, banyak di antaranya adalah mitra atau pesaing KBR, akan menghadapi tekanan untuk menawarkan kemampuan AI serupa kepada klien mereka. Startup dan pengembang di Singapura, Kuala Lumpur, atau Mumbai yang membangun alat AI industri harus memperhatikan ini dengan cermat.

Ada juga dinamika bakat yang layak ditandai. Asia menghasilkan bagian substansial dari insinyur kimia dan insinyur proses dunia. Seiring model fondasi untuk industri proses matang, para insinyur yang memahami baik domain maupun alat AI akan sangat berharga. Persimpangan itu — pengetahuan domain proses ditambah teknik AI — adalah di mana leverage nyata berada, dan universitas Asia berada dalam posisi yang baik untuk menghasilkannya.

Apa Artinya Ini untuk Pengembang

Jika Anda adalah pengembang yang membangun di ruang AI industri atau teknologi energi, pendekatan Applied Computing mengungkap beberapa ide arsitektur yang layak dipikirkan dengan hati-hati.

Model fondasi khusus domain adalah parit nyata. LLM tujuan umum berjuang dengan presisi yang diminta teknik proses. Ketika model perlu menalar tentang interaksi antara laju fouling penukar panas dan kinerja kolom hilir, model perlu telah menginternalisasi hubungan termodinamika yang mendasar — bukan hanya pola yang cocok pada teks tentang mereka. Taruhan Applied Computing adalah bahwa melatih model pada fisika spesifik sistem-sistem ini menghasilkan penalaran yang secara kualitatif lebih baik daripada prompt-engineering model umum. Jika taruhan itu berhasil, itu menetapkan parit data dan pelatihan yang benar-benar sulit untuk direplikasi.

Data sensor + dokumentasi tidak terstruktur adalah masalah fusi yang sulit. Sebagian besar proyek AI industri gagal bukan pada tingkat model tetapi pada tingkat pipa data. Menggabungkan aliran sensor deret waktu (frekuensi tinggi, terstruktur, numerik) dengan dokumentasi teknik (PDF, P&ID, lembar data peralatan — tidak terstruktur, heterogen) memerlukan arsitektur data yang cermat. Pengembang yang bekerja pada masalah serupa harus berpikir keras tentang strategi embedding mereka untuk lapisan tidak terstruktur dan bagaimana mereka menangani penyelarasan temporal antara peristiwa sensor dan dokumentasi yang menjelaskannya.

Lapisan integrasi adalah di mana proyek macet. Bahkan dengan model yang hebat, mendapatkan data dari historian pabrik dan ke dalam pipa AI modern sangat menyakitkan. OSIsoft PI, Honeywell PHD, dan sistem serupa memiliki API, tetapi mereka tidak dirancang untuk beban kerja ML throughput tinggi. Pengembang yang membangun di ruang ini akan menghabiskan waktu yang tidak proporsional pada konektor — pipa antara sistem OT warisan dan infrastruktur data modern. Platform apa pun yang mengabstraksi lapisan itu dengan bersih memiliki keuntungan yang genuine.

AI yang diinformasikan fisika mendapatkan daya tarik. Pendekatan Applied Computing secara implisit bergantung pada pembelajaran mesin yang diinformasikan fisika — ide bahwa Anda membatasi output model agar konsisten dengan hukum fisika yang diketahui. Ini adalah penyimpangan yang bermakna dari pendekatan murni berbasis data, dan ini sangat penting dalam industri yang kritis keselamatan di mana model yang memprediksi keadaan fisik yang tidak mungkin lebih buruk daripada tidak berguna. Pengembang yang membangun di