Applied Computingが石油・ガス事業者向けにプラント全体のAIモデルを提供したい

産業用AI関連のストーリーのほとんどは、おなじみのパターンに従っています。ポイントソリューション（ポンプ、パイプライン、保守スケジュールなど、1つのものを最適化するもの）です。Applied Computingは、それが間違った抽象化レベルだと考えています。ロンドン拠点のスタートアップは、石油、ガス、石油化学プラント全体のための基盤AIモデルを構築したいと考えており、新たに2,000万ドルのシリーズAが、大手資本がこの考えに同意し始めていることを示唆しています。重工業でAIが実際にどこに着地しているかを追跡している開発者や起業家にとって、これは注目する価値のあるシグナルです。

Applied Computingが石油・ガス事業者に提供したいのは、プラント全体のAIモデルです。ダッシュボードではなく、狭い異常検知器でもなく、センサーストリーム、エンジニアリングドキュメンテーション、プロセス物理学を同時に取り込む統合モデルです。この野心は、ほとんどの産業用ソフトウェアとは異なるカテゴリーに位置づけられ、その影響は北海を遥かに超えて広がります。

何が起きたのか

2023年に設立され、ロンドンに本社を置くApplied Computingは、エンジニアリング大手KBRが主導し、Databricks Venturesも参加した2,000万ドルのシリーズAを調達しました。このラウンドが注目に値するのは、その規模だけでなく、資金を提供した企業です。KBRは世界最大級のエンジニアリング・政府サービス企業の1つで、石油化学プラントの設計と運用に深い根を持っています。これは投機的なベンチャーキャピタルではなく、業界の既存企業による戦略的な賭けです。

Applied Computingが取り組んでいる中核的な問題は、大規模なデータの断片化です。単一の石油、ガス、または石油化学施設には、温度、圧力、速度、粘度、その他数十の変数を同時に測定する数千のセンサーが搭載されています。事業者はすでにこのデータのほとんどを収集しています。共同創業者兼CEOのCallum Adamsonによると、問題は、施設が現在、利用可能なデータの8%未満を使用して運用上の決定を下しているということです。残りはサイロに存在します。センサー読み取り値がエンジニアリングドキュメンテーションから切り離されており、プロセス化学モデルがリアルタイム運用データと通信することはありません。

Applied Computingが構築しているソリューションは、石油、ガス、精製、石油化学システムの特定の物理学、化学、運用パターンで訓練された基盤モデルです。これをドメイン固有の大規模モデルと考えてください。業界プロンプトで改造された汎用LLMではなく、これらのプラントが実際にどのように動作するかを支配する熱力学、流体力学、反応動力学を中心に構築されたアーキテクチャとトレーニングデータを持つモデルです。

Databricks Venturesの参加も注目に値します。Databricksは、エンタープライズAIのインフラストラクチャレイヤーとしてのデータレイクハウスプラットフォームの位置づけを積極的に進めています。彼らの関与は、Applied Computingのアプローチ（構造化センサーデータと非構造化エンジニアリングドキュメンテーションの融合）が、真摯なエンタープライズAIデータパイプラインの向かう先と一致していることを示唆しています。

アジアにとって重要な理由

アジアは、石油、ガス、石油化学の物語における受動的な観察者ではありません。この地域は、世界最大級の精製および石油化学複合施設をいくつか抱えています。インドのReliance Jamnagar製油所（容量で世界最大）からシンガポールのJurong Island、タイのMap Ta Phut、マレーシアとインドネシアの拡大する下流クラスターまで、多くの施設があります。東南アジア単独で、世界の精製能力の相当なシェアを占めており、その能力は地域のエネルギー需要が増加し続けるにつれて成長しています。

これらの施設は、Applied Computingが説明する正確な断片化の問題に直面しています。その多くは、AIの準備を念頭に置いて設計されたことのないレガシー分散制御システム（DCS）およびSCADAインフラストラクチャで実行されています。データは独自のヒストリアンデータベース（最も一般的なのはOSIsoft PI）に存在し、そのデータを最新のAIモデルが使用できる形式に取得するには、重要なエンジニアリング作業が必要です。「多くのデータを収集している」から「そのデータで決定を下している」までのギャップは、アジアの古い施設ではおそらく他のどこよりも広いです。

アジアのテック視点から見ると、この投資テーゼも重要です。KBRがこのラウンドを主導するということは、エンジニアリング請負業者（これらのプラントを設計、構築、運用する企業）がAIレイヤーに直接資金を提供していることを意味します。これは調達シグナルです。アジアのエンジニアリング請負業者の多くはKBRのパートナーまたは競合企業ですが、クライアントに同様のAI機能を提供するプレッシャーに直面することになるでしょう。シンガポール、クアラルンプール、またはムンバイで産業用AIツーリングを構築しているスタートアップと開発者は、これを注視すべきです。

注目する価値のあるタレント動向もあります。アジアは世界の化学エンジニアとプロセスエンジニアの相当なシェアを生み出しています。プロセス産業向けの基盤モデルが成熟するにつれて、ドメインとAIツーリングの両方を理解するエンジニアは、非常に価値があります。その交差点（プロセスドメイン知識とAIエンジニアリング）が真の活用が存在する場所であり、アジアの大学はそれを生み出すのに適切な位置にあります。

開発者にとって何を意味するのか

産業用AIまたはエネルギーテック分野で構築している開発者の場合、Applied Computingのアプローチは、慎重に検討する価値のあるいくつかのアーキテクチャ上のアイデアを浮き彫りにします。

ドメイン固有の基盤モデルが真の競争優位性です。汎用LLMは、プロセスエンジニアリングが要求する精度に苦労しています。モデルが熱交換器のファウリング率と下流カラムのパフォーマンスの相互作用について推論する必要がある場合、基礎となる熱力学的関係を内在化している必要があります。単にそれについてのテキストでパターンマッチングするだけではありません。Applied Computingの賭けは、これらのシステムの特定の物理学でモデルを訓練することで、汎用モデルをプロンプトエンジニアリングするよりも質的に優れた推論が生成されるということです。その賭けが成功すれば、本当に複製が難しいデータとトレーニングの競争優位性が確立されます。

センサーデータ+非構造化ドキュメンテーションが難しい融合問題です。ほとんどの産業用AIプロジェクトは、モデルレベルではなく、データパイプラインレベルで失敗します。時系列センサーストリーム（高周波、構造化、数値）をエンジニアリングドキュメンテーション（PDF、P&ID、機器データシート、非構造化、異種）と組み合わせるには、慎重なデータアーキテクチャが必要です。同様の問題に取り組んでいる開発者は、非構造化レイヤーの埋め込み戦略と、センサーイベントとそれを説明するドキュメンテーション間の時間的配置をどのように処理しているかについて、慎重に考える必要があります。

統合レイヤーはプロジェクトが立ち往生する場所です。優れたモデルがあっても、プラントのヒストリアンからデータを取得して最新のAIパイプラインに入れるのは大変です。OSIsoft PI、Honeywell PHD、および同様のシステムはAPIを持っていますが、高スループットMLワークロード用に設計されていません。このスペースで構築している開発者は、コネクタ（レガシーOTシステムと最新データインフラストラクチャ間の配管）に不相応な時間を費やすことになります。そのレイヤーをきれいに抽象化するプラットフォームは、本当の利点を持っています。

物理情報AIが牽引力を得ています。Applied Computingのアプローチは、暗黙的に物理情報機械学習に依存しています。これは、モデルの出力が既知の物理法則と一致するように制約するという考えです。これは純粋なデータ駆動型アプローチからの意味のある出発であり、物理的に不可能な状態を予測するモデルが無用の長物よりも悪い安全クリティカルな産業では特に重要です。