Applied Computing muốn cung cấp mô hình AI cho toàn bộ nhà máy dầu khí

Hầu hết các câu chuyện về AI công nghiệp đều theo một mô hình quen thuộc: một giải pháp điểm tối ưu hóa một thứ — một bơm, một đường ống, một lịch trình bảo trì. Applied Computing đang đặt cược rằng đó là mức trừu tượng sai lầm. Startup có trụ sở tại London muốn xây dựng một mô hình AI nền tảng cho toàn bộ nhà máy dầu, khí và hóa dầu — và khoản tài trợ Series A 20 triệu đô la mới cho thấy vốn lớn đang bắt đầu đồng ý. Đối với các nhà phát triển và người sáng lập theo dõi nơi AI thực sự hạ cánh trong công nghiệp nặng, đây là một tín hiệu đáng để phân tích.

Applied Computing muốn cung cấp cho các nhà khai thác dầu khí một mô hình AI cho toàn bộ nhà máy — không phải một bảng điều khiển, không phải một bộ phát hiện bất thường hẹp, mà là một mô hình thống nhất có thể tiếp nhận các luồng cảm biến, tài liệu kỹ thuật và vật lý quy trình đồng thời. Tham vọng đó đặt nó vào một danh mục khác với hầu hết phần mềm công nghiệp, và những hàm ý kéo dài xa hơn Biển Bắc.

Điều Gì Đã Xảy Ra

Applied Computing, được thành lập năm 2023 và có trụ sở tại London, đã huy động được 20 triệu đô la Series A do tập đoàn kỹ thuật KBR dẫn đầu, với sự tham gia của Databricks Ventures. Vòng tài trợ này đáng chú ý không chỉ vì quy mô của nó mà còn vì ai đã ký séc — KBR là một trong những công ty dịch vụ kỹ thuật và chính phủ lớn nhất thế giới, với những gốc rễ sâu sắc trong thiết kế và vận hành nhà máy hóa dầu. Đây không phải là vốn đầu tư mạo hiểm suy đoán; đó là một nhà cung cấp ngành công nghiệp hiện tại đặt cược chiến lược.

Vấn đề cốt lõi mà Applied Computing đang tấn công là sự phân mảnh dữ liệu quy mô lớn. Một cơ sở dầu, khí hoặc hóa dầu có thể có hàng nghìn cảm biến đo nhiệt độ, áp suất, vận tốc, độ nhớt và hàng chục biến khác đồng thời. Các nhà khai thác đã thu thập hầu hết dữ liệu này. Vấn đề, theo Giám đốc điều hành và đồng sáng lập Callum Adamson, là các cơ sở hiện tại đưa ra quyết định vận hành bằng cách sử dụng ít hơn 8% dữ liệu có sẵn cho họ. Phần còn lại nằm trong các silo — các bài đọc cảm biến bị ngắt kết nối với tài liệu kỹ thuật, các mô hình hóa học quy trình không bao giờ nói chuyện với dữ liệu vận hành thời gian thực.

Giải pháp mà Applied Computing đang xây dựng là một mô hình nền tảng được đào tạo trên vật lý, hóa học và các mô hình vận hành cụ thể của các hệ thống dầu, khí, lọc dầu và hóa dầu. Hãy coi nó như một mô hình lớn dành riêng cho miền — không phải một LLM mục đích chung được cải tạo lại bằng một lời nhắc ngành, mà là một mô hình có kiến trúc và dữ liệu đào tạo được xây dựng xung quanh nhiệt động lực học, động lực chất lỏng và động học phản ứng chi phối cách các nhà máy này thực sự hoạt động.

Sự tham gia của Databricks Ventures cũng đáng chú ý. Databricks đã tích cực định vị nền tảng lakehouse dữ liệu của mình như là lớp cơ sở hạ tầng cho AI doanh nghiệp. Sự tham gia của họ cho thấy rằng cách tiếp cận của Applied Computing — kết hợp dữ liệu cảm biến có cấu trúc với tài liệu kỹ thuật không có cấu trúc — phù hợp với nơi các đường ống dữ liệu AI doanh nghiệp nghiêm túc đang hướng tới.

Tại Sao Điều Này Quan Trọng Đối Với Châu Á

Châu Á không phải là một người quan sát bị động trong câu chuyện dầu, khí và hóa dầu. Khu vực này có một số phức hợp lọc dầu và hóa dầu lớn nhất thế giới — từ nhà máy lọc dầu Jamnagar của Reliance ở Ấn Độ (lớn nhất thế giới theo công suất) đến các trung tâm hóa dầu khổng lồ trên đảo Jurong ở Singapore, Map Ta Phut ở Thái Lan và các cụm hạ lưu đang mở rộng ở Malaysia và Indonesia. Chỉ riêng Đông Nam Á đã chiếm một phần đáng kể công suất lọc dầu toàn cầu, và công suất đó đang tăng khi nhu cầu năng lượng khu vực tiếp tục tăng.

Những cơ sở này phải đối mặt với vấn đề phân mảnh chính xác mà Applied Computing mô tả. Nhiều cơ sở trong số đó chạy trên các hệ thống điều khiển phân tán (DCS) và cơ sở hạ tầng SCADA kế thừa không bao giờ được thiết kế với tính sẵn sàng cho AI. Dữ liệu sống trong các cơ sở dữ liệu lịch sử độc quyền — OSIsoft PI là phổ biến nhất — và việc đưa dữ liệu đó vào một hình thức mà một mô hình AI hiện đại có thể sử dụng đòi hỏi công việc kỹ thuật không tầm thường. Khoảng cách giữa "chúng tôi thu thập rất nhiều dữ liệu" và "chúng tôi đưa ra quyết định với dữ liệu đó" có lẽ rộng hơn ở các cơ sở cũ hơn của Châu Á so với bất kỳ nơi nào khác.

Từ góc độ công nghệ Châu Á, luận điểm đầu tư ở đây cũng quan trọng. KBR dẫn đầu vòng này có nghĩa là một nhà thầu kỹ thuật — loại công ty thiết kế, xây dựng và vận hành các nhà máy này — đang trực tiếp tài trợ cho lớp AI. Đó là một tín hiệu mua hàng. Nó gợi ý rằng các nhà thầu kỹ thuật ở Châu Á, nhiều công ty là đối tác hoặc đối thủ cạnh tranh của KBR, sẽ phải đối mặt với áp lực cung cấp các khả năng AI tương tự cho khách hàng của họ. Các startup và nhà phát triển ở Singapore, Kuala Lumpur hoặc Mumbai đang xây dựng công cụ AI công nghiệp nên theo dõi điều này một cách chặt chẽ.

Cũng có một động lực tài năng đáng được gắn cờ. Châu Á sản xuất một phần đáng kể các kỹ sư hóa học và kỹ sư quy trình trên thế giới. Khi các mô hình nền tảng cho các ngành công nghiệp quy trình trưởng thành, các kỹ sư hiểu cả miền và công cụ AI sẽ vô cùng có giá trị. Giao điểm đó — kiến thức miền quy trình cộng với kỹ thuật AI — là nơi đòn bẩy thực sự nằm, và các trường đại học Châu Á được định vị tốt để sản xuất nó.

Điều Này Có Ý Nghĩa Gì Đối Với Các Nhà Phát Triển

Nếu bạn là một nhà phát triển xây dựng trong không gian AI công nghiệp hoặc công nghệ năng lượng, cách tiếp cận của Applied Computing nổi bật một số ý tưởng kiến trúc đáng để suy nghĩ cẩn thận.

Các mô hình nền tảng dành riêng cho miền là chiếc hào thực sự. Các LLM mục đích chung gặp khó khăn với độ chính xác mà kỹ thuật quy trình đòi hỏi. Khi một mô hình cần suy luận về tương tác giữa tốc độ tích tụ của trao đổi nhiệt và hiệu suất cột hạ lưu, nó cần phải nội tại hóa các mối quan hệ nhiệt động lực học cơ bản — không chỉ là khớp mẫu trên văn bản về chúng. Cược của Applied Computing là rằng đào tạo một mô hình trên vật lý cụ thể của các hệ thống này tạo ra suy luận tốt hơn về chất lượng so với kỹ thuật nhắc nhở một mô hình chung. Nếu cược đó được trả thưởng, nó sẽ thiết lập một dữ liệu và mô hình đào tạo thực sự khó sao chép.

Dữ liệu cảm biến + tài liệu không có cấu trúc là vấn đề hợp nhất khó khăn. Hầu hết các dự án AI công nghiệp không thất bại ở mức độ mô hình mà ở mức độ đường ống dữ liệu. Kết hợp các luồng cảm biến chuỗi thời gian (tần số cao, có cấu trúc, số) với tài liệu kỹ thuật (PDF, P&ID, bảng tính thiết bị — không có cấu trúc, không đồng nhất) đòi hỏi kiến trúc dữ liệu cẩn thận. Các nhà phát triển làm việc trên các vấn đề tương tự nên suy nghĩ kỹ lưỡng về chiến lược nhúng của họ cho lớp không có cấu trúc và cách họ xử lý căn chỉnh thời gian giữa các sự kiện cảm biến và tài liệu mô tả chúng.

Lớp tích hợp là nơi các dự án bị kẹt. Ngay cả với một mô hình tuyệt vời, việc lấy dữ liệu từ nhà máy lịch sử của một nhà máy và đưa vào một đường ống AI hiện đại là đau đớn. OSIsoft PI, Honeywell PHD và các hệ thống tương tự có API, nhưng chúng không được thiết kế cho khối lượng công việc ML thông lượng cao. Các nhà phát triển xây dựng trong không gian này sẽ dành một lượng thời gian không cân xứng cho các bộ kết nối — các đường ống giữa các hệ thống OT kế thừa và cơ sở hạ tầng dữ liệu hiện đại. Bất kỳ nền tảng nào trừu tượng hóa lớp đó một cách sạch sẽ đều có một lợi thế thực sự.

AI được thông báo bởi vật lý đang đạt được sự quan tâm. Cách tiếp cận của Applied Computing ngầm dựa vào học máy được thông báo bởi vật lý — ý tưởng rằng bạn hạn chế các đầu ra của mô hình để phù hợp với các định luật vật lý đã biết. Đây là một sự khác biệt có ý nghĩa so với các cách tiếp cận thuần túy dựa trên dữ liệu, và nó đặc biệt quan trọng trong các ngành công nghiệp an toàn quan trọng nơi một mô hình dự đoán các trạng thái vật lý không thể xảy ra còn tệ hơn vô dụng. Các nhà phát triển xây dựng trong r