Ligtas ba ang paggamit ng AI sa mga nuclear plant?

Ang susi ay nakasalalay sa kung anong antas ito ginagamit. Ang mga aktwal na aplikasyon sa kasalukuyan ay nakatuon sa mga gawaing administratibo at suporta sa inhinyeriya tulad ng pagproseso ng dokumento, pag-uuri, at pagkuha ng impormasyon, at hindi ito kasama sa kontrol ng yunit. Ang mga desisyong may kaugnayan sa kaligtasan ay nananatiling responsibilidad ng tao, at ang ginagawa ng AI ay ayusin ang mga datos at iharap ito sa tao. Ang malinaw na hangganang ito ang nagpapahintulot na makapasa sa pagsusuri ng industriya ng nukleyar.

Bakit kailangang magdagdag ng pisikal na modelo ang industrial AI?

Ang mga modelong nakabatay lamang sa datos ay maaaring magbigay ng mga suhestiyon na makatwiran sa estadistika ngunit imposible sa pisika, gaya ng mga parameter ng operasyon na lumalabag sa balanse ng masa. Kapag nakita ng mga inhinyero ang ganitong klaseng output, hindi na nila kailanman pagkakatiwalaan ang sistema. Sa pagdaragdag ng mga pisikal na restriksyon, ang mga suhestiyon ng AI ay bababa man lang sa saklaw ng pisikal na magagawa—ito ang hangganan ng kung maaari ba itong gamitin o hindi, at hindi lamang isang teknikal na dekorasyon.

Saan nakasalalay ang hirap ng pagpapatupad sa mga petrochemical plant sa Taiwan?

Ang pinakamalaking kahirapan ay karaniwang hindi ang teknolohiya kundi ang datos: kung ang makasaysayang datos ng sistema ng kontrol ay kumpletong naingatan, kung pare-pareho ang pag-label, at kung kayang pag-ugnayin ang iba't ibang planta. Karamihan sa mga lumang planta ay naiipit sa yugtong ito. Inirerekomenda na gawin muna ang imbentaryo ng datos bago pag-usapan ang pagpili ng modelo, kung hindi ay hindi mo rin mapapakain ang sistema kahit na bilhin mo ito.

Papalitan na o magreretiro na ang mga yunit ng nukleyar sa Taiwan, may kabuluhan pa ba ang mga tool na ito?

Oo naman. Ang mga proyekto sa pagreretiro, pamamahala ng basurang nukleyar, at ang dami ng mga dokumento sa pagsunod sa batas ay napakalaki pa rin, at ang metodolohiya ng mga tool na ito—pagpapalit ng malaking dami ng mga hindi nakaistrukturang teknikal na dokumento tungo sa mga ari-arian na maaaring makuha at awtomatikong maiuri—ay may direktang halaga ng sanggunian para sa Taipower, CPC Corporation, at mga pasilidad ng semiconductor.

Pati ba naman ang mga nuclear plant ginagamit na ang AI: Tatlong landas ng pagpapatupad sa sektor ng enerhiya at ang mga aral para sa Taiwan

Mahigit 70 pasilidad ng nukleyar sa Hilagang Amerika at UK ang gumagamit na ng AI para salain ang mga ulat ng kundisyon, habang ang mga refinery ng langis ay kailangang pumasa muna sa pagsubok ng mass conservation bago maglakas-loob na gumamit ng prediksyon ng AI. Sinisiyasat ng artikulong ito ang tatlong landas ng pagpapatupad ng AI sa enerhiya at mga utilidad, at kung bakit mas mahalaga ang "kung naglakas-loob ba ang mga inhinyero na sundin ito" kaysa sa kung gaano kalaki ang modelo.

May sabhi sakin ang isang prosesong inhinyero na dalawampung taon nang nagtatrabaho sa Formosa Plastics Mailiao plant sa Yunlin: "Ang dami-dami naming sensor sa pabrika, pero iilan lang talaga sa mga metro o gauges na iyon ang ginagamit namin para magdesisyon."

Ang pahayag na ito ay kalaunang isinalin sa mga numero ng isang British startup. Ayayon sa Applied Computing, kapag ang mga refinery at petrochemical plant ay gumagawa ng mga desisyon sa operasyon, wala pang 8% ng available na datos ang talagang ginagamit.

Saan napunta ang natitirang 92%? Nakatambak lang sa historical database, at walang may panahong tumingin.

Bakit Napakahirap sa Sektor ng Enerhiya

Ang antas ng kahirapan sa pagpapatupad ng AI sa enerhiya at mga kagamitan (utilities) ay malayong-malayo sa karaniwang mga negosyo. May tatlong dahilan nito.

Mahigpit na regulasyon. Ang bawat dokumento sa nuclear power plant ay maaaring i-audit, at ang bawat desisyon ay kailangang masundan ang pinagmulan. Ang "sinabi ng modelo" ay hindi matatanggap bilang sapat na dahilan.

Napakataas ng halaga ng pagkakamali. Kapag nagkamali ang e-commerce sa pagrerekomenda ng produkto, ang lugi ay isang order lamang; kapag nagkamali sa mga parameter ng operasyon ang isang oil refinery, maaari itong humantong sa pagka-shutdown ng hurno o isang aksidente sa kaligtasan.

Hindi nagtitiwala ang mga inhinyero sa black box. Ito ang pinakamahalagang punto, ngunit ito rin ang pinakamadalas balewalain. Kung bibigyan mo ang isang beteranong inhinyero ng interface na nagsasabing "Iminumungkahi ng AI na itaas ng 5 degrees ang temperatura," ang una niyang itatanong ay "Bakit?" Kapag hindi nasagot iyon, palamuti lang ang sistemang iyan.

Dahil napakahirap nito, ang mga kaso ng paggamit ng AI sa enerhiya na matagumpay na naipatupad ay lalong karapat-dapat pag-aralan—ang makapasa sa pagsusuri rito ay katumbas ng pagpapasa sa pinakamahigpit na stress test.

Landas 1: Unahin ang mga Dokumento, Huwag Galawin ang Control

Ang pinakapraktikal na simula ay ang mga gawaing "mahalaga pero hindi sasabog."

Ang Nuclearn ang kinatawan ng landas na ito. Ang ginagawa nito ay automation ng mga dokumento at workflow sa nuclear power plant—tulad ng awtomatikong pag-uuri at pag-filter ng mga condition report, paghahanap sa datos ng mga kagamitan at piyesa, at ang paghahanap at pagsagot sa mga dokumentong pang-inhinyero. Ang kanilang linya ng produkto ay nahahati ayon sa aktwal na departamento: Equipment AI, Parts AI, Engineering AI, Performance Improvement AI, at mayroon ding nuclear-specific chat assistant na tinatawag na AtomAssist.

Simple lang ang kanilang panawagan: "Mas mabilis na operasyon, mas kaunting backlog, mas mababang panganib." Naglilingkod ang kumpanya sa mahigit 70 pasilidad ng nukleyar sa North America at UK, at ang kanilang founding team ay nagmula sa mga institusyon tulad ng Palo Verde Nuclear Generating Station.

Pansinin kung ano ang sadyang hindi nila hinahawakan: Ang pagkontrol sa mga unit ng makina at mga desisyong may kaugnayan sa kaligtasan ay hinding-hindi nila pinapakialaman. Ang lahat ng output ng AI ay inihahatid sa mga tao, at ang mga tao ang nagpapasya. Ang self-imposed limitation na ito ay hindi dahil sa pagiging konserbatibo, kundi ito ang dahilan kung bakit ito matagumpay na nagagamit.

Ang nuclear power plant ay isa sa mga industriya sa buong mundo na may pinakamaraming dokumento. Ang bawat abnormalidad ay nangangailangan ng condition report, at ang bawat isa ay kailangang manu-manong i-uri at i-filter. Ang ganitong uri ng trabahong "malaki ang bolyum, malinaw ang mga patakaran, ngunit kumakain ng maraming oras ng mga inhinyero" ay ang tamang-tamang target para sa AI.

Landas 2: Gamitin ang Physics bilang Tagapagbantay

Ang pangalawang landas ay mas teknikal at mas matalino.

Ang produkto ng Applied Computing na tinatawag na Orbital ay binubuo ng tatlong modelong nakasalansan nang magkakapatong. Ang time-series model ay nakakonekta sa control system at data historian para hulaan ang mga trend at tuklasin ang mga anomalya; ang language model ay sinanay gamit ang kaalaman sa chemical engineering upang bigyang-kahulugan ang mga dokumento sa loob ng planta at magmungkahi ng mga hakbang.

At ang nasa gitna ang siyang susi: Ang physics model ang namamahala upang matiyak na ang mga hinulaang resulta ay umaayon sa mass balance, conservation of energy, at reaction kinetics.

Ang disenyong ito ang mismong lumulutas sa isyu ng kawalan ng tiwala na nabanggit kanina. Ang modelong puro datos lamang ay maaaring magbigay ng mga mungkahing mukhang makatuwiran ayon sa estadistika, ngunit imposible sa pisikal na mundo. Kapag nakakita ang isang inhinyero ng ganoong klaseng output kahit minsan lamang, patay na ang sistemang iyon sa kanyang isipan.

Sa sandaling idagdag ang mga pisikal na restriksyon, ang mga mungkahi ng AI ay babagsak man lang sa saklaw ng posibleng mangyari sa pisika, at maaaring i-verify ng mga inhinyero sa kanilang sarili kung "makatuwiran ba ang mungkahing ito." Ito ang linya na naghihiwalay kung maaari ba itong tanggapin o hindi.

Ang punong-tumpok ng kumpanya ay nasa London at inuuna ang remote-work. Ang tagapagtatag ay nagtapos mula sa Imperial College London, at si Dan Jeavons, dating AI project lead sa Shell, ang nagsisilbing presidente. Nakalikom na sila ng £9 million sa seed funding. Sa industriyang ito, ang pagkakaroon ng praktikal na background mula sa Shell ay nagsisilbing pasaporte sa tagumpay.

Landas 3: Lutasin ang Suliranin ng "Hindi Maitayo"

Ang pangatlong landas ay tumatalon nang mas malayo.

Ang Everstar ay hindi nakatutok sa operasyon ng mga umiiral nang power plant, kundi sa problema kung bakit ang mga bagong nuclear power plant ay hindi maitayo-itayo. Ang kanilang sistemang Gordian ay isang AI platform para sa mga operasyong nukleyar, na sumasaklaw sa inhinyeriya, pagkuha ng permit sa regulasyon, sertipikasyon, at pagsasanay ng mga tauhan; ang Titan naman ay isang scalable manufacturing system, at itinakda ng kumpanya ang layuning "magtayo ng 400 GW sa US bago sumapit ang taong 2050."

Ang anim na aspeto na kanilang pinapasok ay: inhinyeriya at pagpapahintulot sa regulasyon, sertipikasyon ng supplier, paglinang ng talento, kalidad ng pagmamanupaktura, kahusayan sa konstruksyon, at autonomous na operasyon ng power plant. Opisyal nilang inilalarawan ang kanilang misyon bilang "paglilipat ng nukleyar mula sa papel patungo sa bakal."

May isang bagay na kailangang malinaw na sabihin dito: Ang kayang pabilisin ng AI ay ang mga gawaing kumokonsumo ng maraming oras tulad ng paghahanda ng dokumento, paghahanap ng datos, at pag-verify ng pagkakapare-pareho; ang pagsusuri mismo ng mga awtoridad sa regulasyon ay nangangailangan pa rin ng oras. Ang makatwirang pag-unawa rito ay ang pagpapaikli ng "paghihintay sa pagsusumite," at hindi ang pagpapaikli ng "pagsusuri ng regulasyon."

Gayunpaman, ang mismong pag-iral ng kumpanyang ito ay nagpapatunay ng isang bagay: Ang tunay na hadlang sa muling pag-usbong ng nukleyar ay nasa aspeto ng pagpapatupad, hindi sa teknolohiya. Hindi sa hindi namin kayang magtayo, kundi putol-putol na ang mga proseso, supply chain, at talento.

Saganang nabanggit, ang Overstory ay kabilang din sa malaking kategoryang ito—ginagamit nito ang satellite imagery upang suriin ang mga panganib ng mga halaman o puno malapit sa mga linya ng kuryente, na naglilingkod sa anim sa sampung pangunahing kumpanya ng kuryente sa North America, at binabago ang badyet sa pagpuputol ng mga kumpanya ng kuryente mula sa "nakabatay sa siklo" patungo sa "nakabatay sa panganib."

Pagsusuri sa Epekto sa Merkado

Para sa mga Gumagamit sa Taiwan

Hindi direktang gagamitin ng karaniwang tao ang mga tool na ito, ngunit ang epekto ay hindi direktang totoo at nararamdaman: mas kaunting brownout, mas matatag na singil sa kuryente, at mas kaunting aksidente sa kaligtasan sa trabaho. Ang uri ng pamamahala sa panganib ng halaman na ginagawa ng Overstory ay katulad ng parehong suliranin ng pagbagsak ng mga puno tuwing panahon ng bagyo sa Taiwan.

Para sa mga Negosyo sa Taiwan

Ang bahaging ito ang pinakamahalaga. Ang industriya ng petrochemical (CPC Corporation at Formosa Plastics Group), kuryente (Taipower), at mga pasilidad ng semiconductor sa Taiwan ay lahat ng mga tipikal na senaryo para sa ganitong uri ng teknolohiya—luma ang mga kagamitan, marami ang datos, at ang kaalaman at karanasan ay nakakubli sa isip ng mga beteranong inhinyero na ngayon ay nagreretiro na.

Ngunit sasabihin ko nang buong tapat: Karamihan sa mga tagagawa sa Taiwan ay maaipit sa datos, hindi sa modelo. Mayroon bang kumpletong rekord ng makasaysayang datos ang control system? Magkakatugma ba ang mga format ng pagpapangalan sa iba't ibang planta? Kaya bang pag-ugnayin ang iba't ibang sistema? Kapag hindi nasagot ang tatlong tanong na ito, walang kuwenta kung anong sistema ang bibilhin mo.

Ang inireregkomendang pagkakasunod-sunod ay: Unahing suriin ang datos → Pumili ng maliit na saklaw para sa pagsubok ng document automation → Bumuo ng panloob na tiwala → Pagkatapos ay pag-usapan ang pag-optimize ng proseso. Huwag itong baligtarin.

Para sa mga Developer

Kung gumagawa ka ng industrial AI, ang arkitektura ng Applied Computing ay sulit kopyahin: Huwag lang gumawa ng hula, gumawa ng mga hulang maaaring i-verify. Gawing parang mga panuntunan o restriksyon ang physics o mga alituntunin ng negosyo ng industriya, upang masuri ng mga gumagamit sa kanilang sarili kung makatuwiran ba ang output. Mas mahalaga ito kaysa sa kahit anong napakalaking modelo.

Bukod dito, ang "malalim na pagtutok sa isang patayong industriya (vertical specialization)" ay isang tunay na moats sa larangang ito. Binibigyang-diin ng Nuclearn na hindi ito naglalagay lamang ng interface sa ibabaw ng mga pangkalahatang Large Language Models, kundi sadyang idinisenyo ito para sa kapaligiran ng nukleyar—ang pagkakaibang ito sa mga industriyang may mahigpit na regulasyon ang nagpapasya kung makakakuha ka ng kontrata o hindi.

Mga Trend sa Hinaharap

1. Ang pangangailangan sa kuryente ng AI ay magtutulak pabalik sa pagiging AI ng industriya ng enerhiya. Binabago ng pangangailangan sa kuryente ng mga data center ang presyon sa operasyon ng industriya ng kuryente, at ang isa sa mga kasangkapan upang tugunan ang presyong ito ay ang AI. Ang ikot na ito ay patuloy na iikot nang mas mabilis.

2. Ang "pagiging madaling i-audit (auditsability)" ay magiging pamantayan para sa industrial AI. Ang mga industriyang may mahigpit na regulasyon ay mangangailangan na ang bawat output ng AI ay masundan pabalik sa pinagmulan at batayan nito. Pipilitin nito ang buong merkado ng industrial AI patungo sa direksyon ng pagiging madaling ipaliwanag (explainable AI).

3. Ang alon ng pagreretiro ang pinakamalaking puwersang nagtutulak. Ang malaking bilang ng mga beteranong inhinyero sa industriya ng pagpoproseso sa Taiwan ay nagreretiro na, at ang kaalamang nakatali sa utak ng tao ay nawawala. Ang pag-convert ng mga teknikal na dokumento tungo sa mga kayamanang maaaring hanapin at tanungin ay lalong nagiging apurahan.

Buod at Puna ng TheAI學院

Ang pinakamalalim kong naramdaman sa larangang ito ay: Ang pagpapakilala ng AI sa industriya ng enerhiya ay nagtuturo sa atin kung "paano handang magtiwala ang mga tao sa AI."

Hindi sa pamamagitan ng pagpapalaki ng modelo, kundi sa pamamagitan ng malinaw na pagguhit ng mga hangganan (kung ano ang ginagawa ng AI at kung ano ang ginagawa ng tao), paggawa sa output na maaaring i-verify (mga pisikal na restriksyon, pagsunod sa pinagmulan), at pagsisimula ng aplikasyon mula sa mga lugar na hindi gaanong mapanganib (mga dokumento sa halip na kontrol).

Ang tatlong estratehiyang ito ay naaangkop sa anumang industriya, maliban na lamang sa katotohanang ang ibang mga industriya ay hindi napilitang gawin ito.

Puna: Kahit ang industriya ng nukleyar na may pinakamahigpit na regulasyon at pinaka-konserbatibo ay gumagamit na ng AI upang iproseso ang mga dokumento, kaya ang mga dahilan ng ibang industriya na "kami ay espesyal kaya hindi namin magamit" ay lalo nang hindi makatwiran.

Isang tiyak na mungkahi para sa mga mambabasa: Kung ikaw ay nasa IT o engineering department ng proseso ng pagmamanupaktura, kuryente, o anumang mabigat na industriya, gawin mo ang isang bagay ngayong buwan—suriin kung saan talaga nakaimbak ang inyong mga teknikal na dokumento, gaano karami ang mga ito, at ano ang kanilang mga format. Nangahas akong sabihin na hindi masagot ng karamihan sa mga kumpanya ang tanong na ito. At ang sagot na iyon ang tunay na baryabol na magpapasya kung maaari kayong magpatupad ng AI pagkalipas ng tatlong taon, hindi ang badyet.

Pinagmulan ng Datos

Inayos batay sa pampublikong impormasyon at nakasalalay sa opisyal na panig. Ang artikulong ito ay hindi bumubuo ng anumang payo sa pamumuhunan o desisyong pang-inhinyero; mangyaring kumunsulta sa mga propesyonal na tagapayo para sa aktwal na pagpapatupad.