Adakah selamat untuk loji nuklear menggunakan AI?

Kuncinya terletak pada lapisan penggunaannya. Aplikasi praktikal semasa tertumpu pada sokongan pentadbiran dan kejuruteraan seperti pemprosesan dokumen, pengelasan, dan pengambilan maklumat, dan bukannya kawalan unit. Keputusan berkaitan keselamatan masih di bawah tanggungjawab manusia, di mana peranan AI adalah menyusun data untuk rujukan manusia. Sempadan ini perlu dilakarkan dengan jelas sebelum ia dapat melepasi kelulusan industri nuklear.

Mengapa AI perindustrian perlu digabungkan dengan model fizik?

Model yang didorong oleh data semata-mata mungkin memberikan cadangan yang munasabah dari segi statistik tetapi mustahil dari segi fizik, seperti parameter operasi yang melanggar keseimbangan jisim. Sebaik sahaja jurutera melihat output sedemikian, mereka akan hilang kepercayaan terhadap sistem itu buat selama-lamanya. Selepas ditambah dengan kekangan fizik, cadangan AI sekurang-kurangnya akan berada dalam julat yang boleh dilaksanakan secara fizikal — inilah titik penentu sama ada ia boleh diterima pakai, bukannya sekadar hiasan teknologi.

Apakah kesukaran dalam melaksanakan AI bagi kilang petrokimia di Taiwan?

Kesukaran terbesar biasanya bukanlah pada teknologi, sebaliknya pada data: sama ada data sejarah sistem kawalan disimpan dengan lengkap, sama ada penandaannya konsisten, dan sama ada ia boleh dihubungkan merentas kilang. Kebanyakan kilang lama tersangkut pada peringkat ini. Adalah disyorkan untuk menjalankan inventori data terlebih dahulu sebelum membincangkan pemilihan model, jika tidak, sistem yang dibeli tidak akan mempunyai data yang mencukupi untuk berfungsi.

Memandangkan semua unit nuklear Taiwan akan dihentikan tugas, adakah alat ini masih bermakna?

Ya. Projek pengnyahaktifan, pengurusan sisa nuklear, dan jumlah dokumen pematuhan undang-undang yang berkaitan masih sangat besar. Selain itu, metodologi alat jenis ini — mengubah sejumlah besar dokumen teknikal tidak berstruktur menjadi aset yang boleh dicari dan dikelaskan secara automatik — mempunyai nilai rujukan langsung untuk Taipower, CPC Corporation, dan operasi utiliti kilang semikonduktor.

Loji Nuklear Pun Guna AI: Tiga Laluan Pelaksanaan Sektor Tenaga dan Kerja Rumah Taiwan

Lebih 70 kemudahan nuklear di Amerika Utara dan Britain menggunakan AI untuk menapis laporan keadaan, manakala kilang penapisan minyak hanya akan menerima ramalan AI selepas ia lulus ujian kelembapan jisim. Artikel ini membongkar tiga laluan untuk sektor tenaga dan utiliti mengaplikasikan AI, serta sebab "sama ada jurutera berani mengikut arahannya" adalah lebih penting daripada saiz model itu sendiri.

Seorang jurutera proses yang telah berkhidmat selama dua puluh tahun di Loji Petrokimia Mailiao (Yunlin Liuhua) pernah memberitahu saya satu ayat, dan saya terus mengingatinya hingga ke hari ini: "Terdapat terlalu banyak sensor di kilang kami, tetapi yang benar-benar digunakan untuk membuat keputusan hanyalah beberapa paparan meter itu sahaja."

Ayat ini kemudiannya diterjemahkan ke dalam bentuk angka oleh sebuah syarikat baharu (startup) dari Britain. Applied Computing menyatakan bahawa apabila kilang penapisan minyak dan petrokimia membuat keputusan operasi, kurang daripada 8% data yang tersedia benar-benar digunakan.

Ke mana pergi baki 92% lagi? Ia hanya tersimpan di dalam repositori sejarah data tanpa sempat disentuh oleh sesiapa.

Mengapa Sektor Tenaga Begitu Sukar

Tahap kesukaran untuk melaksanakan AI dalam sektor tenaga dan utiliti sama sekali tidak setanding dengan perusahaan biasa. Terdapat tiga sebab utama.

Peraturan yang terlalu ketat. Setiap dokumen loji kuasa mungkin akan diaudit, dan setiap keputusan mesti boleh dikesan. Alasan "model yang katakan" tidak boleh diterima pakai.

Kos kesilapan yang sangat tinggi. Jika tapak e-dagang mengesyorkan produk yang salah, kerugiannya hanyalah satu pesanan (order); tetapi jika parameter operasi loji penapisan minyak tersilap, akibatnya mungkin penutupan relau (shutdown) atau kemalangan keselamatan.

Jurutera tidak mempercayai kotak hitam (black box). Ini adalah perkara yang paling penting, tetapi paling kurang dibincangkan. Jika anda memberikan paparan "AI mencadangkan untuk menaikkan suhu sebanyak 5 darjah" kepada seorang jurutera kanan, soalan pertamanya pasti "mengapa?". Jika anda tidak dapat menjawabnya, sistem ini hanyalah sekadar hiasan.

Disebabkan kesukaran inilah kes penggunaan AI dalam industri tenaga sangat wajar diberi perhatian—kejayaan melepasi tapisan di sini bermaksud ia telah melepasi ujian tekanan yang paling ketat.

Laluan Pertama: Mulakan dengan Dokumen, Jangan Sentuh Kawalan

Titik permulaan yang paling pragmatik adalah tugasan yang "penting tetapi tidak akan meletup".

Nuclearn adalah wakil kepada laluan ini. Apa yang dilakukannya ialah automasi dokumen dan aliran kerja (workflow) loji nuklear—pengkelasan dan penapisan automatik laporan keadaan, pertanyaan data peralatan dan bahagian, serta carian dan soal jawab dokumen kejuruteraan. Barisan produknya dibahagikan mengikut jabatan sebenar: Equipment AI, Parts AI, Engineering AI, Performance Improvement AI, serta chatbot khusus tenaga nuklear bernama AtomAssist.

Tujuannya sangat mudah dan bersahaja: "Operasi lebih pantas, tunggakan kerja lebih rendah, risiko lebih minimum". Syarikat ini berkhidmat untuk lebih daripada 70 kemudahan nuklear di Amerika Utara dan United Kingdom, dengan pasukan pengasas yang berasal dari institusi seperti Loji Nuklear Palo Verde.

Perhatikan apa yang sengaja dielakkan oleh mereka: Kawalan unit dan keputusan berkaitan keselamatan sama sekali tidak disentuh. Semua hasil output AI dihantar kepada manusia untuk disemak, dan manusia yang membuat keputusan. Kekangan kendiri ini bukanlah bersifat konservatif, tetapi itulah sebabnya ia berjaya diterima pakai.

Loji nuklear adalah salah satu industri yang mempunyai dokumen terbanyak di dunia; setiap keabnormalan memerlukan pembukaan laporan keadaan, dan setiap satu daripadanya perlu dikelaskan serta ditapis secara manual. Tugasan seperti ini—"jumlah yang besar, peraturan yang jelas, tetapi memakan masa yang banyak daripada jurutera"—adalah titik sasaran (sweet spot) yang paling tepat untuk AI.

Laluan Kedua: Jadikan Fizik sebagai Pengawal Pintu

Laluan kedua adalah lebih teknikal dan lebih bijak.

Produk Orbital daripada Applied Computing terdiri daripada tiga model yang disusun bersama. Model siri masa (time series model) disambungkan kepada sistem kawalan dan repositori sejarah data untuk meramalkan trend serta mengesan keabnormalan; model bahasa (language model) pula dilatih dengan pengetahuan kejuruteraan kimia untuk mentafsir dokumen kilang dan mencadangkan tindakan susulan.

Manakala lapisan di tengah-tengah itulah yang menjadi kunci: Model fizikal bertanggungjawab untuk mengawal dan memastikan keputusan ramalan mematuhi keseimbangan jisim, keekalan tenaga, dan dinamik tindak balas.

Reka bentuk ini menyelesaikan masalah kepercayaan yang telah dinyatakan sebelum ini. Model yang didorong oleh data tulen mungkin memberikan cadangan yang kelihatan munasabah dari segi statistik, tetapi mustahil dari segi fizik. Sebaik sahaja jurutera melihat output seperti itu sekali, sistem tersebut akan dianggap "mati" dalam fikiran mereka.

Dengan penambahan kekangan fizikal (physical constraints), cadangan AI sekurang-kurangnya jatuh dalam skop yang boleh dilaksanakan dari segi fizik, dan jurutera boleh mengesahkan sendiri sama ada "cadangan ini munasabah atau tidak". Inilah garis pemisah sama ada sesuatu sistem itu boleh diterima pakai atau tidak.

Ibu pejabat syarikat ini terletak di London dan mengamalkan konsep utamakan kerja jarak jauh (remote-first). Pengasasnya ialah alumni Imperial College London, manakala bekas ketua projek AI Shell, Dan Jeavons, memegang jawatan sebagai presiden. Mereka telah berjaya menyiapkan pembiayaan pusingan benih (seed round) sebanyak 9 juta pound. Latar belakang praktikal bersama Shell ini sendiri merupakan tiket laluan utama dalam industri tersebut.

Laluan Ketiga: Menyelesaikan Masalah "Gagal Dibina"

Laluan ketiga melangkah lebih jauh ke hadapan.

Everstar tidak menyasarkan operasi loji kuasa sedia ada, sebaliknya menangani masalah loji nuklear baharu yang gagal dibina. Produk mereka, Gordian, adalah platform AI untuk operasi nuklear yang merangkumi kejuruteraan, kelulusan peraturan (regulatory permitting), pensijilan, dan latihan kakitangan; manakala Titan pula adalah sistem pembuatan berskala besar, di mana syarikat mengemukakan sasaran "membina 400 GW di AS menjelang 2050".

Enam aspek yang mereka ceburi ialah: kejuruteraan dan kelulusan peraturan, pensijilan pembekal, pembangunan tenaga kerja, kawalan kualiti pembuatan, kecekapan pembinaan, dan operasi autonomi loji kuasa. Kedudukan rasmi syarikat ini adalah "membawa tenaga nuklear dari atas kertas ke dunia realiti (keluli)".

Satu perkara yang perlu dijelaskan di sini: Apa yang boleh dipercepatkan oleh AI ialah penyediaan dokumen, carian data, dan semakan konsistensi yang memakan banyak waktu kerja, manakala proses semakan oleh pihak berkuasa selia sendiri masih memerlukan masa. Pemahaman yang rasional ialah memendekkan masa "menunggu penghantaran dokumen", bukannya memendekkan masa "semakan kawal selia".

Walau bagaimanapun, kewujudan syarikat ini sendiri membuktikan satu perkara: Kekangan sebenar dalam kebangkitan semula tenaga nuklear terletak pada aspek pelaksanaan, bukannya pada teknologi. Masalahnya bukanlah kita tidak tahu cara membina, tetapi proses, rantaian bekalan, dan bakat tenaga kerja telah terputus.

Sebagai catatan tambahan, Overstory juga tergolong dalam kategori umum ini—ia menggunakan imej satelit untuk menganalisis risiko tumbuh-tumbuhan di sekitar talian kuasa, berkhidmat kepada enam daripada sepuluh syarikat utiliti teratas di Amerika Utara, serta mengubah bajet pemangkasan syarikat utiliti daripada berasaskan "kitaran masa" kepada berasaskan "tarif risiko".

Analisis Kesan Pasaran

Kepada Pengguna di Taiwan

Orang awam mungkin tidak menggunakan alat-alat ini secara langsung, tetapi kesannya adalah secara tidak langsung namun nyata: kurang gangguan bekalan elektrik, bil elektrik yang lebih stabil, dan kurang kemalangan keselamatan kerja. Pengurusan risiko vegetasi seperti yang dilakukan oleh Overstory adalah isu yang sama dengan masalah pokok tumbang yang menyebabkan gangguan bekalan elektrik semasa musim taufog di Taiwan setiap tahun.

Kepada Perusahaan di Taiwan

Bahagian inilah yang paling penting. Sektor petrokimia (kumpulan CPC, Formosa Plastics), kuasa elektrik (Taipower), dan kemudahan kilang semikonduktor di Taiwan adalah senario tipikal untuk teknologi jenis ini—peralatan yang sudah lama, data yang banyak, dan pengetahuan pengalaman yang terikat pada jurutera kanan yang kini sedang menghampiri usia bersara.

Tetapi saya harus berterus terang: Kebanyakan syarikat di Taiwan akan tersangkut pada masalah data, bukannya model. Adakah data sejarah sistem kawalan disimpan dengan lengkap? Adakah format penandaan di kawasan kilang yang berbeza adalah konsisten? Bolehkah pelbagai sistem diintegrasikan merentas platform? Jika anda tidak dapat menjawab ketiga-tiga soalan ini, membeli apa jua sistem pun tidak akan berguna.

Urutan cadangan yang betul ialah: Lakukan inventori data terlebih dahulu → Pilih skop percubaan automasi dokumen yang kecil → Kumpul kepercayaan dalaman → Barulah bincangkan tentang pengoptimuman proses. Jangan lakukan secara terbalik.

Kepada Pembangun

Jika anda sedang membangunkan AI industri, seni bina Applied Computing wajar dicontohi: Jangan sekadar membuat ramalan, buatlah ramalan yang boleh disahkan. Jadikan peraturan fizikal atau perniagaan dalam bidang tersebut sebagai lapisan kekangan (constraint layer), supaya pengguna boleh menyemak sendiri sama ada output tersebut munasabah atau tidak. Ini jauh lebih bernilai daripada model yang bersaiz besar.

Selain itu, "mendalami bidang vertikal (vertical specialization)" sememangnya merupakan kelebihan daya saing (moat) dalam industri ini. Nuclearn menekankan bahawa ia bukan sekadar membina lapisan antara muka di atas model bahasa besar (LLM) generik, sebaliknya disesuaikan khusus untuk persekitaran nuklear—perbezaan inilah yang menjadi penentu sama ada anda boleh mendapatkan pesanan dalam industri yang mempunyai kawalan selia yang ketat.

Trend Perkembangan Masa Depan

Pertama, permintaan tenaga untuk AI akan mendorong industri tenaga ke arah penggunaan AI secara timbal balik. Permintaan kuasa oleh pusat data sedang mengubah tekanan operasi industri kuasa, dan salah satu alat untuk menangani tekanan ini kebetulan adalah AI. Kitaran ini akan berputar dengan lebih pantas. Perbincangan berkaitan di Taiwan boleh merujuk kepada Semakan Menyeluruh Penggunaan Kuasa Pusat Data Taiwan.

Kedua, "keboleh-auditan" akan menjadi ciri standard (default) bagi AI industri. Industri dengan kawalan selia yang ketat akan menuntut agar setiap output AI dapat dikesan sumber dan asas rujukannya. Ini akan memaksa seluruh pasaran AI industri bergerak ke arah yang boleh dijelaskan (explainable).

Ketiga, gelombang persaraan adalah pendorong terbesar. Persaraan besar-besaran jurutera kanan dalam industri proses pembuatan di Taiwan menyebabkan pengetahuan yang terikat dalam minda manusia semakin hilang. Urgensi untuk mengubah teknikal dokumen menjadi aset yang boleh dicari dan disoal jawab akan menjadi semakin tinggi.

Kesimpulan dan Ulasan TheAI學院

Perasaan mendalam saya terhadap bidang ini ialah: Penerapan AI dalam industri tenaga sebenarnya mengajar kita "bagaimana membuatkan manusia sanggup mempercayai AI".

Bukannya dengan menjadikan model itu lebih besar, tetapi dengan melakar garis sempadan yang jelas (apa yang dibuat oleh AI, apa yang dibuat oleh manusia), menjadikan output itu boleh disahkan (kekangan fizikal, kebolehkesanan sumber), dan memulakan aplikasi daripada tempat yang paling kurang risiko berlakunya kerosakan (dokumen dan bukannya kawalan).

Tiga kaedah ini boleh digunakan dalam mana-mana industri, cuma industri lain belum lagi terdesak sehingga terpaksa melakukannya.

Ulasan: Apabila industri nuklear yang mempunyai kawalan selia paling ketat dan paling konservatif pun menggunakan AI untuk memproses dokumen, alasan daripada industri lain yang mengatakan "kami adalah kes khas jadi kami tidak boleh menggunakannya" menjadi semakin tidak kukuh.

Cadangan khusus kepada pembaca: Jika anda berada di bahagian IT atau kejuruteraan dalam industri proses, kuasa elektrik, atau mana-mana industri berat, lakukan satu perkara bulan ini—buat inventori tentang di mana dokumen teknikal anda sebenarnya disimpan, berapa banyak jumlahnya, dan apakah formatnya. Saya berani bertaruh kebanyakan syarikat tidak dapat menjawabnya. Dan jawapan inilah yang sebenar-benarnya menentukan sama ada anda boleh mengaplikasikan AI dalam masa tiga tahun lagi, bukannya bajet.

Bacaan lanjutan: Panduan Penyelenggaraan Ramalan AI membincangkan versi pengenalan dengan konteks yang sama; pembinaan alat dalaman perusahaan boleh merujuk kepada Panduan Pembinaan Alat Dalaman AI; untuk lebih banyak alat pembuatan dan AI industri, sila layari Gambaran Keseluruhan Alatan.

Sumber Data

Disusun berdasarkan maklumat awam dan tertakluk kepada maklumat rasmi. Artikel ini bukan merupakan sebarang cadangan pelaburan atau keputusan kejuruteraan; sila rujuk kepada penasihat profesional untuk pelaksanaan sebenar.