แม้แต่โรงไฟฟ้าพลังงานนิวเคลียสก็ยังใช้ AI: 3 เส้นทางที่ภาคพลังงานนำ AI มาใช้และการบ้านของไต้หวัน

วิศวกรควบคุมกระบวนการผลิตคนหนึ่งในโรงงาน Formosa Petrochemical (六輕) ที่ยุนหลิน เคยพูดประโยคหนึ่งกับผม ซึ่งผมจำฝังใจมาจนถึงทุกวันนี้: "ในโรงงานของเรามีเซนเซอร์เยอะจนแทบระเบิด แต่ตัวที่เอามาใช้ตัดสินใจจริงๆ มีอยู่แค่ไม่กี่ตัวเท่านั้น"

ต่อมา ประโยคนี้ถูกสตาร์ทอัพสัญชาติอังกฤษนำมาแปลงเป็นตัวเลข โดย Applied Computing ระบุว่า ในการตัดสินใจดำเนินงานโรงกลั่นน้ำมันและปิโตรเคมี ข้อมูลที่ถูกนำมาใช้มีสัดส่วนไม่ถึง 8% ของข้อมูลทั้งหมดที่มีอยู่

แล้ว 92% ที่เหลือหายไปไหน? นอนนิ่งอยู่ในคลังประวัติข้อมูล โดยที่ไม่มีใครมีเวลามาเปิดดู

ทำไมอุตสาหกรรมพลังงานถึงยากเป็นพิเศษ

ความยากในการนำ AI ไปประยุกต์ใช้ในอุตสาหกรรมพลังงานและสาธารณูปโภค อยู่คนละสเกลกับบริษัททั่วไปโดยสิ้นเชิง ด้วย 3 เหตุผลหลัก

การกำกับดูแลที่เข้มงวดสุดๆ เอกสารทุกฉบับของโรงไฟฟ้าอาจถูกตรวจสอบได้ และทุกการตัดสินใจต้องสามารถตรวจสอบย้อนกลับได้ เหตุผลที่ว่า "AI บอกมา" ไม่สามารถใช้เป็นข้ออ้างได้

ต้นทุนความผิดพลาดสูงลิ่ว อีคอมเมิร์ซแนะนำสินค้าผิดพลาด ความเสียหายก็คือคำสั่งซื้อเดียว แต่พารามิเตอร์การทำงานของโรงกลั่นน้ำมันที่ผิดพลาด อาจหมายถึงการหยุดเดินเครื่อง หรืออุบัติเหตุด้านความปลอดภัย

วิศวกรไม่เชื่อใจกล่องดำ (Black Box) ประเด็นนี้สำคัญที่สุดแต่กลับถูกพูดถึงน้อยที่สุด เมื่อคุณแสดงหน้าจอที่บอกว่า "AI แนะนำให้ปรับอุณหภูมิเพิ่มขึ้น 5 องศา" ให้วิศวกรอาวุโสดูกลุ่มหนึ่ง คำถามแรกของเขาคือ "ทำไม" หากตอบไม่ได้ ระบบนี้ก็เป็นได้แค่ของประดับตกแต่ง

ด้วยความที่มันยากนี่แหละ กรณีศึกษาการนำ AI ไปใช้จริงในอุตสาหกรรมพลังงานจึงน่าสนใจเป็นพิเศษ—เพราะการผ่านด่านตรวจเหล่านี้ได้ ก็เท่ากับการผ่านการทดสอบความกดดันที่เข้มงวดที่สุดแล้ว

เส้นทางที่ 1: เริ่มจากเอกสาร ไม่แตะระบบควบคุม

จุดเริ่มต้นที่ใช้งานได้จริงที่สุด คือกลุ่มงานที่ "มีความสำคัญแต่ไม่ทำให้ระเบิด"

Nuclearn คือตัวแทนของเส้นทางนี้ สิ่งที่พวกเขาทำคือระบบอัตโนมัติสำหรับเอกสารและเวิร์กโฟลว์ของโรงไฟฟ้า เช่น การจัดหมวดหมู่และการคัดกรองรายงานเงื่อนไขอัตโนมัติ, การค้นหาข้อมูลอุปกรณ์และอะไหล่, และการถามตอบเอกสารทางวิศวกรรม สายผลิตภัณฑ์ถูกแบ่งตามแผนกจริง ได้แก่ Equipment AI, Parts AI, Engineering AI, Performance Improvement AI และแชทบอตเฉพาะกิจด้านนิวเคลียร์ที่ชื่อว่า AtomAssist

จุดยืนของพวกเขาเรียบง่ายมาก: "ทำงานเร็วขึ้น, งานคั่งค้างน้อยลง, ความเสี่ยงต่ำลง" บริษัทให้บริการสิ่งอำนวยความสะดวกด้านนิวเคลียร์กว่า 70 แห่งในอเมริกาเหนือและสหราชอาณาจักร โดยทีมผู้ก่อตั้งมาจากองค์กรต่างๆ เช่น โรงไฟฟ้านิวเคลียร์ Palo Verde

สังเกตสิ่งที่พวกเขาจงใจไม่แตะต้อง: การควบคุมหน่วยผลิต การตัดสินใจที่เกี่ยวข้องกับความปลอดภัย จะไม่แตะต้องโดยเด็ดขาด ผลลัพธ์ทั้งหมดจาก AI จะถูกส่งให้มนุษย์เป็นผู้ตัดสินใจ การจำกัดขอบเขตตัวเองเช่นนี้ไม่ใช่ความอนุรักษ์นิยม แต่มันคือเหตุผลที่ทำให้พวกเขาถูกนำไปใช้งานจริง

โรงไฟฟ้านิวเคลียร์เป็นหนึ่งในอุตสาหกรรมที่มีเอกสารมากที่สุดในโลก ทุกความผิดปกติจะต้องเปิดรายงานเงื่อนไข เอกสารแต่ละฉบับต้องได้รับการจำจัดหมวดหมู่และคัดกรองด้วยมนุษย์ งานประเภทนี้ที่มี "ปริมาณมาก กฎเกณฑ์ชัดเจน แต่กินเวลาวิศวกรอย่างมหาศาล" จึงเป็นจุดหวาน (Sweet Spot) ของ AI อย่างแท้จริง

เส้นทางที่ 2: ใช้ฟิสิกส์เป็นผู้คุมประตู

เส้นทางที่สองมีความเป็นเทคนิคสูงกว่า และฉลาดล้ำลึกกว่า

Applied Computing มีผลิตภัณฑ์ชื่อ Orbital ซึ่งเกิดจากการซ้อนทับกันของโมเดล 3 ตัว โมเดลอนุกรมเวลา (Time Series) จะเชื่อมต่อกับระบบควบคุมและคลังประวัติข้อมูล เพื่อคาดการณ์แนวโน้มและตรวจจับความผิดปกติ ขณะที่โมเดลภาษาได้รับการฝึกฝนด้วยความรู้ด้านวิศวกรรมเคมี สามารถตีความเอกสารภายในโรงงานและเสนอแนะแนวทางปฏิบัติได้

และชั้นตรงกลางนั้นคือหัวใจสำคัญ: โมเดลฟิสิกส์ทำหน้าที่ควบคุมและตรวจสอบ เพื่อให้แน่ใจว่าผลลัพธ์การคาดการณ์สอดคล้องกับสมดุลมวล, การอนุรักษ์พลังงาน และจลนศาสตร์ของปฏิกิริยา

การออกแบบนี้แก้ปัญหาเรื่องความไว้วางใจที่กล่าวไว้ข้างต้นได้อย่างตรงจุด โมเดลที่ขับเคลื่อนด้วยข้อมูลล้วนๆ อาจให้คำแนะนำที่ดูสมเหตุสมผลทางสถิติ แต่เป็นไปไม่ได้เลยในทางฟิสิกส์ หากวิศวกรเห็นผลลัพธ์แบบนี้สักครั้ง ระบบนั้นก็จะหมดความน่าเชื่อถือในสายตาเขาทันที

เมื่อเพิ่มข้อจำกัดทางฟิสิกส์เข้าไป คำแนะนำของ AI จะตกอยู่ในขอบเขตที่เป็นไปได้ในทางฟิสิกส์อย่างน้อยที่สุด และวิศวกรสามารถตรวจสอบได้ด้วยตนเองว่า "คำแนะนำนี้สมเหตุสมผลหรือไม่" นี่คือจุดแบ่งแยกสำคัญว่าระบบจะถูกนำไปใช้จริงหรือไม่

บริษัทมีสำนักงานใหญ่อยู่ที่ลอนดอนและเน้นการทำงานแบบรีโมทเป็นหลัก ผู้ก่อตั้งเป็นศิษย์เก่าจากวิทยาลัยอิมพีเรียลลอนดอน (Imperial College London) โดยมี แดน เจอาวอนส์ (Dan Jeavons) อดีตหัวหน้าโครงการ AI ของเชลล์ (Shell) ดำรงตำแหน่งประธาน และระดมทุนรอบ Seed ได้สำเร็จถึง 9 ล้านปอนด์ การมีพื้นฐานการปฏิบัติงานจริงจาก Shell ถือเป็นใบเบิกทางชั้นดีในอุตสาหกรรมนี้

เส้นทางที่ 3: แก้ปัญหา "สร้างไม่สำเร็จ"

เส้นทางที่สามก้าวไปไกลกว่านั้น

Everstar ไม่ได้มุ่งเป้าไปที่การดำเนินงานของโรงไฟฟ้าที่มีอยู่แล้ว แต่พุ่งเป้าไปที่ปัญหาการสร้างโรงไฟฟ้านิวเคลียร์ใหม่ไม่สำเร็จ ระบบ Gordian ของพวกเขาคือแพลตฟอร์ม AI สำหรับงานนิวเคลียร์ ครอบคลุมตั้งแต่วิศวกรรม, การขอใบอนุญาตด้านกฎระเบียบ, การรับรองมาตรฐาน ไปจนถึงการฝึกอบรมบุคลากร ส่วน Titan คือระบบการผลิตขนาดใหญ่ โดยบริษัทตั้งเป้าหมายที่จะ "สร้างกำลังผลิต 400 GW ในสหรัฐอเมริกาก่อนปี 2050"

6 ขั้นตอนที่พวกเขาเข้าไปเจาะตลาด ได้แก่: วิศวกรรมและการขอใบอนุญาต, การรับรองซัพพลายเออร์, การพัฒนาบุคลากร, การควบคุมคุณภาพการผลิต, ประสิทธิภาพการก่อสร้าง และการดำเนินงานโรงไฟฟ้าแบบพึ่งพาตนเอง ตำแหน่งทางการตลาดของบริษัทคือ "ย้ายนิวเคลียร์จากบนกระดาษสู่โครงสร้างเหล็ก"

สิ่งหนึ่งที่ต้องชี้แจงให้ชัดเจนคือ สิ่งที่ AI สามารถเร่งให้เร็วขึ้นได้คือการเตรียมเอกสาร การค้นหาข้อมูล และการตรวจสอบความสอดคล้อง ซึ่งเป็นส่วนงานที่กินเวลาแรงงานมหาศาล แต่กระบวนการตรวจสอบโดยหน่วยงานกำกับดูแลยังคงต้องใช้เวลา การทำความเข้าใจที่ถูกต้องคือการลดเวลา "รอส่งเอกสาร" ไม่ใช่การลดเวลา "กระบวนการตรวจสอบกำกับการดูแล"

อย่างไรก็ตาม การมีอยู่ของบริษัทนี้ก็อธิบายความจริงข้อหนึ่งได้ว่า: คอขวดที่แท้จริงของการฟื้นตัวคือนิวเคลียร์อยู่ที่ด้านการปฏิบัติงาน ไม่ใช่ด้านเทคโนโลยี ไม่ใช่ว่าสร้างไม่เป็น แต่เป็นเพราะกระบวนการ ห่วงโซ่อุปทาน และบุคลากรต่างหากที่ขาดตอนไป

แถมท้ายอีกนิด Overstory ก็จัดอยู่ในหมวดหมู่ใหญ่กลุ่มนี้เช่นกัน โดยพวกเขาใช้ภาพถ่ายดาวเทียมวิเคราะห์ความเสี่ยงจากพืชพรรณใกล้กับสายส่งไฟฟ้า ให้บริการแก่บริษัทไฟฟ้ารายใหญ่ 10 อันดับแรกของอเมริกาเหนือถึง 6 แห่ง เปลี่ยนงบประมาณการตัดแต่งกิ่งของบริษัทไฟฟ้าจากเดิมที่ทำตามรอบ มาเป็นการทำตามความเสี่ยง

วิเคราะห์ผลกระทบต่อตลาด

ต่อผู้ใช้ในไต้หวัน

คนทั่วไปอาจไม่ได้ใช้เครื่องมือเหล่านี้โดยตรง แต่ผลกระทบนั้นทางอ้อมแต่เป็นจริง: ไฟดับน้อยลง ค่าไฟเสถียรขึ้น อุบัติเหตุด้านความปลอดภัยในการทำงานลดลง สำหรับการจัดการความเสี่ยงด้านพืชพรรณแบบ Overstory ปัญหากิ่งไม้ล้มทับเสาไฟในช่วงฤดูพายุไต้ฝุ่นของไต้หวันทุกปีก็คือโจทย์เดียวกัน

ต่อภาคธุรกิจไต้หวัน

ส่วนนี้คือประเด็นสำคัญ กลุ่มอุตสาหกรรมปิโตรเคมี (เครือ CPC, Formosa Plastics), ไฟฟ้า (Taipower) และระบบสิ่งแวดล้อมโรงงานเซมิคอนดักเตอร์ของไต้หวัน ล้วนเป็นฉากทัศน์ตัวอย่างของเทคโนโลยีประเภทนี้—อุปกรณ์เก่า ข้อมูลมีมาก และความรู้ประสบการณ์ถูกผูกติดอยู่กับวิศวกรอาวุโส ซึ่งวิศวกรกลุ่มนั้นกำลังทยอยเกษียณ

แต่ผมต้องพูดตามตรงว่า: ภาคธุรกิจส่วนใหญ่ของไต้หวันจะติดขัดที่ตัวข้อมูล ไม่ใช่ที่ตัวโมเดล ข้อมูลประวัติระบบควบคุมถูกจัดเก็บไว้อย่างครบถ้วนหรือไม่? รูปแบบการตั้งชื่อของแต่ละโรงงานมีความสอดคล้องกันไหม? ระบบข้ามเครือสามารถเชื่อมโยงกันได้หรือไม่? หากตอบ 3 คำถามนี้ไม่ได้ ซื้อระบบไหนมาก็เปล่าประโยชน์

ลำดับขั้นตอนที่แนะนำคือ: เริ่มจากการสำรวจข้อมูลก่อน → เลือกพื้นที่เล็กๆ ทำโครงการทดลองระบบเอกสารอัตโนมัติ → สะสมความน่าเชื่อถือภายในองค์กร → ค่อยพูดถึงเรื่องการเพิ่มประสิทธิภาพกระบวนการผลิต อย่าทำสลับลำดับกัน

สำหรับนักพัฒนา

หากคุณกำลังทำ AI สำหรับอุตสาหกรรม สถาปัตยกรรมของ Applied Computing เป็นสิ่งที่คุณควรลอกเลียนแบบ: อย่าทำแค่การคาดการณ์อย่างเดียว จงทำคาดการณ์ที่สามารถตรวจสอบได้ด้วย สร้างกฎทางฟิสิกส์หรือกฎทางธุรกิจของโดเมนนั้นๆ ให้เป็นเลเยอร์ข้อจำกัด (Constraint Layer) เพื่อให้ผู้ใช้งานสามารถตรวจสอบได้ด้วยตนเองว่าผลลัพธ์นั้นสมเหตุสมผลหรือไม่ สิ่งนี้มีค่ามากกว่าโมเดลที่ใหญ่โตขนาดไหนก็ตาม

นอกจากนี้ "การเจาะลึกในแนวตั้ง" ถือเป็นคูเมืองที่แท้จริงในอุตสาหกรรมนี้ Nuclearn เน้นย้ำว่าพวกเขาไม่ได้สร้างแค่ชั้นอินเทอร์เฟซครอบทับ LLM ทั่วไป แต่เป็นการสร้างขึ้นมาเพื่อสภาพแวดล้อมนิวเคลียร์โดยเฉพาะ ความแตกต่างนี้ในอุตสาหกรรมที่มีการควบคุมเข้มงวด คือเส้นแบ่งระหว่างการได้คำสั่งซื้อกับการไม่ได้

แนวโน้มการพัฒนาในอนาคต

1. ความต้องการใช้ไฟฟ้าของ AI จะผลักดันให้อุตสาหกรรมพลังงานหันมาใช้ AI ย้อนกลับ ความต้องการใช้ไฟฟ้าของศูนย์ข้อมูล (Data Center) กำลังเปลี่ยนแรงกดดันในการดำเนินงานของอุตสาหกรรมพลังงาน และหนึ่งในเครื่องมือรับมือกับแรงกดดันนี้ก็คือ AI วงจรนี้จะหมุนเร็วขึ้นเรื่อยๆ

2. "ความสามารถในการตรวจสอบย้อนกลับ (Auditing Capability)" จะกลายเป็นมาตรฐานของ AI อุตสาหกรรม อุตสาหกรรมที่มีกฎระเบียบเข้มงวดจะเรียกร้องให้ทุกผลลัพธ์ของ AI สามารถตรวจสอบย้อนกลับไปยังแหล่งที่มาและเกณฑ์อ้างอิงได้ สิ่งนี้จะบีบให้ตลาด AI อุตสาหกรรมทั้งหมดเคลื่อนไปในทิศทางที่อธิบายที่มาที่ไปได้ (Explainable AI)

3. คลื่นการเกษียณอายุคือแรงผลักดันที่ใหญ่ที่สุด วิศวกรอาวุโสในอุตสาหกรรมกระบวนการผลิตของไต้หวันเกษียณอายุจำนวนมาก และความรู้นั้นที่ผูกติดอยู่กับสมองมนุษย์กำลังสูญหายไป การเปลี่ยนเอกสารทางเทคนิคให้เป็นสินทรัพย์ที่สามารถค้นหาและถามตอบได้ ความเร่งด่วนของเรื่องนี้จะมีแต่เพิ่มขึ้นเรื่อยๆ

บทสรุปและความเห็นจาก TheAI學院

ความรู้สึกที่ลึกซึ้งที่สุดที่ผมมีต่อวงการนี้คือ: การนำ AI มาใช้ในอุตสาหกรรมพลังงาน แท้จริงแล้วสอนให้เรารู้ว่า "จะทำอย่างไรให้มนุษย์เต็มใจเชื่อใจ AI"

ไม่ใช่การขยายโมเดลให้ใหญ่โต แต่เป็นการกำหนดขอบเขตให้ชัดเจน (ว่าส่วนไหนให้ AI ทำ ส่วนไหนให้มนุษย์ทำ) ทำให้ผลลัพธ์ตรวจสอบได้ (มีข้อจำกัดทางฟิสิกส์ และตรวจสอบย้อนกลับแหล่งที่มาได้) และเริ่มใช้งานจากจุดที่เกิดความเสียหายน้อยที่สุด (เอกสารแทนที่จะเป็นระบบควบคุม)

3 เคล็ดลับนี้นำไปใช้กับอุตสาหกรรมใดก็ได้ เพียงแต่อุตสาหกรรมอื่นไม่ได้ถูกบีบจนต้องทำเช่นนี้

ความเห็น: แม้แต่อุตสาหกรรมนิวเคลียร์ที่มีการควบคุมเข้มงวดที่สุดและมีความอนุรักษ์นิยมที่สุด ยังใช้ AI มาจัดการเอกสารเลย ดังนั้นเหตุผลของอุตสาหกรรมอื่นๆ ที่บอกว่า "เรามีความพิเศษจึงใช้ไม่ได้" จึงดูฟังไม่ขึ้นเรื่อยๆ

คำแนะนำที่เป็นรูปธรรมสำหรับผู้อ่านชาวไทย: หากคุณอยู่ในแผนกไอทีหรือวิศวกรรมของกระบวนการผลิต, ไฟฟ้า หรืออุตสาหกรรมหนักใดๆ ให้ทำสิ่งนี้ภายในเดือนนี้—สำรวจว่าเอกสารทางเทคนิคของคุณจัดเก็บไว้ที่ไหน มีปริมาณเท่าไหร่ และมีรูปแบบเป็นอย่างไร ผมกล้าพนันเลยว่าบริษัทส่วนใหญ่ตอบไม่ได้ และคำตอบนี้นี่แหละคือตัวแปรที่แท้จริงที่จะกำหนดว่าอีก 3 ปีข้างหน้าคุณจะสามารถนำ AI มาใช้ได้หรือไม่ ไม่ใช่งบประมาณ

อ่านเพิ่มเติม: คู่มือการบำรุงรักษาเชิงคาดการณ์ด้วย AI เป็นเวอร์ชันเริ่มต้นในบริบทเดียวกัน สำหรับการสร้างเครื่องมือภายในองค์กรสามารถศึกษาได้จาก คู่มือการสร้างเครื่องมือภายในด้วย AI; และสามารถดูเครื่องมือ AI สำหรับการผลิตและอุตสาหกรรมเพิ่มเติมได้ที่ ภาพรวมเครื่องมือ

แหล่งข้อมูล

• เว็บไซต์ทางการของ Nuclearn
• เว็บไซต์ทางการของ Applied Computing
• เว็บไซต์ทางการของ Everstar

รวบรวมข้อมูลตามข้อมูลสาธารณะ โดยยึดเว็บไซต์ทางการเป็นหลัก บทความนี้ไม่ถือเป็นคำแนะนำด้านการลงทุนหรือการตัดสินใจทางวิศวกรรมใดๆ โปรดปรึกษาที่ปรึกษาผู้เชี่ยวชาญก่อนการนำไปใช้งานจริง