Sử dụng AI trong nhà máy điện hạt nhân có an toàn không?

Điểm mấu chốt nằm ở việc nó được áp dụng ở tầng nào. Các ứng dụng thực tế hiện nay tập trung vào các công việc hỗ trợ hành chính và kỹ thuật như xử lý tài liệu, phân loại và truy xuất thông tin, hoàn toàn không can thiệp vào việc điều khiển tổ máy. Các quyết định liên quan đến an toàn vẫn do con người đảm nhiệm, và việc của AI là tổng hợp dữ liệu để trình lên con người. Ranh giới này được vạch ra rõ ràng thì mới có thể vượt qua quá trình kiểm duyệt khắt khe của ngành năng lượng hạt nhân.

Tại sao AI công nghiệp cần phải tích hợp mô hình vật lý?

Các mô hình chỉ dựa trên dữ liệu thuần túy có thể đưa ra những đề xuất hợp lý về mặt thống kê nhưng lại bất khả thi về mặt vật lý, chẳng hạn như các thông số vận hành vi phạm định luật bảo toàn khối lượng. Khi kỹ sư nhìn thấy kết quả đầu ra như vậy, họ sẽ không bao giờ tin tưởng hệ thống nữa. Việc bổ sung các ràng buộc vật lý giúp các đề xuất của AI ít nhất phải nằm trong phạm vi khả thi về mặt vật lý — đây là lằn ranh phân định liệu công nghệ có được đưa vào áp dụng thực tế hay không, chứ không phải chỉ là yếu tố trang trí cho có.

Khó khăn lớn nhất khi triển khai AI tại các nhà máy hóa dầu của Đài Loan là gì?

Thách thức lớn nhất thường không nằm ở công nghệ mà ở dữ liệu: Liệu dữ liệu lịch sử của hệ thống điều khiển có được lưu trữ hoàn chỉnh không, các nhãn dán có đồng nhất không, và có liên thông được giữa các nhà máy hay không. Phần lớn các nhà máy cũ đều bị mắc kẹt ngay ở bước này. Chúng tôi khuyến nghị nên kiểm kê dữ liệu trước rồi mới bàn đến việc chọn hệ thống, nếu không thì dù có mua về cũng không có dữ liệu để cung cấp cho nó.

Các tổ máy điện hạt nhân của Đài Loan đều sắp ngừng hoạt động, những công cụ này còn ý nghĩa gì không?

有。除役工程、核廢料管理與相關法遵文件量依然龐大，而且這類工具的方法論——把大量非結構化技術文件變成可檢索、可自動分類的資產——對台電、中油與半導體廠務都有直接的參考價值。

Ngay cả nhà máy điện hạt nhân cũng đang dùng AI: Ba con đường triển khai trong ngành năng lượng và bài học cho Đài Loan

Hơn 70 cơ sở điện hạt nhân ở Bắc Mỹ và Anh đang sử dụng AI để sàng lọc các báo cáo điều kiện, và các nhà máy lọc dầu phải kiểm tra độ bảo toàn khối lượng trước khi dám áp dụng dự báo từ AI. Bài viết này phân tích ba con đường ứng dụng AI trong ngành năng lượng và tiện ích, đồng thời giải thích lý do tại sao "liệu các kỹ sư có dám làm theo hay không" lại quan trọng hơn kích thước của mô hình.

Một kỹ sư vận hành từng làm việc hai mươi năm tại khu hóa dầu lục ủy (Mailiao) Vân Lâm đã nói với tôi một câu mà tôi mãi khắc ghi: "Trong nhà máy của chúng tôi, cảm biến nhiều vô số kể, nhưng những cái thực sự được dùng để đưa ra quyết định thì chắc chỉ có mấy cái đồng hồ đó."

Câu nói này sau đó đã được một công ty khởi nghiệp (startup) tại Anh lượng hóa thành con số. Applied Computing cho biết, khi các nhà máy lọc dầu và hóa dầu đưa ra quyết định vận hành, lượng dữ liệu được sử dụng chưa đến 8% tổng số dữ liệu có sẵn.

92% còn lại đi đâu mất? Chúng nằm trong kho lưu trữ lịch sử dữ liệu và chẳng có ai rảnh rỗi để xem.

Tại sao ngành năng lượng lại đặc biệt khó khăn?

Độ khó khi ứng dụng AI vào ngành năng lượng và tiện ích hoàn toàn không cùng cấp độ với các doanh nghiệp thông thường. Nguyên nhân đến từ ba yếu tố sau.

Quy định pháp lý cực kỳ nghiêm ngặt. Mỗi một tài liệu của nhà máy điện đều có thể bị kiểm toán, và mọi quyết định đều phải có khả năng truy xuất nguồn gốc. Một câu trả lời kiểu "AI bảo thế" không thể được chấp nhận làm lý do.

Cái giá của sai lầm là vô cùng đắt đỏ. Nền tảng thương mại điện tử gợi ý nhầm sản phẩm thì tổn thất chỉ là một đơn hàng; còn thông số vận hành của nhà máy lọc dầu bị sai thì hậu quả có thể là sậpò lò hoặc tai nạn an toàn.

Kỹ sư không tin tưởng vào hộp đen (black box). Điểm này là quan trọng nhất nhưng lại ít được thảo luận nhất. Khi bạn đưa cho một kỹ sư lão luyện giao diện hiển thị "AI đề nghị tăng nhiệt độ lên 5 độ", câu hỏi đầu tiên của anh ta chắc chắn sẽ là "Tại sao?". Nếu không trả lời được, hệ thống này chỉ để làm cảnh.

Chính vì quá khó khăn như vậy nên các trường hợp ứng dụng AI thành công trong ngành năng lượng lại càng đáng để tham khảo — vượt qua được bài kiểm tra khắt khe ở đây đồng nghĩa với việc đã vượt qua bài thử nghiệm áp lực nghiêm ngặt nhất.

Hướng đi thứ nhất: Làm tài liệu trước, không chạm vào hệ thống điều khiển

Điểm tiếp cận thực tế nhất là những công việc "quan trọng nhưng sẽ không gây nổ".

Nuclearn là đại diện tiêu biểu cho hướng đi này. Những gì họ làm là tự động hóa tài liệu và quy trình làm việc của nhà máy điện — bao gồm tự động phân loại và sàng lọc báo cáo sự cố (condition report), tra cứu dữ liệu thiết bị và linh kiện, truy vấn và hỏi đáp tài liệu kỹ thuật. Các dòng sản phẩm được chia nhỏ theo các phòng ban thực tế: Equipment AI, Parts AI, Engineering AI, Performance Improvement AI, và một chatbot chuyên dụng cho ngành hạt nhân tên là AtomAssist.

Mục tiêu của họ rất giản dị: "Thao tác nhanh hơn, lượng công việc tồn đọng ít hơn, rủi ro thấp hơn". Công ty đang phục vụ hơn 70 cơ sở điện hạt nhân tại Bắc Mỹ và Anh Quốc, với đội ngũ sáng lập xuất thân từ các tổ chức như Nhà máy điện hạt nhân Palo Verde.

Hãy chú ý đến những gì họ cố tình né tránh: Việc điều khiển tổ máy và các quyết định liên quan đến an toàn tuyệt đối không đụng đến. Mọi đầu ra của AI đều được chuyển đến con người, và con người sẽ là người quyết định. Sự tự giới hạn này không phải là bảo thủ, mà chính là lý do giúp họ được đón nhận.

Nhà máy điện hạt nhân là một trong những ngành công nghiệp có nhiều tài liệu nhất trên thế giới, nơi mỗi một điểm bất thường đều phải lập báo cáo tình trạng, và mỗi một tài liệu đều cần được phân loại, sàng lọc thủ công. Loại công việc "khối lượng lớn, quy tắc rõ ràng nhưng ngốn rất nhiều thời gian của kỹ sư" này chính là điểm ngọt (sweet spot) dành cho AI.

Hướng đi thứ hai: Dùng vật lý làm người gác cổng

Hướng đi thứ hai mang tính kỹ thuật cao hơn và cũng thông minh hơn.

Sản phẩm Orbital của Applied Computing là sự kết hợp của ba mô hình chồng lên nhau. Mô hình chuỗi thời gian (time-series) kết nối với hệ thống điều khiển và kho lưu trữ dữ liệu lịch sử để dự báo xu hướng và phát hiện bất thường; mô hình ngôn ngữ được huấn luyện bằng kiến thức kỹ thuật hóa học để diễn giải tài liệu trong nhà máy và đưa ra đề xuất hành động.

Và tầng ở giữa mới chính là mấu chốt: Mô hình vật lý đóng vai trò kiểm soát, đảm bảo kết quả dự báo tuân thủ các định luật cân bằng vật chất, bảo toàn năng lượng và động lực học phản ứng.

Thiết kế này giải quyết chính xác vấn đề lòng tin đã đề cập ở trên. Các mô hình thuần túy dựa trên dữ liệu có thể đưa ra những đề xuất trông có vẻ hợp lý về mặt thống kê nhưng lại hoàn toàn vô lý về mặt vật lý. Một kỹ sư nếu nhìn thấy kết quả đầu ra như vậy một lần, hệ thống đó coi như "chết" trong tâm trí họ.

Sau khi bổ sung các ràng buộc vật lý, các đề xuất của AI ít nhất sẽ nằm trong phạm vi khả thi về mặt vật lý, cho phép kỹ sư tự mình kiểm chứng xem "đề xuất này có hợp lý hay không". Đây mới chính là lằn ranh giới hạn quyết định việc hệ thống có được chấp thuận hay không.

Công ty có trụ sở tại Luân Đôn và ưu tiên làm việc từ xa (remote-first). Người sáng lập là cựu sinh viên Đại học Imperial College London, với Dan Jeavons — cựu Giám đốc Dự án AI của Shell — đảm nhận vị trí Chủ tịch. Họ đã hoàn thành vòng gọi vốn hạt giống (seed round) trị giá 9 triệu bảng Anh. Với nền tảng thực chiến tại Shell, bản thân yếu tố này đã là một thứ "giấy thông hành" giá trị trong ngành.

Hướng đi thứ ba: Giải quyết bài toán "xây không nổi"

Hướng đi thứ ba tiến xa hơn nữa.

Everstar không nhắm đến việc vận hành các nhà máy điện hiện hữu, mà giải quyết bài toán các nhà máy điện hạt nhân mới xây mãi không xong. Nền tảng Gordian của họ là nền tảng AI dành cho hoạt động hạt nhân, bao gồm thiết kế kỹ thuật, cấp phép pháp lý, chứng nhận và đào tạo nhân sự; trong khi Titan là hệ thống sản xuất có khả năng mở rộng, với mục tiêu được công ty đặt ra là "xây dựng hoàn thành 400 GW tại Mỹ trước năm 2050".

Sáu khâu mà họ nhắm đến gồm có: Kỹ thuật và cấp phép pháp lý, chứng nhận nhà cung cấp, đào tạo nhân lực, kiểm soát chất lượng sản xuất, hiệu quả thi công, và vận hành tự chủ nhà máy điện. Định vị chính thức của công ty là "đưa năng lượng hạt nhân từ trên giấy ra thế giới thực".

Có một điểm cần làm rõ ở đây: Những gì AI có thể tăng tốc là khâu chuẩn bị tài liệu, tra cứu dữ liệu và kiểm tra tính nhất quán — những công việc ngốn rất nhiều giờ công — chứ quá trình thẩm định của cơ quan quản lý thì vẫn cần có thời gian. Cách hiểu hợp lý là rút ngắn thời gian "chờ nộp hồ sơ", chứ không phải rút ngắn thời gian "thẩm định pháp lý".

Tuy nhiên, sự tồn tại của bản thân công ty này đã nói lên một thực tế: Nút thắt thực sự của sự phục hồi ngành hạt nhân nằm ở khâu thực thi, chứ không phải ở công nghệ. Không phải là không biết xây, mà là quy trình, chuỗi cung ứng và nhân tài đều đã bị đứt gãy.

Nhân tiện, Overstory cũng thuộc nhóm lớn này — họ sử dụng hình ảnh vệ tinh để phân tích rủi ro thảm thực vật ở gần đường dây điện, phục vụ 6 trong số 10 công ty điện lực hàng đầu Bắc Mỹ, giúp ngân sách chặt tỉa cây xanh của các công ty điện lực chuyển từ "theo định kỳ" sang "theo rủi ro".

Phân tích tác động thị trường

Đối với người dùng tại Đài Loan

Người bình thường sẽ không trực tiếp sử dụng các công cụ này, nhưng tác động mang tính gián tiếp nhưng rất thực tế: Ít mất điện hơn, giá điện ổn định hơn, và ít tai nạn lao động hơn. Việc quản lý rủi ro thảm thực vật như trường hợp của Overstory chính là bài toán tương tự với sự cố cây đổ gây mất điện trong mùa bão hàng năm tại Đài Loan.

Đối với doanh nghiệp Đài Loan

Phần này mới là trọng tâm. Các ngành hóa dầu (hệ thống CPC, Formosa Plastics), điện lực (Taipower), và nhà máy sản xuất bán dẫn tại Đài Loan đều là các bối cảnh điển hình cho loại công nghệ này — thiết bị đã cũ, dữ liệu rất nhiều, kinh nghiệm và kiến thức được lưu giữ trong đầu các kỹ sư kỳ cựu, và thế hệ kỹ sư đó đang lần lượt nghỉ hưu.

Nhưng tôi phải nói thật lòng rằng: Đa số các doanh nghiệp Đài Loan sẽ bị vướng lại ở dữ liệu chứ không phải ở mô hình. Dữ liệu lịch sử của hệ thống điều khiển có được lưu trữ đầy đủ không? Định dạng nhãn (tag) giữa các nhà xưởng khác nhau có đồng nhất không? Các hệ thống khác nhau có liên thông được với nhau không? Nếu không trả lời được ba câu hỏi này, bạn mua hệ thống nào về cũng vô dụng.

Thứ tự đề xuất nên là: Kiểm kê dữ liệu trước → Chọn một phạm vi nhỏ làm thí điểm tự động hóa tài liệu → Xây dựng lòng tin nội bộ → Sau đó mới bàn đến việc tối ưu hóa quy trình. Đừng làm ngược lại.

Đối với nhà phát triển

Nếu bạn đang làm về AI công nghiệp, kiến trúc của Applied Computing rất đáng để học hỏi: Đừng chỉ làm dự báo, hãy làm những dự báo có thể kiểm chứng. Biến các quy tắc vật lý hoặc quy tắc nghiệp vụ của ngành thành tầng ràng buộc (constraint layer), cho phép người dùng tự kiểm tra xem đầu ra có hợp lý hay không. Điều này có giá trị hơn bất kỳ mô hình lớn nào.

Ngoài ra, "đào sâu vào chiều dọc" thực sự là một con hào kinh tế (moat) trong lĩnh vực này. Nuclearn nhấn mạnh rằng họ không chỉ bọc thêm một lớp giao diện bên ngoài các mô hình ngôn ngữ lớn vạn năng (LLM), mà là được thiết kế riêng cho môi trường hạt nhân — sự khác biệt này trong một ngành công nghiệp có quy định nghiêm ngặt chính là ranh giới quyết định việc có giành được đơn hàng hay không.

Xu hướng phát triển tương lai

Một, nhu cầu điện năng của AI sẽ thúc đẩy ngược lại quá trình ứng dụng AI trong ngành năng lượng. Nhu cầu tiêu thụ điện của trung tâm dữ liệu đang làm thay đổi áp lực vận hành của ngành điện, và một trong những công cụ để đối phó với áp lực này lại chính là AI. Vòng lặp này sẽ quay ngày càng nhanh.

Hai, tính "có thể kiểm toán" (audibility) sẽ trở thành tiêu chuẩn của AI công nghiệp. Các ngành công nghiệp có quy định nghiêm ngặt sẽ yêu cầu mọi đầu ra của AI phải có khả năng truy xuất nguồn gốc và cơ sở căn cứ. Điều này sẽ buộc toàn bộ thị trường AI công nghiệp đi theo hướng có thể giải thích được (explainable AI).

Ba, làn sóng nghỉ hưu là động lực lớn nhất. Số lượng lớn các kỹ sư kỳ cựu trong ngành quy trình sản xuất tại Đài Loan đang nghỉ hưu, và những kiến thức gắn liền với bộ não con người đó đang bị mai một. Việc biến tài liệu kỹ thuật thành tài sản có thể tra cứu và hỏi đáp sẽ ngày càng trở nên cấp bách.

Tổng kết và Bình luận từ Học viện TheAI

Cảm nhận sâu sắc nhất của tôi đối với lĩnh vực này là: Việc ứng dụng AI trong ngành năng lượng thực ra dạy cho chúng ta bài học về việc "làm thế nào để khiến con người sẵn lòng tin tưởng AI".

Không phải là làm cho mô hình ngày càng lớn, mà là vạch ra ranh giới rõ ràng (việc gì AI làm, việc gì con người làm), làm cho kết quả đầu ra có thể kiểm chứng được (ràng buộc vật lý, truy xuất nguồn gốc), và bắt đầu ứng dụng từ những nơi ít có khả năng gây ra tai nạn nhất (tài liệu thay vì điều khiển).

Ba chiêu thức này áp dụng được cho bất kỳ ngành nghề nào, chỉ có điều là các ngành khác chưa bị dồn vào chân tường để buộc phải làm như vậy.

Bình luận: Ngay cả ngành điện hạt nhân với các quy định nghiêm ngặt và bảo thủ nhất thế giới còn đang dùng AI để xử lý tài liệu, thì những lý do kiểu như "ngành chúng tôi đặc biệt lắm nên không dùng được" của các ngành khác sẽ ngày càng trở nên kém thuyết phục.

Gợi ý cụ thể dành cho độc giả: Nếu bạn đang làm việc trong bộ phận CNTT hoặc kỹ thuật của ngành quy trình, điện lực hay bất kỳ ngành công nghiệp nặng nào, hãy làm một việc trong tháng này — kiểm kê xem tài liệu kỹ thuật của công ty bạn thực ra đang nằm ở đâu, có bao nhiêu, và định dạng là gì. Tôi dám cá là đa số các công ty không thể trả lời được. Và chính câu trả lời đó mới là biến số thực sự quyết định việc bạn có thể ứng dụng AI sau ba năm nữa hay không, chứ không phải là ngân sách.

Đọc thêm: Hướng dẫn bảo trì dự đoán bằng AI bàn về phiên bản nhập môn của cùng một mạch chủ đề; việc xây dựng công cụ nội bộ cho doanh nghiệp có thể tham khảo Hướng dẫn xây dựng công cụ nội bộ AI; xem thêm các công cụ AI sản xuất và công nghiệp tại Tổng quan công cụ.

Nguồn dữ liệu

Được tổng hợp dựa trên thông tin công khai, vui lòng lấy thông tin từ trang chính thức làm chuẩn. Bài viết này không cấu thành bất kỳ khuyến nghị đầu tư hoặc quyết định kỹ thuật nào, vui lòng tham khảo ý kiến chuyên gia tư vấn trước khi ứng dụng thực tế.