一座炼油厂装了几万个感测器，但实际拿来做决策的资料据该公司说法不到 8%。Applied Computing 的 Orbital 想把剩下那 92% 用起来——而且它的预测必须通过质量守恒与反应动力学的检验，不能只是统计上看起来合理。
功能特色与适用场景
Orbital 由三个模型叠在一起。时间序列模型接上控制系统与资料历史库（data historian），预测趋势并侦测异常；物理模型负责把关，确保预测结果符合质量平衡、能量守恒与反应动力学——这是它跟一般工业 AI 最大的差别；语言模型则以化学工程知识训练，可解读厂内文件并提出行动建议。目标客户是管理关键基础设施的能源业者，特别是石油、天然气、炼油与石化厂。公司总部在英国伦敦、采远距优先，创办人为帝国理工学院校友，前壳牌 AI 专案负责人 Dan Jeavons 担任总裁，已完成 900 万英镑的种子轮募资。
适合炼油、石化与天然气厂的制程工程与营运部门。台湾的石化业（中油、台塑集团体系）正好是这类技术的典型场景——设备老、资料多、经验知识绑在资深工程师身上。这个产品最值得注意的设计是「物理模型当守门员」：纯资料驱动的模型在制程工业一直不被信任，因为它可能给出违反物理的建议，工程师不敢照做。用物理约束把 AI 的输出限制在合理范围，这才是让工程师愿意采纳的关键。
主要功能
- 时间序列模型：串接控制系统与资料历史库做趋势预测
- 物理模型：确保预测符合质量平衡、能量守恒与反应动力学
- 语言模型：以化工知识训练，解读厂内文件并建议行动
- 异常侦测与早期预警
- 面向炼油、石化与油气制程的专用设计
常见用途
- 炼油与石化制程的参数最佳化
- 设备异常的早期侦测
- 厂内技术文件的知识检索
- 营运安全与效率的持续改善
主要功能
- 时间序列模型：串接控制系统与资料历史库做趋势预测
- 物理模型：确保预测符合质量平衡、能量守恒与反应动力学
- 语言模型：以化工知识训练，解读厂内文件并建议行动
- 异常侦测与早期预警
- 面向炼油、石化与油气制程的专用设计
优点
- 物理约束设计让工程师可验证、敢采用
- 团队具备壳牌等大型能源公司的实务背景
- 同时处理数值资料与技术文件，覆盖面完整
缺点
- 客群限于大型制程工业，中小企业不适用
- 需与既有控制系统深度整合，导入是长专案
- 公司成立于 2023 年，长期案例仍在累积
使用场景
- 炼油与石化制程的参数最佳化
- 设备异常的早期侦测
- 厂内技术文件的知识检索
- 营运安全与效率的持续改善
编辑点评
工业 AI 这几年吹得很凶，真正的门槛不是模型多大，而是工程师敢不敢照着做。用物理当守门员，这招很聪明。
常见问题
「物理模型把关」到底解决了什么问题？
纯资料驱动的模型可能给出统计上合理但物理上不可能的建议，例如违反质量平衡的操作参数。工程师看到这种输出就再也不信任系统了。加上物理约束后，AI 的建议至少落在物理可行的范围内，这是能不能被采用的分水岭。
台湾的石化厂导入难度在哪？
最大的难点通常不是技术而是资料——控制系统的历史资料有没有完整保存、标记是否一致、跨厂区能否打通。多数老厂在这一关就卡住了。建议先做资料盘点，别直接跳到选型。
