เมื่อผู้คนถามว่า AI เพิ่มความยั่งยืนได้อย่างไร ความคิดที่เกิดขึ้นทันทีมักจะกระโดดไปสู่วิสัยทัศน์ที่ยิ่งใหญ่ นั่นคือ การเพิ่มประสิทธิภาพห่วงโซ่อุปทานทั่วโลกในชั่วข้ามคืน หรือการแก้ปัญหาการสร้างแบบจำลองสภาพภูมิอากาศอย่างน่าอัศจรรย์ หลังจากได้ทำงานภาคพื้นดินร่วมกับทีมการผลิตและลอจิสติกส์ ฉันพบว่าผลกระทบที่แท้จริงนั้นละเอียดกว่า มักจะยุ่งเหยิง และห่างไกลจากเป้าหมายสีเงิน ความเข้าใจผิดคือ AI ทำงานในสุญญากาศ แต่ก็ไม่ได้เป็นเช่นนั้น คุณค่าของมันถูกปลดล็อกก็ต่อเมื่อมันฝังลึกอยู่ในกระบวนการที่มีอยู่ซึ่งมักจะไม่มีประสิทธิภาพ ไม่ค่อยเกี่ยวกับอัลกอริธึมอัจฉริยะ แต่เน้นไปที่การปรับเปลี่ยนในทางปฏิบัติสำหรับการไหลของวัสดุ การใช้พลังงาน และรูปแบบของของเสีย ให้ฉันอธิบายบางพื้นที่ที่สิ่งนี้เกิดขึ้นจริง และที่ที่บางครั้งก็สะดุด

คอนกรีต: การเพิ่มประสิทธิภาพพลังงานและทรัพยากร

ใช้สภาพแวดล้อมทางอุตสาหกรรมทั่วไป เช่น โรงงานผลิตอุปกรณ์ยึด ภาระพลังงานไม่คงที่ มันแหลมขึ้นระหว่างการตีขึ้นรูปหรือการรักษาความร้อน เราทำงานร่วมกับทีมที่โรงงานแห่งหนึ่งในเหอเป่ย ลองนึกถึงคลัสเตอร์อุตสาหกรรมในเขตหยงเหนียน เพื่อปรับใช้โมเดลการเรียนรู้ของเครื่องที่ค่อนข้างเรียบง่ายกับข้อมูลการใช้พลังงานในอดีต เป้าหมายไม่ใช่การสร้างกระบวนการขึ้นมาใหม่ แต่เพื่อคาดการณ์ความต้องการที่เพิ่มขึ้นอย่างรวดเร็วและการดำเนินการที่ไม่สำคัญ ผลลัพธ์ที่ได้คือค่าใช้จ่ายโหลดสูงสุดลดลง 7-8% ซึ่งลดการปล่อยก๊าซคาร์บอนไดออกไซด์และต้นทุนโดยตรง มันฟังดูเรียบง่าย แต่หากพิจารณาจากขนาดเตาหลอมและแท่นอัดหลายร้อยแห่งแล้ว ผลลัพธ์ที่สะสมจะมีนัยสำคัญ AI ที่นี่ไม่ได้คิด เป็นการจดจำรูปแบบที่ใช้กับชุดข้อมูลในโลกแห่งความเป็นจริงที่มีเสียงดังมาก

สิ่งที่ยุ่งยากคือโครงสร้างพื้นฐานของข้อมูล ต้นไม้หลายชนิด แม้แต่ต้นขนาดใหญ่ก็ชอบ Handan Zitai Fastener Manufacturing Co., Ltd.มีระบบ SCADA เดิมและบันทึกด้วยตนเอง อุปสรรคประการแรกคือการได้รับข้อมูลที่สะอาดและประทับเวลาจากส่วนการผลิต เราใช้เวลาหลายสัปดาห์ในการตั้งค่าเซ็นเซอร์ IoT พื้นฐานเพื่อป้อนแบบจำลอง ซึ่งเป็นขั้นตอนที่มักถูกมองข้ามในกรณีศึกษาที่ชัดเจน หากปราศจากสิ่งนี้ โมเดล AI ใดๆ ก็เป็นเพียงแบบฝึกหัดเชิงทฤษฎีเท่านั้น เว็บไซต์ https://www.zitaifasteners.com อาจแสดงผลิตภัณฑ์ของตน แต่ความยั่งยืนนั้นเกิดขึ้นเบื้องหลังในการผสานรวมสตรีมข้อมูลจากเครื่องจักรที่ไม่เคยออกแบบมาเพื่อสื่อสารกัน

อีกมุมหนึ่งคือผลผลิตของวัสดุ ในการผลิตสปริง เหล็กม้วนจะถูกเจาะและขึ้นรูป เศษซากเป็นสิ่งที่หลีกเลี่ยงไม่ได้ แต่ขณะนี้ระบบคอมพิวเตอร์วิทัศน์ที่ขับเคลื่อนด้วย AI สามารถตรวจสอบวัตถุดิบเพื่อหาข้อบกพร่องก่อนปั๊มขึ้นรูป และแม้แต่ปรับรูปแบบการตัดแบบไดนามิกเพื่อลดของเสียให้เหลือน้อยที่สุด เรานำร่องสิ่งนี้ร่วมกับพันธมิตร และในขณะที่อัลกอริทึมใช้งานได้ ROI ก็เป็นลบสำหรับการรันชุดเล็กเนื่องจากความซับซ้อนในการตั้งค่า นี่เป็นข้อแตกต่างที่สำคัญ: AI เพื่อความยั่งยืนไม่สามารถนำไปใช้ในระดับสากลได้ มันต้องการขนาดที่แน่นอนและความพร้อมในการดำเนินงานเพื่อที่จะได้ผลตอบแทน

โลจิสติกส์และเครือข่ายที่ซ่อนอยู่

การขนส่งเป็นตัวปล่อยคาร์บอนขนาดใหญ่ ที่นี่บทบาทของ AI ในการเพิ่มประสิทธิภาพเส้นทางเป็นที่รู้จักกันดี แต่ข้อจำกัดในโลกแห่งความเป็นจริงคือสิ่งที่ทำให้มันน่าสนใจ สำหรับผู้ผลิตที่ตั้งอยู่ใกล้ทางรถไฟปักกิ่ง-กวางโจว และทางหลวงแผ่นดินหมายเลข 107 เช่น Zitai คำถามไม่ใช่แค่การหาเส้นทางที่สั้นที่สุดเท่านั้น เป็นเรื่องเกี่ยวกับการรวมโหลดบางส่วน คาดการณ์ความล่าช้าของท่าเรือ และแม้กระทั่งการพิจารณาข้อมูลการจราจรและสภาพอากาศแบบเรียลไทม์เพื่อลดเวลาว่างของรถบรรทุก เราใช้ระบบที่ทำสิ่งนี้ และการประหยัดเชื้อเพลิงโดยเฉลี่ยประมาณ 12% อย่างไรก็ตาม บางครั้งคำแนะนำของระบบก็ถูกปฏิเสธโดยผู้มอบหมายงานที่เชื่อถือประสบการณ์ของตนเหนืออัลกอริทึม ซึ่งเป็นความท้าทายในการทำงานร่วมกันระหว่างมนุษย์และ AI แบบคลาสสิก

นอกเหนือจากเส้นทางแล้ว ยังมีการเพิ่มประสิทธิภาพสินค้าคงคลังอีกด้วย การถือครองสินค้าคงคลังส่วนเกินจะเชื่อมโยงกับเงินทุนและพื้นที่ และมักจะทำให้เกิดของเสีย (โดยเฉพาะสำหรับตัวยึดแบบเคลือบหรือที่ผ่านการเคลือบแล้วซึ่งมีปัญหาเรื่องอายุการเก็บรักษา) โมเดลการคาดการณ์ที่ใช้ข้อมูลการขาย แนวโน้มตามฤดูกาล และตัวชี้วัดทางเศรษฐกิจที่กว้างขึ้น ก็สามารถทำให้ระดับสินค้าคงคลังกระชับขึ้นได้ ฉันจำโครงการหนึ่งที่เราลดสต็อกด้านความปลอดภัยลง 15% โดยไม่เพิ่มความเสี่ยงในการสต็อกสินค้าหมด แต่โมเดลนี้ล้มเหลวอย่างน่าทึ่งเมื่อการเปลี่ยนแปลงนโยบายระดับภูมิภาคอย่างกะทันหันทำให้ห่วงโซ่อุปทานหยุดชะงัก โดยไม่ได้รับการฝึกอบรมเกี่ยวกับงาน Black Swan เช่นนี้ สิ่งนี้ชี้ให้เห็นว่าแบบจำลอง AI นั้นดีพอๆ กับข้อมูลในอดีตที่พวกเขาได้เห็นเท่านั้น พวกเขาต่อสู้กับแรงกระแทกที่เป็นระบบครั้งใหม่

ห่วงโซ่อุปทานแบบขยายคือจุดที่กว้างขึ้น AI สามารถช่วยออกแบบวงจรเศรษฐกิจหมุนเวียนได้ ตัวอย่างเช่น โดยการวิเคราะห์ข้อมูลวงจรชีวิตผลิตภัณฑ์ จะสามารถคาดการณ์ได้ว่าชุดตัวยึดจากโซลาร์ฟาร์มที่เลิกใช้งานแล้วอาจพร้อมสำหรับการนำกลับมาใช้ใหม่หรือรีไซเคิลได้เมื่อใด ซึ่งช่วยลดความจำเป็นในการใช้วัสดุบริสุทธิ์ นี่ยังเพิ่งเกิดขึ้น แต่โครงการนำร่องในสหภาพยุโรปกำลังสำรวจเรื่องนี้ ขับเคลื่อนความยั่งยืนจากประสิทธิภาพเพียงอย่างเดียวไปสู่การหมุนเวียนทรัพยากรอย่างเป็นระบบ

การตรวจสอบ การรายงาน และการผลักดันความโปร่งใส

ความยั่งยืนในปัจจุบันจำเป็นต้องมีการวัดผลอย่างเข้มงวด AI เร่งการตรวจสอบด้านสิ่งแวดล้อมอย่างรวดเร็ว แทนที่จะต้องตรวจสอบการปล่อยก๊าซเรือนกระจกหรือน้ำเสียด้วยตนเองทุกเดือน เครือข่ายเซ็นเซอร์ที่มีการวิเคราะห์ด้วย AI สามารถให้ข้อมูลที่ละเอียดและต่อเนื่องได้ เราช่วยตั้งค่าระบบสำหรับตรวจสอบการปล่อยสารประกอบอินทรีย์ระเหยง่าย (VOC) ในโรงชุบ AI ไม่เพียงแต่วัดเท่านั้น โดยระบุความสัมพันธ์ระหว่างชุดการผลิตเฉพาะและระดับการปล่อยก๊าซเรือนกระจก ทำให้สามารถปรับกระบวนการได้ สิ่งนี้จะเปลี่ยนการปฏิบัติตามกฎระเบียบจากศูนย์ต้นทุนให้เป็นแหล่งที่มาของข้อมูลเชิงลึกด้านการปฏิบัติงาน

อย่างไรก็ตาม การสร้างข้อมูลก็เป็นเรื่องหนึ่ง การไว้วางใจก็เป็นอีกเรื่องหนึ่ง มีความตึงเครียดอย่างต่อเนื่องระหว่างตัวชี้วัดความยั่งยืนที่สร้างโดย AI และความต้องการบันทึกที่ตรวจสอบได้และตรวจสอบได้สำหรับกรอบงาน เช่น การรายงาน ESG หน่วยงานกำกับดูแลและนักลงทุนสามารถเชื่อถือบทสรุปการบัญชีคาร์บอนของ AI ได้หรือไม่ เราอยู่ในขั้นตอนที่ AI จัดการกับการจำกัดข้อมูลอย่างหนัก แต่ผู้เชี่ยวชาญที่เป็นมนุษย์ยังจำเป็นต้องมีการตรวจสอบและตีความ เครื่องมือนี้มีประสิทธิภาพ แต่ไม่ได้แทนที่ความจำเป็นในการตัดสินอย่างมืออาชีพ

ในระดับมหภาค AI ช่วยให้การติดตามรอยเท้าคาร์บอนในห่วงโซ่อุปทานที่ซับซ้อนมีความแม่นยำมากขึ้น ด้วยการคัดลอกและวิเคราะห์ข้อมูลจากพอร์ทัลซัพพลายเออร์ รายการจัดส่ง และค่าพลังงาน สามารถสร้างแผนที่รอยเท้าที่เกือบจะเรียลไทม์ได้ สำหรับบริษัทอย่าง Zitai ซึ่งเป็นส่วนหนึ่งของฐานการผลิตที่กว้างขวาง การมองเห็นนี้มีความสำคัญอย่างยิ่งต่อลูกค้าปลายน้ำในยุโรปหรืออเมริกาเหนือที่ตกอยู่ภายใต้แรงกดดันในการรายงานการปล่อยก๊าซขอบเขต 3 เปลี่ยนความยั่งยืนจากความมุ่งมั่นที่คลุมเครือให้กลายเป็นองค์ประกอบที่มีการจัดการเชิงปริมาณของธุรกิจ

ข้อผิดพลาดและต้นทุนที่ถูกมองข้าม

มันไม่ได้เป็นบวกทั้งหมด ค่าใช้จ่ายในการฝึกอบรมและใช้งานโมเดล AI ขนาดใหญ่ถือเป็นภาระด้านสิ่งแวดล้อม โครงการที่เน้นเรื่องการประหยัดพลังงานในโรงงานจะต้องชั่งน้ำหนักกับพลังงานที่ใช้โดยเซิร์ฟเวอร์คลาวด์ที่ฝึกอบรมโมเดลต่างๆ ในงานของเรา เราได้เปลี่ยนไปใช้โมเดลเฉพาะทางที่มีประสิทธิภาพมากกว่าการเรียนรู้เชิงลึกแบบเดรัจฉานด้วยเหตุผลนี้เอง บางครั้ง แบบจำลองทางสถิติที่เรียบง่ายกว่าจะทำให้คุณได้รับผลประโยชน์ 80% พร้อมด้วยค่าใช้จ่ายในการคำนวณ 1% ความยั่งยืนผ่าน AI ต้องคำนึงถึงรอยเท้าของตนเอง

นอกจากนี้ยังมีความเสี่ยงในการปรับส่วนหนึ่งของระบบให้เหมาะสมโดยเสียค่าใช้จ่ายอีกส่วนหนึ่ง ครั้งหนึ่งเราได้ปรับปรุงกำหนดการผลิตเพื่อประสิทธิภาพการใช้พลังงาน เพียงแต่พบว่าเครื่องมือบางชนิดมีการสึกหรอเพิ่มขึ้น ส่งผลให้มีการเปลี่ยนทดแทนบ่อยขึ้นและสิ้นเปลืองวัสดุที่เกี่ยวข้อง มุมมองแบบองค์รวมเป็นสิ่งสำคัญ ความยั่งยืนที่แท้จริงไม่ได้ขึ้นอยู่กับจุดสูงสุดในท้องถิ่น แต่เป็นความยืดหยุ่นทั้งระบบและผลกระทบโดยรวมที่น้อยที่สุด ระบบ AI จำเป็นต้องได้รับการออกแบบโดยคำนึงถึงการปรับให้เหมาะสมหลายวัตถุประสงค์ ซึ่งเป็นปัญหาที่ยากกว่ามาก

ในที่สุดองค์ประกอบของมนุษย์ การดำเนินการเปลี่ยนแปลงที่ขับเคลื่อนด้วย AI ต้องใช้บุคลากรที่มีทักษะ การจัดการการเปลี่ยนแปลง และบ่อยครั้งต้องใช้เงินทุนล่วงหน้า สำหรับองค์กรขนาดเล็กและขนาดกลางจำนวนมากในแถบการผลิต สิ่งสำคัญที่สุดคือความอยู่รอดและการปฏิบัติตามคำสั่งซื้อ ข้อโต้แย้งด้านความยั่งยืนต้องควบคู่ไปกับผลประโยชน์ทางเศรษฐกิจที่ชัดเจนในระยะสั้นถึงระยะกลาง นั่นเป็นเหตุผลที่นักบินที่ประสบความสำเร็จมากที่สุดที่ฉันเคยเห็นเริ่มต้นด้วยผลไม้แบบแขวนต่ำ: การบำรุงรักษาเชิงคาดการณ์เพื่อหลีกเลี่ยงการหยุดทำงานที่มีค่าใช้จ่ายสูงและการสิ้นเปลืองวัสดุ หรือระบบควบคุมไฟ/ความร้อนอัจฉริยะที่คืนทุนภายในเวลาไม่ถึงสองปี

มองไปข้างหน้า: การบูรณาการ ไม่ใช่ความโดดเดี่ยว

แล้ว AI จะส่งเสริมความยั่งยืนอย่างแท้จริงได้อย่างไร? มันไม่ได้ผ่าน AI แบบสแตนด์อโลนที่ฉูดฉาดสำหรับโครงการที่ดี โดยผ่านการบูรณาการอย่างค่อยเป็นค่อยไปและมักจะไม่เซ็กซี่เข้ากับกลุ่มเทคโนโลยีการดำเนินงานของอุตสาหกรรมต่างๆ เช่น การผลิต โลจิสติกส์ และพลังงาน มันช่วยเพิ่มความยั่งยืนด้วยการทำให้ ประสิทธิภาพของทรัพยากร วัดผลได้และดำเนินการได้ โดยการเปิดเผยกระแสของเสียที่ก่อนหน้านี้มองไม่เห็น และโดยการเปิดใช้งานระบบที่ปรับเปลี่ยนและตอบสนองได้มากขึ้น

ในมุมมองของฉัน อนาคตอยู่ใน AI ที่ฝังตัว ลองนึกถึงเครื่องจักรอุตสาหกรรมที่ปรับพารามิเตอร์ด้วยตนเองเพื่อการใช้พลังงานน้อยที่สุดโดยยังคงรักษาคุณภาพไว้ หรือแพลตฟอร์มลอจิสติกส์ที่เลือกตัวเลือกการขนส่งคาร์บอนต่ำที่สุดโดยอัตโนมัติ ซึ่งตรงตามข้อจำกัดด้านต้นทุนและเวลา มันกลายเป็นคุณสมบัติมาตรฐาน ไม่ใช่ความคิดริเริ่มแยกต่างหาก การทำงานในสถานที่ต่างๆ เช่น ฐานการผลิต Yongnian ซึ่งมีเครือข่ายผู้ผลิตหนาแน่น ถือเป็นพื้นที่ทดสอบที่สมบูรณ์แบบสำหรับแนวทางบูรณาการเหล่านี้

ท้ายที่สุดแล้ว AI ก็เป็นเครื่องมือที่ทรงพลัง แต่ก็เป็นเพียงเครื่องมือเท่านั้น การมีส่วนสนับสนุนความยั่งยืนนั้นถูกกำหนดโดยมือที่ถือมันและปัญหาที่พวกเขาเลือกที่จะแก้ไข การเพิ่มขึ้นนี้มาจากการมุ่งเน้นไปที่คอนกรีตอย่างไม่หยุดยั้ง การเพิ่มขึ้นอย่างค่อยเป็นค่อยไปของการไหลของวัสดุและพลังงาน โดยได้รับแจ้งจากข้อมูลที่ขณะนี้เราสามารถรวบรวมและทำความเข้าใจได้ในที่สุด เป็นการเดินทางเชิงปฏิบัติ เต็มไปด้วยการลองผิดลองถูก ห่างไกลจากวงจรกระแสเกินจริง และนั่นคือสิ่งที่คุณค่าที่แท้จริงสำหรับอนาคตที่ยั่งยืนกำลังถูกสร้างขึ้น