AI tăng cường tính bền vững như thế nào? 

Khi mọi người hỏi làm thế nào AI tăng cường tính bền vững, suy nghĩ ngay lập tức thường chuyển sang tầm nhìn lớn: tối ưu hóa chuỗi cung ứng toàn cầu chỉ sau một đêm hoặc giải quyết một cách kỳ diệu mô hình khí hậu. Từng làm việc thực tế với các nhóm sản xuất và hậu cần, tôi thấy rằng tác động thực sự ở mức độ chi tiết hơn, thường lộn xộn và không phải là viên đạn bạc. Quan niệm sai lầm là AI hoạt động trong chân không – thực tế không phải vậy. Giá trị của nó chỉ được mở khóa khi nó được nhúng sâu vào các quy trình hiện có, thường không hiệu quả. Nó ít nói về các thuật toán thông minh mà thiên về những điều chỉnh thực tế đối với dòng nguyên liệu, mức tiêu thụ năng lượng và mô hình chất thải. Hãy để tôi điểm qua một số lĩnh vực mà điều này thực sự diễn ra và đôi khi nó vấp ngã.

Bê tông: Tối ưu hóa năng lượng và tài nguyên

Lấy một bối cảnh công nghiệp điển hình, giống như một nhà máy sản xuất dây buộc. Tải năng lượng không đổi; nó tăng vọt trong quá trình rèn hoặc xử lý nhiệt. Chúng tôi đã làm việc với một nhóm tại một cơ sở ở Hà Bắc—chẳng hạn như cụm công nghiệp ở Quận Vĩnh Niên—để triển khai các mô hình học máy tương đối đơn giản trên dữ liệu tiêu thụ điện năng trước đây. Mục tiêu không phải là phát minh lại quy trình mà là dự đoán nhu cầu tăng đột biến và trì hoãn các hoạt động không quan trọng. Kết quả là phí tải cao điểm giảm được 7-8%, trực tiếp cắt giảm lượng khí thải carbon và chi phí. Nghe có vẻ khiêm tốn, nhưng ở quy mô lớn, qua hàng trăm lò nung và máy ép, hiệu ứng tích lũy là rất đáng kể. AI ở đây không suy nghĩ; đó là tính năng nhận dạng mẫu được áp dụng cho một tập dữ liệu trong thế giới thực rất ồn ào.

Nơi khó khăn nhất là cơ sở hạ tầng dữ liệu. Nhiều loài thực vật, thậm chí cả những loài có kích thước lớn như Công ty TNHH Sản xuất Fastener Handan Zitai., có hệ thống SCADA kế thừa và nhật ký thủ công. Rào cản đầu tiên là lấy được dữ liệu rõ ràng, có dấu thời gian từ xưởng sản xuất. Chúng tôi đã dành nhiều tuần chỉ để thiết lập các cảm biến IoT cơ bản để cung cấp dữ liệu cho các mô hình—một bước thường bị bỏ qua trong các nghiên cứu điển hình bóng bẩy. Nếu không có điều này, bất kỳ mô hình AI nào cũng chỉ là bài tập lý thuyết. Trang web https://www.zitaifasteners.com có thể giới thiệu sản phẩm của họ, nhưng lợi ích bền vững lại diễn ra ở hậu trường, trong sự tích hợp chặt chẽ các luồng dữ liệu từ những cỗ máy chưa bao giờ được thiết kế để giao tiếp với nhau.

Một góc độ khác là năng suất vật chất. Trong sản xuất dây buộc, thép cuộn được đục lỗ và tạo hình. Phế liệu là điều không thể tránh khỏi, nhưng hệ thống thị giác máy tính do AI điều khiển giờ đây có thể kiểm tra nguyên liệu thô để phát hiện các khuyết tật trước khi dập và thậm chí còn điều chỉnh linh hoạt các kiểu cắt để giảm thiểu lãng phí. Chúng tôi đã thử nghiệm điều này với một đối tác và trong khi thuật toán hoạt động, ROI vẫn âm đối với các lần chạy lô nhỏ hơn do độ phức tạp của quá trình thiết lập. Đây là một sắc thái quan trọng: AI cho sự bền vững không được áp dụng phổ biến; nó đòi hỏi một quy mô nhất định và sự trưởng thành trong hoạt động để có thể trả hết.

Hậu cần và Mạng lưới ẩn

Giao thông vận tải là một nguồn phát thải carbon lớn. Ở đây, vai trò của AI trong việc tối ưu hóa tuyến đường đã được nhiều người biết đến, nhưng những hạn chế trong thế giới thực mới là điều khiến nó trở nên thú vị. Đối với một nhà sản xuất có vị trí thuận lợi gần Đường sắt Bắc Kinh-Quảng Châu và Quốc lộ 107, như Zitai, câu hỏi không chỉ là tìm ra con đường ngắn nhất. Đó là về việc tổng hợp tải từng phần, dự đoán độ trễ của cảng và thậm chí tính toán dữ liệu thời tiết và giao thông theo thời gian thực để giảm thời gian nhàn rỗi cho xe tải. Chúng tôi đã triển khai một hệ thống thực hiện được điều này và mức tiết kiệm nhiên liệu trung bình khoảng 12%. Tuy nhiên, các đề xuất của hệ thống đôi khi bị từ chối bởi những người điều phối tin tưởng vào trải nghiệm của họ về thuật toán—một thách thức cộng tác cổ điển giữa con người và AI.

Ngoài các tuyến đường, còn có tối ưu hóa hàng tồn kho. Việc giữ hàng tồn kho dư thừa sẽ làm hạn chế vốn và không gian, đồng thời thường dẫn đến lãng phí (đặc biệt đối với các ốc vít được phủ hoặc xử lý có lo ngại về thời hạn sử dụng). Các mô hình dự đoán sử dụng dữ liệu bán hàng, xu hướng theo mùa và thậm chí các chỉ số kinh tế rộng hơn có thể thắt chặt mức tồn kho. Tôi nhớ lại một dự án mà chúng tôi đã giảm lượng hàng tồn kho an toàn xuống 15% mà không làm tăng nguy cơ hết hàng. Nhưng mô hình này đã thất bại một cách ngoạn mục khi một sự thay đổi chính sách khu vực đột ngột làm gián đoạn chuỗi cung ứng – nó chưa được đào tạo về những sự kiện thiên nga đen như vậy. Điều này nhấn mạnh rằng các mô hình AI chỉ hoạt động tốt như dữ liệu lịch sử mà chúng đã thấy; họ phải vật lộn với những cú sốc mang tính hệ thống mới.

Chuỗi cung ứng mở rộng là nơi nó trở nên rộng hơn. AI có thể giúp thiết kế các vòng kinh tế tuần hoàn. Ví dụ, bằng cách phân tích dữ liệu vòng đời sản phẩm, nó có thể dự đoán khi nào một lô ốc vít từ trang trại năng lượng mặt trời ngừng hoạt động có thể sẵn sàng để tái sử dụng hoặc tái chế, do đó giảm nhu cầu về nguyên liệu thô. Điều này vẫn còn non trẻ, nhưng các dự án thí điểm ở EU đang khám phá điều này. Nó chuyển tính bền vững từ hiệu quả đơn thuần sang chu kỳ tài nguyên hệ thống.

Giám sát, báo cáo và thúc đẩy minh bạch

Sự bền vững ngày nay đòi hỏi sự đo lường nghiêm ngặt. AI tăng tốc đáng kể việc giám sát môi trường. Thay vì kiểm tra thủ công hàng tháng về lượng khí thải hoặc nước thải, mạng cảm biến với phân tích AI có thể cung cấp dữ liệu chi tiết, liên tục. Chúng tôi đã giúp thiết lập một hệ thống giám sát lượng khí thải hợp chất hữu cơ dễ bay hơi (VOC) trong xưởng mạ. AI không chỉ đo lường; nó đã xác định mối tương quan giữa các lô sản xuất cụ thể và mức phát thải tăng đột biến, cho phép điều chỉnh quy trình. Điều này biến việc tuân thủ từ trung tâm chi phí thành nguồn hiểu biết sâu sắc về hoạt động.

Tuy nhiên, tạo ra dữ liệu là một chuyện; tin tưởng nó là chuyện khác. Hiện đang có sự căng thẳng giữa các chỉ số bền vững do AI tạo ra và nhu cầu về hồ sơ có thể kiểm tra, xác minh cho các khuôn khổ như báo cáo ESG. Các cơ quan quản lý và nhà đầu tư có thể tin tưởng vào bản tóm tắt tính toán lượng carbon của AI không? Chúng ta đang ở giai đoạn mà AI xử lý khối lượng lớn dữ liệu, nhưng vẫn cần các chuyên gia về con người để xác thực và giải thích. Công cụ này rất mạnh mẽ nhưng nó không thay thế được nhu cầu đánh giá chuyên môn.

Ở quy mô vĩ mô, AI đang cho phép theo dõi lượng khí thải carbon chính xác hơn trên các chuỗi cung ứng phức tạp. Bằng cách thu thập và phân tích dữ liệu từ cổng nhà cung cấp, bảng kê khai vận chuyển và hóa đơn năng lượng, nó có thể tạo ra bản đồ dấu chân gần như theo thời gian thực. Đối với một công ty như Zitai, một phần của cơ sở sản xuất rộng lớn, khả năng hiển thị này rất quan trọng đối với các khách hàng hạ nguồn ở Châu Âu hoặc Bắc Mỹ, những người chịu áp lực phải báo cáo lượng phát thải Phạm vi 3. Nó biến tính bền vững từ một cam kết mơ hồ thành một thành phần có thể định lượng và được quản lý của doanh nghiệp.

Những cạm bẫy và chi phí bị bỏ qua

Tất cả đều không tích cực. Bản thân chi phí tính toán cho việc đào tạo và chạy các mô hình AI lớn đã là một gánh nặng cho môi trường. Một dự án tập trung vào việc tiết kiệm năng lượng trong nhà máy phải cân nhắc với năng lượng mà các máy chủ đám mây đào tạo mô hình sử dụng. Trong công việc của mình, chúng tôi đã chuyển sang sử dụng các mô hình chuyên biệt, hiệu quả hơn thay vì học sâu một cách thô bạo vì chính lý do này. Đôi khi, một mô hình thống kê đơn giản hơn sẽ mang lại cho bạn 80% lợi ích với 1% chi phí tính toán. Tính bền vững thông qua AI phải tính đến dấu chân của chính nó.

Ngoài ra còn có nguy cơ tối ưu hóa một phần của hệ thống với chi phí khác. Chúng tôi đã từng tối ưu hóa lịch trình sản xuất để tiết kiệm năng lượng nhưng nhận ra rằng nó làm tăng độ mài mòn trên một số công cụ nhất định, dẫn đến việc phải thay thế thường xuyên hơn và gây lãng phí vật liệu liên quan. Một cái nhìn tổng thể là cần thiết. Tính bền vững thực sự không phải ở mức tối đa của địa phương mà là khả năng phục hồi trên toàn hệ thống và tác động tổng thể ở mức tối thiểu. Các hệ thống AI cần được thiết kế với mục tiêu tối ưu hóa đa mục tiêu, đây là một vấn đề khó khăn hơn đáng kể.

Cuối cùng là yếu tố con người. Việc thực hiện các thay đổi do AI điều khiển đòi hỏi nhân sự có tay nghề cao, quản lý thay đổi và thường là vốn trả trước. Đối với nhiều doanh nghiệp vừa và nhỏ trong vành đai sản xuất, ưu tiên hàng đầu là sự sống còn và hoàn thành đơn hàng. Lập luận về tính bền vững phải đi đôi với lợi ích kinh tế rõ ràng, ngắn hạn và trung hạn. Đó là lý do tại sao những phi công thành công nhất mà tôi từng thấy đều bắt đầu với kết quả dễ dàng: bảo trì dự đoán để tránh thời gian ngừng hoạt động tốn kém và lãng phí vật liệu hoặc điều khiển hệ thống chiếu sáng/sưởi ấm thông minh có khả năng thu hồi vốn sau chưa đầy hai năm.

Nhìn về phía trước: Hội nhập, không cô lập

Vậy, AI thực sự thúc đẩy tính bền vững như thế nào? Nó không phải thông qua AI độc lập, hào nhoáng cho các dự án tốt. Đó là thông qua sự tích hợp dần dần, thường không hấp dẫn, vào kho công nghệ vận hành của các ngành như sản xuất, hậu cần và năng lượng. Nó thúc đẩy tính bền vững bằng cách tạo ra hiệu quả tài nguyên có thể đo lường được và có thể hành động được, bằng cách phát hiện các dòng chất thải mà trước đây không thể nhìn thấy được và bằng cách tạo điều kiện cho các hệ thống có khả năng thích ứng và phản ứng nhanh hơn.

Theo quan điểm của tôi, tương lai nằm ở AI nhúng. Hãy nghĩ về một cỗ máy công nghiệp tự điều chỉnh các thông số để sử dụng năng lượng tối thiểu trong khi vẫn duy trì chất lượng hoặc một nền tảng hậu cần tự động chọn tùy chọn vận chuyển có hàm lượng carbon thấp nhất đáp ứng các hạn chế về chi phí và thời gian. Nó trở thành một tính năng tiêu chuẩn, không phải là một sáng kiến ​​riêng biệt. Công việc ở những nơi như cơ sở sản xuất Yongnian, với mạng lưới các nhà sản xuất dày đặc, là nơi thử nghiệm hoàn hảo cho các phương pháp tích hợp này.

Cuối cùng, AI là một công cụ mạnh mẽ, nhưng nó chỉ là một công cụ. Sự đóng góp của nó cho sự bền vững được quyết định bởi những người sử dụng nó và những vấn đề họ chọn để giải quyết. Sự thúc đẩy này đến từ sự tập trung không ngừng vào những lợi ích cụ thể, gia tăng trong các dòng vật chất và năng lượng, được thông báo bằng dữ liệu mà giờ đây chúng ta cuối cùng đã có thể nắm bắt và hiểu được. Đó là một hành trình thực tế, đầy thử nghiệm và sai sót, khác xa với chu kỳ cường điệu hóa và đó chính xác là nơi giá trị thực sự của nó cho một tương lai bền vững đang được xây dựng.