Gigaton Raih $26 Juta untuk Letakkan AI di Pusat Kawalan Industri Berat

Modal ini akan menjana perkembangan signifikan: syarikat itu merancang untuk mengembangkan pasukannya sebanyak lima kali ganda dan melangkaui kubu kuat awalnya dalam industri simen kepada sektor keluli, kaca, dan kimia . Ketua Pegawai Eksekutif Josh Vernon memberitahu Global Cement bahawa dana ini membolehkan misi syarikat untuk mengurangkan pelepasan pada skala "gigaton", dengan rancangan untuk meningkatkan penggunaan di "berpuluh-puluh tapak" dalam fasa pertumbuhan seterusnya .

Cabut dan ganti, bukan tampal

Kebanyakan tawaran AI industri meletakkan lapisan pengoptimuman di atas sistem kawalan sedia ada. Pendekatan Gigaton berbeza—mereka menggantikan keseluruhan timbunan kawalan asas. Syarikat itu menggambarkan pendekatan ini sebagai "mencabut" perisian warisan supaya AI boleh menjalankan kilang secara terus . Ini adalah seni bina yang secara asasnya berbeza daripada alat Advanced Process Control (APC) konvensional yang terletak di atas dan hanya memberi cadangan.

Secara praktikalnya, AI ini melaraskan beberapa parameter penting secara autonomi dalam masa nyata: campuran bahan api yang disalurkan ke tanur atau relau, kelajuan putaran tanur itu sendiri, dan paras oksigen yang diperlukan untuk pembakaran yang cekap . Pemboleh ubah ini saling bergantung dan berubah secara berterusan berdasarkan kualiti bahan mentah, keadaan persekitaran, dan sasaran pengeluaran. Sistem Gigaton mempelajari tingkah laku kilang secara berterusan dan membuat keputusan gelung tertutup tanpa menunggu input operator.

Hasil terbukti dalam simen, masa pelaksanaan dalam beberapa minggu

Fokus awal syarikat adalah pembuatan simen, salah satu sektor perindustrian yang paling sukar untuk dikurangkan pelepasannya. Satu kajian kes dengan Heidelberg Materials mendokumenkan penambahbaikan operasi yang konkrit: pengurangan 4% dalam indeks kos bahan api, dipacu oleh pengurangan 2.2% dalam penggunaan haba spesifik, bersama penurunan 33% dalam kebolehubahan C3S (tricalcium silicate) dan pengurangan 2% dalam pelepasan karbon daripada bahan api . Sistem ini berjaya daripada integrasi kepada operasi sebenar dalam masa lapan minggu .

Dalam kertas putihnya, Gigaton melaporkan bahawa AI-nya boleh mengurangkan pelepasan karbon daripada bahan api sehingga 5% pada peringkat proses piro—bahagian pengeluaran simen yang paling intensif tenaga . Perisian ini berintegrasi dengan sistem APC sedia ada seperti ABB Ability dan FLSmidth ECS/ProcessExpert, tetapi mengambil alih penetapan sasaran dinamik dan bukannya sekadar mencadangkan pelarasan .

Dari Carbon Re ke Gigaton: lima tahun penyelidikan di lapangan

Syarikat ini ditubuhkan pada tahun 2020 sebagai Carbon Re, sebuah spinout teknologi mendalam dari University of Cambridge dan UCL . Pembangunan awal melibatkan lebih lima tahun bekerja bersama operator kilang perindustrian, memberikan pendedahan langsung kepada kekangan dan mod kegagalan persekitaran pengeluaran sebenar . Penjenamaan semula terkini kepada Gigaton mencerminkan cita-cita yang lebih luas: nama itu menandakan komitmen untuk menyingkirkan berbilion tan CO2 merentasi pelbagai menegak industri berat, bukan hanya simen .

Gigaton adalah sebahagian daripada gelombang syarikat yang menggunakan AI kepada dunia fizikal dan bukannya kepada aliran kerja pejabat atau perisian pengguna. Seperti yang dinyatakan oleh satu analisis, ini adalah "cerita AI yang berbeza daripada chat, carian, atau aliran kerja pejabat"—ia berada di dalam pengeluaran fizikal di mana pemasaan, penggunaan tenaga, kestabilan proses, dan kebolehpercayaan peralatan adalah penting sehingga sebarang 'halusinasi' AI tidak boleh diterima .

Apa yang bakal dibuka oleh $26 juta ini

Dana Siri A ini akan membiayai dua landasan selari: pembangunan berterusan platform generasi akan datang dan penggunaan yang lebih meluas di empat sektor sasaran . Pengembangan pasukan sebanyak lima kali ganda menandakan bahawa Gigaton sedang beralih daripada fasa yang sarat dengan penyelidikan kepada skala komersial. Peluasan di luar simen kepada keluli, kaca, dan kimia menunjukkan bahawa teknologi teras ini bersifat agnostik sektor—jika AI boleh belajar mengawal satu jenis proses terma, ia mungkin boleh belajar yang lain.

Bagi industri berat, masanya sangat mendesak. Kos tenaga kekal tidak menentu, penetapan harga karbon berkembang di pelbagai bidang kuasa, dan kilang menghadapi tekanan yang semakin meningkat untuk mengurangkan pelepasan tanpa mengorbankan pengeluaran. Sistem kawalan belajar sendiri yang boleh mengurangkan penggunaan bahan api dan pelepasan secara serentak, dan beroperasi dalam masa kurang dua bulan, menawarkan laluan yang nyata untuk industri yang lambat mendigitalkan operasi mereka.