AI және энергия: Сингапур сабағы, Қазақстан бағыты

Сингапурдың электр энергиясы өндірісінің шамамен 94%-ы табиғи газға тәуелді. Бұл цифр «цифрлық экономика» туралы әдемі презентациялардан да маңыздырақ нәрсені айтады: есептеу қуаты (data center, AI) алдымен физикаға — электр мен жылуға — тіреледі.

Michael Kern жазған мақалада Сингапурдың «цифрлық империясы» энергия мен жер тапшылығына соғылғаны нақты суреттеледі: деректер орталықтары өсіп жатыр, бірақ аралдағы кеңістік шектеулі, ал «жасыл» атауы бар инфрақұрылымның өзі газ турбиналарына сүйенеді. Бұл біз үшін — Қазақстандағы энергия және мұнай-газ саласын жасанды интеллект қалай түрлендіріп жатыр тақырыптық сериясы үшін — ыңғайлы «айна». Себебі Қазақстанда да AI енгізу тек алгоритм емес: энергия жүйесінің сенімділігі, шығын, көміртек, қауіпсіздік және активтердің өмірлік циклі сияқты нақты өлшемдерге тіреледі.

Бұл постта мен Сингапурдың кейсін Қазақстан контекстіне аударып, бір сұраққа прагматикалық жауап беремін: AI энергия тапшылығын “жасыл лозунгпен” емес, операциялық дәлдікпен қалай азайтады?

Сингапур нені дәлелдеді: «цифрлық» дегеніміз — базалық қуат

Негізгі ой қысқа: AI, бұлт, деректер орталығы — бәрі базалық (24/7) электрге тәуелді. Сингапурда бұл тәуелділік үш жерден қысым жасайды:

1. Жер тапшылығы. Қуаттылықты арттыру үшін орын керек. Орын жоқ жерде «тығыздық» артады, тығыздық артса — жылу көбейеді.
2. Салқындату шығыны. Тропикалық климатта салқындату — деректер орталығының ең ауыр баптарының бірі. Тығыздық артқан сайын салқындатуға кететін кВт·сағ өседі.
3. Отын монокультурасы. Электр өндірісінің 94%-ы газ болса, «жасыл деректер орталығы» дегеніңіз көбіне көміртек ізі басқа жерде емес, сол жүйенің ішінде қалады.

Kern мақаласы тағы бір маңызды сигнал береді: Сингапур жаңа деректер орталықтарына мораторий енгізіп, сұраныс пен капиталдың бір бөлігін көрші Джохорға (Малайзия) ығыстырды. Бұл — нарық тоқтамайды, тек географиясын ауыстырады деген сөз.

Қазақстан үшін сабақ: AI-ды тек «IT жоба» деп қарау — қате. Ол жаңа тұтынушы, жаңа жүктеме профилі және жаңа тәуекел.

Қазақстанға параллель: мұнай-газдағы «деректер орталығы» — өндірістің өзі

Сингапурда энергияны «жейтін» нысан — деректер орталығы. Қазақстанда энергияны тұрақты әрі үлкен көлемде тұтынатын нысандар онсыз да жеткілікті:

• мұнай-газ өндіру (сорғылар, компрессорлар, дайындау қондырғылары)
• газды жинау және тасымалдау
• өңдеу және мұнай-химия
• электр станциялары мен желілер

Сондықтан біздің сұрақ «деректер орталығы керек пе?» емес. Біздің сұрақ: бар өндірісті AI арқылы қалай “ақылдырақ” жүргіземіз, сонда бір баррель/бір МВт үшін энергия мен шығын аз болсын.

Менің тәжірибемде ең тез әсер беретін бағыт — «жаңа құрылыс» емес, операциялық оңтайландыру. Сингапур да осыған көшіп отыр: кеңістік жоқ, демек өнімділік «іштен» өседі.

AI қай жерде нақты нәтиже береді (және қай жерде бермейді)

AI нақты нәтиже береді, егер:

• өлшенетін KPI бар (кВт·сағ/тонна, отын шығыны, тоқтап қалу сағаты)
• деректер сапасы жеткілікті (SCADA, historian, датчиктер, жөндеу журналдары)
• өзгерісті енгізетін операциялық команда бар

AI нәтиже бермейді, егер:

• «бәрін бірден цифрландырамыз» деген кең ауқымды жоспар нақты use case-ке бөлінбесе
• дерек иелігі, қауіпсіздік, интеграция (OT/IT) алдын ала шешілмесе

AI энергияны қалай үнемдейді: 5 қолданбалы сценарий

Бұл бөлімді «жауап алдымен» қағидасымен жазайын: AI энергия тапшылығын жаңа мегаватт салмай-ақ азайтады, өйткені шығынның үлкен бөлігі режимнің дұрыс қойылмауынан, күтпеген тоқтаудан және актив тозуынан шығады.

1) Predictive maintenance: тоқтап қалуды емес, энергияны да қысқартады

Көп адам predictive maintenance-ті тек жөндеу шығыны деп ойлайды. Бірақ компрессор/сорғы дұрыс күйде болмаса, ол сол жұмысты істеу үшін көбірек электр тұтынады. AI діріл, температура, қысым, ток сияқты сигналдардан тиімділіктің төмендеуін ерте ұстайды.

Нәтиже: жоспарланбаған тоқтау азаяды, артық энергия шығыны қысқарады, қосалқы бөлшек логистикасы тұрақтанады.

2) Процесті басқаруды күшейту: “ақылды режим” арқылы отын мен электр үнемі

Мұнай дайындау, газ өңдеу, қыздыру/салқындату контурлары — бәрі режимге тәуелді. ML-модельдер (soft sensor, MPC-ке көмекші модельдер) сапа талаптарын сақтай отырып, энергиясы ең аз режимді табуға көмектеседі.

Бұл жерде маңыздысы — AI диспетчерді алмастырмайды. Ол диспетчерге ең жақсы ұсыныстарды береді, ал іске асыру тәртібі қауіпсіздік регламентімен жүреді.

3) Энергия балансын “көрінетін” ету: өлшем болмаса, басқару жоқ

Сингапурдың жағдайы көрсеткендей, жүйе тарылғанда әр кВт·сағ маңызды. Қазақстанда да ірі кәсіпорындардың ішінде энергия көбіне «жоғалып кетеді»: нақты цех, нақты жабдық деңгейінде ашық есеп болмайды.

AI-дың қарапайым, бірақ пайдалы қадамы — аномалияны табу:

• түнгі базалық жүктеменің өсіп кетуі
• қысым/температура трендтерімен сәйкес келмейтін тұтыну
• бірдей өнім көлемінде энергияның «сырғып» артуы

4) Жүктемені жоспарлау: пик сағатқа “ақша төлемей” басқару

Деректер орталықтары үшін бұл — critical тақырып: жүктемені түнге ысыру, батарея/UPS режимін реттеу. Мұнай-газда да ұқсас логика бар: кейбір операцияларды (сорғылау, айдау, қосалқы жүйелер) икемдеп, пик тұтынуды төмендетуге болады.

AI мұнда болжам береді: өндіріс жоспары + ауа райы/желі шектеуі + жабдық күйі → ең дұрыс график.

5) Көміртек пен комплаенс: “есеп” емес, басқарылатын метрика

Сингапурдың «жасыл деректер орталығы» парадоксы бір нәрсені айтады: көміртек ізі көбіне маркетингте емес, энергия миксінде шешіледі. Қазақстанда AI көміртек метрикасын операциялық шешімге айналдыра алады:

• отын шығынын төмендету
• факелдік жағуды қысқарту (жұмыс режимі, ақау диагностикасы)
• жабдық тиімділігін тұрақтандыру

Бұл жерде мақсат — «есеп беру үшін ғана цифрландыру» емес, тонна CO₂-ны азайтатын нақты рычагтарды табу.

Сингапурдың “Johor spillover” эффекті және Қазақстан үшін тәуекел картасы

Сингапурда шектеу пайда болғанда, инвестиция шекарадан асып кетті: Сингапур HQ болып қалады, ал қуаттылық Малайзияға кетеді. Қазақстан үшін бұл басқа түрде көрінеді.

Бізде «spillover» мынадай болуы мүмкін:

• үлкен есептеу (AI training) қуаты ел ішінде емес, сырттағы бұлт провайдерге кетеді
• дерек егемендігі мен қауіпсіздігі күрделенеді
• энергия бағасы/желідегі шектеулер AI жобаларды тежейді

Сондықтан дұрыс стратегия екі бағытта қатар жүруі керек:

• AI-ды энергия тиімділігімен бірге енгізу (AI жобасы = энергия жобасы)
• деректер мен инфрақұрылымды гибридті модельде жоспарлау: кейбірі on-prem/edge, кейбірі бұлтта

Практикалық чек-лист: энергия және мұнай-газ компаниясы неден бастайды?

Мен ұсынатын реттілік төмендегідей (3–6 айлық «нәтиже шығаратын» жоспар ретінде):

1. Энергия KPI картасы: кВт·сағ/тонна, кВт·сағ/м³, отын шығыны, тоқтау сағаты, факел көлемі.
2. Дерек инвентаризациясы (OT деректері): SCADA/historian тегтері, сапа, жиілік, бос орындар.
3. 2–3 приоритет use case таңдау: компрессор тиімділігі, сорғы станциясы, пеш/қазандық режимі, факел.
4. Пилотты “қатаң экономикамен” жүргізу: baseline өлшеу, A/B кезеңі, қаржылық әсерді бекіту.
5. Масштабтау үшін MLOps + киберқауіпсіздік: модельді жаңарту, қолжетімділік, аудит.

Осылай істеген компаниялар AI-ды «презентация деңгейінен» операциялық жүйеге айналдырады.

Алдағы 12 айға көзқарас: AI-дың ең маңызды сұрағы — “қай кВт·сағ ең қымбат?”

Сингапур бізге бір қарапайым ақиқатты еске салды: термодинамика әрдайым жеңеді. Цифрлық өсу электр мен жылуға соғылғанда, таңдау басталады: қандай жүктеме қалады, қайсысы кетеді.

Қазақстанда бұл таңдауды қазірден дұрыс қоюға болады. Менің ұстанымым анық: AI жобалары энергия тиімділігіне байланыстырылмаса, олар қымбат әрі тұрақсыз болады. Ал энергия тиімділігі AI арқылы басқарылатын метрикаға айналса, нәтиже керісінше: өндіріс тұрақтанады, шығын түседі, қауіпсіздік өседі.

Келесі қадам ретінде өзіңізге бір сұрақ қойыңыз: сіздің кәсіпорында энергия шығынын ең көп өсіретін үш нәрсе қайсы — жабдық тозуы ма, режим қателігі ме, әлде жоспарлаудың әлсіздігі ме? Жауабыңыз AI-дың алғашқы use case-ін өзі-ақ көрсетеді.