AI чиг хандлага 2025: Монголын уул уурхайд юу өөрчлөгдөх вэ

2025 онд AI-ийн тухай яриа “сонирхолтой технологи” биш, үйлдвэрлэлийн зардал, эрчим хүч, аюулгүй ажиллагааны бодит асуудал болж хувирлаа. Дэлхийн уншигчид хамгийн их сонирхсон нийтлэлүүдийн нэг нь AI-ийн эрчим хүч, усны мөр—нэг л асуулт асуухад ямар нөөц шаардагддаг тухай тооцоолол байсан нь санаандгүй зүйл биш. Уул уурхай, олборлох салбарын хувьд энэ бол зүгээр нэг мэдээлэл биш: Монгол шиг эрчим хүч, ус, ложистикийн дарамт өндөр орчинд AI-г нэвтрүүлэхдээ “юу авчирч байна вэ?” гэхээсээ илүү “юу үнэтэй болж байна вэ?” гэж асуух ёстой гэсэн дохио.

Энэ нийтлэл нь MIT Technology Review-ийн 2025 оны хамгийн их уншигдсан AI-той холбоотой сэдвүүдийг Монголын уул уурхай, олборлох үйлдвэрлэлийн бодит нөхцөлтэй холбож тайлбарлана. Гол санаа энгийн: AI бол дангаараа зорилго биш, олборлолтын бүтээмж, зогсолт, засвар үйлчилгээ, HSE, нүүрстөрөгчийн ул мөрийн асуудлыг шийдэх хэрэгсэл. Харин буруу хэрэгжүүлбэл зардал нэмэгдүүлж, эрсдэл өсгөж чадна.

2025-ын хамгийн “халуун” сэдэв: AI-ийн эрчим хүчний өртөг

AI-ийн эрчим хүчний хэрэглээ 2025 онд дэлхийн хэмжээнд том хэлэлцүүлэг болсон нь санамсаргүй биш. Генератив AI-г өдөр тутам ашигладаг хэрэглэгчид “хэдэн секундийн хариу” авахын цаана дата төвийн цахилгаан ба хөргөлтийн ус ажиллаж байгааг илүү бодитоор ойлгож эхэлсэн.

Монголын уул уурхайд энэ сэдэв яагаад шууд хамаатай вэ? Учир нь AI төслүүдийг ихэнхдээ “программ л шүү дээ” гэж төсөөлдөг. Гэтэл үйлдвэрлэлийн AI (machine vision, predictive maintenance, диспетчерийн оновчлол, уурхайн төлөвлөлт) амжилттай болохын хэрээр:

• Илүү олон мэдрэгч, камер, телеметри → өгөгдлийн урсгал өснө
• Илүү олон загвар сургалт/дахин сургалт → compute зардал өснө
• Илүү нарийн бодит цагийн шийдвэр → edge + cloud архитектурын шаардлага өснө

“AI-ийн footprint”-ыг уурхайн KPI болгоё

Ашигтай AI гэдэг нь зөвхөн “алдаа багассан” гэсэн үг биш. Нэг тонн хүдэр олборлоход ноогдох AI-ийн цахилгаан, сүлжээ, тооцооллын зардлыг KPI болгон хэмжих нь 2026 онд зайлшгүй болно.

Практик хэмжүүрийн жишээ:

1. Нэг тоног төхөөрөмж/нэг ээлжид AI inference хэдэн удаа ажиллаж байна вэ?
2. Тухайн inference-ийн latency (мс) хэд вэ?
3. Edge дээр шийдэх боломжтойгоо cloud руу явуулж сүлжээний өртөг үүсгээд байна уу?
4. Загвар дахин сургах давтамж бодит хэрэгцээнээсээ хэт өндөр байна уу?

Сайн AI төсөл гэдэг нь “илүү ухаалаг” байхаасаа өмнө “илүү хэмнэлттэй” байх ёстой.

“AI гэж яг юу вэ?” гэдэг асуулт уурхайн тендерийг аварна

2025 онд хүмүүсийн их уншсан өөр нэг сэдэв бол “AI гэж юу вэ?” гэсэн суурь маргаан. Энэ уул уурхайд тун практик асуудал болж буудаг: тендер, худалдан авалт, төслийн хүрээ.

Монголд олон байгууллага AI нэртэй бүтээгдэхүүн худалдаж аваад дараа нь дараах зүйлтэй тулгардаг:

• Үнэндээ бүтээгдэхүүн нь дүрэмд суурилсан автоматжуулалт (rule-based) байхад “AI” гэж зарсан
• Үр дүн нь датаны чанараас шууд хамаарахыг дутуу ойлгосон
• “Нэг загвар бүх уурхайд ажиллана” гэж эндүүрсэн

Уул уурхайн AI-г 3 ангиллаар тодорхойлоход ажил амар болдог

Төслийг эхлүүлэхээсээ өмнө доорх асуултаар ангил:

1. Perception (харах/сонсох): камер, дрон, LiDAR, дулааны камер ашиглан “юу болж байна?”-г таних (жишээ: туузан дамжлагын асгаралт илрүүлэх)
2. Prediction (урьдчилан таамаглах): эвдрэл, чанарын хэлбэлзэл, үйлдвэрлэлийн саатлыг урьдчилан мэдэх (жишээ: насосны чичиргээний өгөгдлөөр эвдрэл таамаглах)
3. Optimization/Control (оновчлох/удирдах): диспетчерлэлт, тээвэрлэлтийн маршрут, бутлах-ангилах горимыг оновчлох (жишээ: truck-shovel allocation)

Ингэж ангилбал шаардлага тодорхой болно: ямар датаг хэдий хугацаанд цуглуулах вэ, ямар амжилтын шалгууртай байх вэ, ямар баг хэрэгтэй вэ.

Хүмүүс чатботтой “амархан дотносдог” нь уурхайн сургалт, HSE-д ашигтай—бас эрсдэлтэй

2025 онд олон нийтийн анхаарал татсан сонин тренд бол хүмүүс чатботтой санаандгүйгээр дотно харилцаа үүсгэдэг явдал. Уул уурхайд романтик тал нь сонирхол татахгүй байж болно. Гэхдээ хэрэглэгчийн зан төлөв гэсэн цөм нь маш хэрэгтэй.

Ашигтай хэрэглээ: ээлжийн мастерын халаасны зөвлөх

Хэрвээ таны уурхайд:

• SOP, LOTO, HIRA, тоног төхөөрөмжийн гарын авлага олон файлд тархсан
• Шинэ ажилтан өндөр эрсдэлтэй нөхцөлд хурдан сурдаггүй
• Мэдлэгийн алдагдал (туршлагатай хүмүүс явчихдаг) байнга тохиолддог

тэгвэл чатбот маягийн “ажлын туслах” үнэхээр үр дүн өгдөг. Гол нь үүнийг “чөлөөт ярианы бот” биш, баталгаажсан эх сурвалж дээр суурилсан лавлагааны систем болгох хэрэгтэй.

Эрсдэл: буруу зөвлөгөө ба хариуцлага

Уурхайн орчинд буруу нэг өгүүлбэр:

• Тоног төхөөрөмжийн эвдрэл
• Хүний гэмтэл
• Зогсолт

болох эрсдэлтэй. Тиймээс уурхайн чатботод заавал хэрэгтэй хамгаалалт:

• Эх сурвалж заавал ишлэх дотоод холбоос/баримт (дотоод систем рүү)
• “Мэдэхгүй” гэж хэлж сурах guardrail
• Өндөр эрсдэлтэй асуултад HSE баг руу escalation

Уурхайн чатботын зорилго бол хүмүүсийг “ярианд татах” биш, алдаа гаргах магадлалыг бууруулах.

Сүлжээ, эрчим хүчний дэд бүтэц: AI-г тэжээх “цахилгаан сүлжээ” хэрэгтэй

MIT Technology Review 2025 онд ирээдүйн цахилгаан сүлжээний тухай их уншигдсан нийтлэлүүд гаргасан. Энэ санаа Монголын уул уурхайд нэг өгүүлбэрээр бууна: AI-г ажиллуулахын тулд зөвхөн софт биш, найдвартай дэд бүтэц хэрэгтэй.

Уурхайд хамгийн түрүүнд асуух 5 асуулт

AI нэвтрүүлэхээр ярьж эхлэхэд IT, үйлдвэрлэл, эрчим хүчний баг хамтдаа доорхыг шийдэх ёстой:

1. Талбай дээр тасалдал (outage) өдөрт/сард хэд байдаг вэ?
2. Edge төхөөрөмжүүдийн тоосжилт, доргилт, температурын шаардлага хангаж байна уу?
3. Сүлжээний latency ба bandwidth бодит цагийн хэрэглээнд хүрэлцэх үү?
4. Дата хадгалалт, архив, кибер аюулгүй байдлын өгөгдөл хамгаалалтын горим тодорхой юу?
5. Эрчим хүчний оргил ачааллын үед AI workload-ыг shifting хийх боломж бий юу?

Өөрөөр хэлбэл, AI төслийн амжилт 50% нь загвар, 50% нь үйлдвэрлэлийн нөхцөлд тэсвэртэй инженерчлэл байдаг.

Монголын уул уурхайд 2026 онд “түрүүлж” хэрэгжүүлэх 4 AI хэрэглээ

2025 оны дэлхийн сонирхолтой сэдвүүдийг орон нутагт хөрвүүлэх хамгийн зөв арга бол “том мөрөөдөл” биш, хурдан ROI-той use case-үүдээс эхлэх.

1) Predictive maintenance (засварын урьдчилан таамаг)

Шууд үр ашиг: төлөвлөгдөөгүй зогсолт буурна, сэлбэгийн нөөц оновчлогдоно.

Эхлэх өгөгдөл:

• чичиргээ, температур, тосны шинжилгээ
• засварын түүх (CMMS)

2) Machine vision (аюулгүй байдал + чанар)

Шууд үр ашиг: PPE зөрчил, аюултай бүсийн нэвтрэлт, туузан дамжлагын асгаралт, тээврийн мөргөлдөөнтэй ойролцоо нөхцөлийг эрт илрүүлнэ.

3) Dispatch optimization (тээвэрлэлтийн оновчлол)

Шууд үр ашиг: нэг цагт тээвэрлэх материал өснө, шатахуун зарцуулалт буурна.

4) AI knowledge assistant (баримт, журам, сургалт)

Шууд үр ашиг: сургалтын хугацаа богиносно, SOP мөрдөлт сайжирна.

AI төсөл эхлүүлэх “хатуу” чеклист (лид авах зорилготой бодит алхам)

AI нэвтрүүлэхээр шийдсэн байгууллагад хамгийн их хэрэгтэй зүйл бол сэтгэл хөдлөл биш, шалгах хуудас.

• Нэг use case = нэг KPI. (жишээ: туузан асгаралт илрүүлэх → асгаралтаас үүдэх цэвэрлэгээний цагийг 20% бууруулах)
• Дата эзэмшигч тодорхой. (хэний датаг хэн хариуцах вэ?)
• Edge vs Cloud шийдвэр гаргасан. (юуг талбай дээр, юуг төв дээр?)
• HSE ба кибер аюулгүй байдал төслийн эхнээс орсон.
• Сар бүрийн “model drift” хяналттай. (орчны өөрчлөлт загварыг эвддэг)

Хэрвээ та энэ 5-ыг бичгээр баталгаажуулж чадахгүй бол “AI хэрэгжүүлнэ” гэдэг нь ихэнхдээ үзүүлэн тоглолт болдог.

Дараагийн алхам: AI-г уурхайд ашигтай болгох хамгийн хурдан зам

Манай “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын санаа нэг: AI-г бодит үйлдвэрлэлийн асуудалтай холбож, хэмжиж, дараа нь масштаблах. 2025 оны дэлхийн трендүүдээс харахад хүмүүс AI-ийн ид шидийг биш, өртөг ба нөлөөг нь илүү сонирхож эхэлжээ. Энэ бол Монголын уурхайнуудын хувьд сайн мэдээ—учир нь бидэнд яг ийм прагматик хандлага хэрэгтэй.

Хэрвээ та 2026 онд нэг л зүйл хийвэл: танай уурхайд хамгийн их зогсолт үүсгэдэг 1 шалтгааныг сонгоод, түүн дээр дата бэлдэж, 8–12 долоо хоногийн пилот хий. Амжилт нь “AI ашигласан эсэх”-ээр биш, зогсолт буурсан эсэх, нэгж өртөг багассан эсэх, ослын эрсдэл буурсан эсэхээр хэмжигдэнэ.

Таны байгууллага AI-г хаанаас эхлэх гэж байна вэ—зогсолт, аюулгүй ажиллагаа, эсвэл эрчим хүчний үр ашиг дээр үү?