Ledakan AI memanaskan pusat data dan operasi oil & gas. Ketahui bagaimana Petronas & utiliti boleh mengoptimumkan tenaga, penyejukan dan infrastruktur AI mereka.
AI, Pusat Data & Tenaga: Apa Maknanya Untuk Oil & Gas
Pada 2024, pasaran penyejukan pusat data global dianggarkan sekitar US$14.21 bilion dan dijangka melonjak ke US$34.12 bilion menjelang 2033, dengan CAGR 10.3%. Angka ini wujud hanya kerana satu perkara: AI semakin lapar tenaga dan semakin panas.
Operator hyperscale di US, Eropah dan Asia kini berlumba memasang GPU dan pelayan AI berkuasa tinggi. Hasilnya, pusat data tradisional mula melanggar had termal – sistem HVAC biasa tak lagi cukup. Mereka terpaksa beralih kepada teknologi penyejukan cecair, reka bentuk semula bekalan kuasa, dan pendekatan baharu kepada kecekapan tenaga.
Bagi sektor oil & gas dan tenaga seperti Petronas dan utiliti besar di Malaysia, cerita ini sangat dekat dengan rumah. AI untuk reservoir modelling, predictive maintenance, pengoptimuman tenaga, dan keselamatan juga memerlukan infrastruktur pengkomputeran berat – sama ada di pusat data korporat, edge di pelantar, atau di awan.
Artikel ini meneliti:
- Mengapa ledakan AI menolak pusat data ke “tembok termal”
- Bagaimana isu sama sedang datang ke arah operasi oil & gas
- Strategi praktikal untuk mengoptimumkan tenaga dan penyejukan bagi AI dalam sektor tenaga
- Apa pengajaran untuk organisasi seperti Petronas dan utiliti utama di Malaysia
1. Ledakan AI & “tembok termal” pusat data
Pusat data tradisional dibina untuk beban IT biasa, bukan kluster GPU AI yang padat dan sangat panas. Ini punca utama pasaran penyejukan pusat data melonjak laju.
Mengapa AI menjadikan pusat data “berpeluh”
Beberapa faktor utama:
-
Ketumpatan kuasa per rak melambung
- Pelayan tradisional: 5–10 kW per rak
- Rak AI moden dengan GPU: 30–80 kW per rak, malah boleh cecah >100 kW
Sistem pendingin udara biasa (CRAC/CRAH) mula tepu pada sekitar 20–30 kW per rak.
-
Profil beban tinggi dan berterusan
Model AI besar (LMM, LLM, computer vision untuk video) dilatih dan dijalankan dalam mod high utilization untuk jam atau hari tanpa rehat. Tiada “idle window” untuk sejukkan bilik server. -
Kecekapan tenaga belum mengejar kadar pertumbuhan beban
Walaupun cip GPU dan CPU makin cekap per operasi, jumlah model, saiz parameter, dan frekuensi inferens meletup. Tenaga keseluruhan tetap naik.
Itulah sebabnya laporan Verified Market Reports menunjukkan angka berbilion dolar untuk penyejukan pusat data: organisasi sedang cuba menang perang haba yang dicipta oleh AI sendiri.
Dari udara ke cecair: anjakan besar penyejukan
Jawapan industri pusat data semakin jelas:
-
Penyejukan cecair langsung ke cip (direct-to-chip liquid cooling)
Air atau cecair dielektrik disalurkan terus ke blok penyejuk pada CPU/GPU. Ini boleh mengendalikan beban >80 kW per rak dengan PUE yang lebih baik. -
Penyejukan rendaman (immersion cooling)
Pelayan direndam dalam cecair khas yang tidak mengalirkan elektrik. Haba dipindah dengan lebih cekap dan sunyi. Sesuai untuk kluster AI yang sangat padat. -
Reka bentuk semula aliran udara & pengurusan termal pintar
AI juga digunakan untuk mengoptimumkan aliran udara, tekanan, dan setpoint suhu berdasarkan data sensor masa nyata.
Ini bukan isu teknikal semata-mata. Ia isu kos operasi (OPEX) dan kelestarian. Bil elektrik pusat data kini sebahagian besar datang daripada penyejukan, bukan hanya IT load.
2. Paralel jelas dengan AI dalam operasi oil & gas
Apa yang berlaku di pusat data global ialah cerminan awal cabaran AI dalam oil & gas dan tenaga. Infrastruktur mungkin berbeza, tetapi persamaan terasnya sama:
Lebih banyak AI = lebih banyak pengkomputeran = lebih banyak haba & tenaga yang perlu diurus.
Di mana AI paling “haus tenaga” dalam oil & gas?
Beberapa aplikasi utama yang relevan untuk Petronas dan utiliti besar di Malaysia:
-
Reservoir modelling & simulasi geologi
Model reservoir beresolusi tinggi, simulasi aliran, dan seismic inversion menggunakan GPU dan HPC. Latihan model ini boleh berjalan berhari-hari. -
AI untuk predictive maintenance & reliability
Analitik getaran, imej, audio, dan proses masa nyata untuk ratusan atau ribuan peralatan memerlukan pipeline data yang berat dan inferens berterusan. -
AI untuk pengoptimuman tenaga & proses
Model pengoptimuman kilang LNG, penapisan, dan loji jana kuasa beroperasi secara berterusan untuk mencari titik operasi paling cekap. -
Keselamatan & pemantauan video
Computer vision untuk pengesanan PPE, zon bahaya, tumpahan, dan kebakaran – sering di edge, tetapi kadang-kadang dipusatkan di data center serantau.
Setiap satunya sama ada menambah beban pada pusat data korporat, atau mencipta hotspot IT baharu di edge seperti platform luar pesisir, stesen pemampat, dan loji jana kuasa.
Kenapa isu termal lebih kritikal di oil & gas
Berbeza dengan pusat data di bandar, oil & gas bekerja dalam persekitaran:
- Bersuhu tinggi & lembap (contoh: tapak onshore di pantai Timur, Sarawak, Sabah)
- Terhad ruang & berat (platform luar pesisir tidak boleh menambah rak server sesuka hati)
- Peraturan keselamatan ketat – peralatan IT perlu patuh standard ATEX/IECEx di zon berbahaya
Bila anda tambah beban AI tanpa strategi tenaga dan penyejukan yang jelas, anda bukan sahaja menghadapi bil elektrik yang naik, tapi juga risiko reliabiliti: sistem trip, server throttling, downtime aplikasi kritikal.
3. Strategi pengoptimuman tenaga AI untuk Petronas & utiliti
Cara paling bijak untuk menangani masalah tenaga dan haba AI ialah gabung strategi di peringkat model, infrastruktur, dan operasi. Bukan hanya beli penyejuk lebih besar.
3.1. Mulakan dengan “energy-aware AI design”
Banyak organisasi lompat terus kepada GPU dan server, tanpa tanya satu soalan mudah: berapa banyak tenaga yang sebenarnya diperlukan untuk nilai perniagaan yang kita mahukan?
Beberapa amalan yang lebih mampan:
-
Pilih saiz model yang cukup, bukan maksimum
Untuk banyak kes penggunaan industri (anomali sensor, forecasting beban, klasifikasi imej mudah), model sederhana memberikan 95% ketepatan dengan mungkin hanya 30–40% kos tenaga berbanding model gergasi. -
Latih di pusat data yang cekap, jalankan inferens dekat dengan aset
Latihan model intensif dilakukan di pusat data yang mempunyai penyejukan dan bekalan kuasa cekap. Model terlatih kemudian dimampatkan dan diletak di edge untuk inferens tenaga rendah. -
Pantau metrik ‘energy per insight’
Bukan sekadar accuracy atau F1-score. KPI seperti kWh per model training dan kWh per 1,000 inferens membantu pasukan data sains membuat keputusan reka bentuk yang lebih sihat.
3.2. Reka bentuk pusat data & edge yang mesra AI
Untuk organisasi seperti Petronas yang mempunyai campuran pusat data on-premise, cloud, dan edge, beberapa prinsip praktikal:
-
Segmentasi beban AI mengikut profil termal
- Beban sangat berat (latihan model besar): letakkan di pusat data yang disahkan boleh menyokong 30–80 kW per rak dengan penyejukan cecair atau sistem udara premium.
- Beban sederhana (inferens masa nyata, dashboard): di rak kecekapan tinggi berhampiran operasi atau di awan.
-
Peningkatan penyejukan berperingkat
- Fasa 1: optimumkan aliran udara, containment hot/cold aisle, dan setpoint suhu untuk kurangkan PUE tanpa CAPEX besar.
- Fasa 2: tambah penyejukan cecair direct-to-chip untuk kluster GPU.
- Fasa 3: pertimbangkan pod berasingan atau mikro-pusat data untuk AI densiti tinggi.
-
Integrasi dengan sistem tenaga tapak
Loji jana kuasa dan kompleks pemprosesan gas boleh memanfaatkan haba buangan dari pusat data untuk pemanasan proses tertentu atau pengeringan – menjadikan beban AI sebahagian daripada ekosistem tenaga, bukan parasit.
3.3. AI untuk mengurus tenaga AI
Ada ironi menarik di sini: AI juga alat terbaik untuk mengawal penggunaan tenaga AI sendiri.
Contohnya:
- Model pengoptimuman yang menentukan masa terbaik untuk menjalankan kerja latihan berat (contoh: ketika beban grid rendah atau ketika penjana sendiri ada lebihan kapasiti).
- Kawalan termal pintar yang melaras aliran penyejuk, kelajuan kipas, dan suhu setpoint berdasarkan ramalan beban AI jam berikutnya.
- Pengurusan beban silang tapak (multi-site load balancing) – menghantar kerja AI ke pusat data dengan kos tenaga atau jejak karbon lebih rendah.
Organisasi tenaga yang matang akan menggabungkan ini dengan sasaran Net Zero dan pelaporan ESG – stesen kerja AI yang cekap menjadi naratif positif dalam laporan kelestarian tahunan.
4. Pengajaran terus untuk operasi di Malaysia
Malaysia berada di persimpangan unik: kita pengeluar tenaga, pengguna tenaga, dan kini peneraju serantau dalam AI industri.
Faktor konteks Malaysia yang tak boleh diabaikan
-
Iklim tropika
Suhu ambien tinggi bermaksud penyejukan memerlukan lebih banyak tenaga berbanding negara beriklim sederhana. Setiap 1°C penurunan setpoint bilik server ada kos yang ketara. -
Gabungan sumber tenaga yang sedang berkembang
Grid Malaysia sedang menambah kapasiti solar, hidro dan mungkin lebih banyak gas cekap. Beban AI yang dirancang dengan baik boleh diselaraskan dengan jadual penjanaan ini. -
Standard dan sasaran hijau Petronas & utiliti utama
Pelaburan besar dalam pengoptimuman tenaga, digital twin, dan automasi perlu dianggap bersama-sama sebagai satu ekosistem, bukan projek berasingan.
Apa langkah praktikal 12–24 bulan akan datang?
Saya melihat beberapa tindakan yang realistik dan bernilai tinggi:
-
Audit tenaga & termal untuk semua beban AI sedia ada
Kenal pasti di mana GPU digunakan, berapa kerap, berapa panas rak, dan berapa besar bahagian bil elektrik yang sebenarnya datang dari AI. -
Rangka kerja governance AI yang termasuk ‘energy budget’
Setiap projek AI baru bukan sahaja dinilai dari segi ROI kewangan, tetapi juga bajet tenaga dan keupayaan penyejukan. -
Pelan hala tuju penyejukan pusat data 5–10 tahun
Berdasarkan unjuran ledakan AI dalaman: bila perlu migrasi ke penyejukan cecair, bila wajar gunakan cloud, bila patut tambah edge pod khusus. -
Program bersama OT + IT + Energy Management
Pasukan operasi (OT), IT, dan pengurusan tenaga perlu satu meja yang sama. Kalau tidak, anda akan berakhir dengan AI yang hebat di atas kertas tetapi menjadi liabiliti kepada sistem tenaga tapak.
5. Menjadikan AI sebagai aset tenaga, bukan beban
Hakikatnya, ledakan AI tidak akan perlahan. Model semakin besar, kes penggunaan semakin banyak, dan tekanan untuk digitalisasi operasi minyak, gas dan tenaga semakin kuat.
Organisasi seperti Petronas dan utiliti utama Malaysia ada pilihan:
- Melayan AI sebagai “lapisan software tambahan” dan kemudian terkejut bila pusat data dan grid dalaman mula tertekan; atau
- Mengambil pendekatan strategik: reka AI bersama dengan seni bina tenaga dan penyejukan.
Bila AI disepadukan dengan bijak:
- Pusat data menjadi nod tenaga yang cekap, bukan kilang haba.
- Loji, platform, dan grid mendapat wawasan masa nyata tanpa menambah risiko termal.
- Sasaran kelestarian dan Net Zero mendapat sokongan data yang kukuh, bukan sekadar retorik.
Jika organisasi anda sedang merancang kluster AI baru, memodenkan pusat data, atau memperluas penggunaan AI dalam operasi, ini masa paling sesuai untuk bertanya:
Bagaimana kita boleh reka AI yang mengoptimumkan bukan sahaja proses operasi, tetapi juga cara kita menggunakan setiap kWh tenaga?
Jawapan kepada soalan itu akan membezakan antara syarikat tenaga yang sekadar pengguna AI, dan syarikat yang benar‑benar menjadikan AI sebagai teras strategi tenaga masa depan.