Виталий Бусько: «Искусственный интеллект не замена, а помощник человека. Только очень продвинутый помощник»

Металлургия консервативно смотрит на технологии, но в отличие от многих других секторов экономики, где искусственный интеллект (ИИ) внедряется зачастую лишь на бумаге или на уровне кадрового документооборота, здесь он уже дает ощутимую практическую пользу. Промышленность не стремится к полной замене человека роботами, предпочитая развивать концепцию «умного помощника» и строить специализированные ИИ-модели, которые требуют одной видеокарты вместо огромных вычислительных кластеров. О том, как ИИ трансформирует заводы и помогает искать новые возможности применения палладия, в интервью «Ведомости&» рассказал вице-президент по инновациям «Норникеля» Виталий Бусько.

– Последние несколько лет нашей приоритетной задачей остается работа над эффектом для EBITDA, причем с результатом «здесь и сейчас». Главным источником этого эффекта стал ИИ в производстве. До недавнего времени мы в основном внедряли различные системы автоматического управления технологическим процессом на базе ИИ. Это те решения, которые приносят отдачу уже на следующий год, в крайнем случае – через год.

Мы начинали именно с них, но постепенно такие «низко висящие фрукты» заканчиваются. Решения становятся более сложными, технологичными и инженерными, а сроки их реализации удлиняются. Но за счет того что у нас достаточно большой портфель, экономический эффект достигается ежегодно.

Если говорить о структуре этого портфеля, то около 70% составляют краткосрочные проекты, 20% – среднесрочные и 10% – долгосрочные, стратегические. Мы сейчас находимся в нашей палладиевой лаборатории – это как раз пример долгосрочного проекта, нацеленного на создание нового спроса и новых рынков.

– Например, это процесс измельчения руды и последующая флотация. На каждом переделе – от измельчения до сгущения – процессом управляет ИИ. Он анализирует состав руды и в реальном времени подстраивает параметры: дозировку реагентов, подачу воды, скорость подачи руды. Это позволяет избегать перегрузок оборудования, требующих остановки производства.

ИИ реагирует на изменения каждые 15 секунд, обрабатывая миллиарды точек данных за смену. Человек не способен воспринимать информацию с такой скоростью, но он всегда может перехватить управление, если видит отклонение процесса.

Сейчас мы переходим на следующий этап – реализацию сквозных процессов. В нашем Забайкальском дивизионе над моделями отдельных переделов развернута управляющая надсистема. Если она видит риск перегруза на этапе флотации, то автоматически замедляет измельчение на предыдущем участке и, наоборот, максимизирует загрузку при наличии свободных мощностей. Это следующий уровень развития ИИ для отрасли – когда ИИ управляет другими моделями ИИ в реальном производственном процессе.

Около 70–80% наших основных агрегатов в обогащении и металлургии уже работают под управлением ИИ. Наша дальнейшая цель – обеспечить сквозную оптимизацию всей цепочки: от рудника до рафинировки.

Современные проекты становятся все более сложными. Например, на этапе флотации критически важно, чтобы воздух распределялся во флотомашине равномерно. С помощью компьютерного моделирования мы проанализировали тысячи вариантов конструкций аэроузлов, используя методы гидродинамического моделирования. Выбрав оптимальную конфигурацию, мы изготовили узел методом 3D-печати. Сейчас он успешно работает на нашей Кольской площадке, обеспечивая высокие показатели извлечения.

– У нас уже 50–55 таких решений, ежегодно последние несколько лет мы получаем порядка $100 млн новых эффектов за счет внедрения инноваций. Инициативы 2023 г. продолжают приносить доход, к ним добавляются реализованные проекты 2024 г., и этот эффект накапливается. Мы не прогнозируем снижения темпов в ближайшие пару лет. Напротив, мы видим колоссальный потенциал в привнесении инноваций в основной технологии. На ближайшие три года, я думаю, мы сохраним текущую динамику. А дальше будем искать новые точки роста.

– Для контекста: на «Норникель» приходится 40% мирового производства палладия. Исторически его ключевое применение – это автокатализаторы для двигателей внутреннего сгорания (ДВС), на которые приходится более 80% потребления. Однако с ростом рынка электромобилей спрос на ДВС снижается, что создает риск возникновения профицита палладия. Наша задача – нивелировать этот профицит через поиск новых сфер применения металла.

Одно из перспективных направлений – производство стекловолокна. В этой отрасли традиционно используется платина, но мы разработали технологию, позволяющую частично заместить ее палладием.

Это не просто теоретические изыскания: в прошлом году у нас появились первые крупные клиенты из этой индустрии, которые ранее никогда не закупали палладий. Это зарубежные – а именно азиатские – производители. Мы активно продвигаем нашу новую технологию и проводим тесты. Даже если вынести за скобки санкционный фактор, азиатские компании внедряют новые решения значительно быстрее других игроков на рынке.

Если объяснять суть процесса, то при производстве стекловолокна используются специальные решетки из сплавов платины и палладия (необходимую температуру могут выдержать только металлы платиновой группы). Через их отверстия пропускается горячая масса, формирующая тонкие нити, которые затем наматываются на катушки. В дальнейшем это волокно используется, например, для армирования пластиков.

– Да, это одно из наиболее перспективных для нас направлений. Для сравнения: мировая индустрия электроники ежегодно потребляет около 250 т золота, в то время как годовой объем производства палладия «Норникелем» составляет порядка 85 т.

Мы рассчитываем, что технологии ИИ и методы генерации новых материалов позволят нам частично заместить золото палладием в электронных компонентах. Для этого есть веские экономические и физические основания. Во-первых, палладий почти в 2 раза легче золота, поэтому чисто по массе его требуется вдвое меньше при сохранении объема. Во-вторых, палладий сейчас примерно в 3 раза дешевле золота. В совокупности это дает шестикратную экономию на себестоимости материалов.

Сейчас мы ведем компьютерное моделирование того, как палладий ведет себя в различных комбинациях и слоях, в том числе с добавлением наноматериалов для повышения проводимости. Наша цель – найти технологическую возможность полноценной замены золота палладием в электронной промышленности.

– Использование генеративного ИИ уже сегодня позволяет нам быстрее и эффективнее анализировать базы патентов и научных статей. На этапе генерации идей это дает ускорение порядка 30–40%.

Если говорить о самой разработке материалов, то исторически этот процесс строился на методе проб и ошибок: ученые проектировали материал, проводили синтез, оценивали результат и в случае неудачи начинали заново. По сути, поиск новых сфер применения зачастую носил случайный характер.

С внедрением ИИ и так называемых сухих лабораторий мы получили возможность предварительно анализировать миллионы различных комбинаций. Это позволяет еще на цифровом этапе отсекать нежизнеспособные варианты и выбирать узкий перечень наиболее перспективных соединений для последующего синтеза и проверки свойств в реальных условиях. Такой подход радикально ускоряет цикл разработки и получения конечного результата.

– Да. Алгоритм может предложить формулу, которая окажется нежизнеспособной в реальных условиях. ИИ способен спроектировать материал, который попросту невозможно синтезировать – например, он может быть получен только при экстремальных температурах и давлении, как в атмосфере Юпитера. Именно поэтому критически важна лабораторная и экспериментальная база. Она позволяет тестировать гипотезы, отсекать невозможные варианты, накапливать данные и дообучать модели. В конечном итоге, по крайней мере на текущем этапе развития технологий, ИИ – это эффективный помощник исследователя, а не его замена.

– Мы уже используем ИИ-агентов на нескольких уровнях – от персональных ассистентов до более сложных мультиагентных систем. На базовом уровне это корпоративные помощники на базе доменных моделей, встроенные в повседневную работу: они помогают с документами, поиском знаний и подготовкой материалов. Следующий шаг, который у нас активно внедряется, – процессные агенты, которые не просто отвечают на запросы, а участвуют в выполнении бизнес-задач в таких областях, как проектирование, управление запасами и финансовые процессы. Наиболее продвинутый уровень – мультиагентные системы, где несколько специализированных решений работают совместно в рамках одного процесса и обеспечивают его сквозную автоматизацию.

– Работу с генеративным ИИ мы начали несколько лет назад, еще до того, как эта тема стала повсеместным трендом. В какой-то момент мы столкнулись с тем, что универсальные модели плохо адаптированы к металлургической специфике. Учитывая колоссальный объем накопленных внутри компании данных, мы приняли решение разработать собственное семейство моделей под общим названием METALgpt*.

Чтобы каждый сотрудник мог работать с METALgpt, мы создали личного ИИ-ассистента (ЛИИС) – платформу, которая позволяет не только общаться с моделью, но и решать задачи личной эффективности. Например, можно сделать реестр изменений по нескольким версиям договоров, сравнить ТКП от поставщиков, транскрибировать совещание и сделать на базе него протокол встречи. ЛИИС уже пользуется 1000 пользователей.

Также мы используем нашу модель для профильных агентов, в частности для семейства агентов в проектировании. Мы верим в эффективность узкоспециализированных решений. Например, мы обучаем отдельную модель на 8 млрд параметров, заточенную исключительно под ремонтную тематику. Ей не нужны глубокие познания в химии, но она досконально разбирается в ремонтах: может планировать графики, распределять ресурсы, анализировать техкарты и рассчитывать необходимые объемы обслуживания. Это позволяет не просто предсказывать поломки, но и полностью оцифровать процесс управления ресурсами.

На наш взгляд, эффект приносят не сами модели, а ИИ-агенты на их базе. Можно пытаться использовать массивные облачные модели вроде Claude*, но это несет риски безопасности данных. Можно разворачивать тяжелые решения типа DeepSeek* или Qwen* на 235 млрд параметров, но они требуют колоссальной инфраструктуры. В большинстве индустриальных задач это избыточно: если нам нужно решить вопрос по ремонту, дообученная 8-миллиардная модель справится не хуже гигантов, требуя при этом одну видеокарту вместо целого вычислительного кластера.

– Практическое внедрение генеративного ИИ. Я верю, что это фундаментальная технология, но она требует большой перестройки организационной модели. Это как, наверное, когда-то интернет или электронная почта поменяли общение. Вот так же генеративный ИИ поменяет мир. &

* 18+