استارتاپ لندنی اپلاید کامپیوتینگ (Applied Computing) با بستن یک دور سرمایه‌گذاری سری A به ارزش ۲۰ میلیون دلار، پیش از این‌ bahwa تنها یک ابزار تحلیل داده باشد، تبدیل به «مغز دیجیتال» تمام کارخانه‌های نفت، گاز و پتروشیمی می‌شود. این سرمایه‌گذاری که تحت رهبری غول مهندسی KBR و با مشارکت دیتابرکس ونچرز (Databricks Ventures) انجام شده، نشان‌دهنده تغییر پارادایم در نحوه مدیریت دوده‌های صنعتی است.

چالش ۹۲ درصدی: داده‌هایی که هیچ‌گاه دیده نمی‌شوند

یک پالایشگاه یا واحد پتروشیمی مدرن می‌تواند مجهز به هزاران سنسور باشد که لحظه‌به‌لحظه دما، فشار، سرعت جریان و ویسکوزیته را ثبت می‌کنند. با این حال، کالوم آدامسون (Callum Adamson)، هم‌بنیان‌گذار و مدیرعامل اپلاید کامپیوتینگ، یک آمار شگفت‌انگیز را به تک‌کرانچ (TechCrunch) اعلام کرد: تأسیسات صنعتی تنها از کمتر از ۸٪ داده‌های در دسترسشان برای تصمیم‌گیری استفاده می‌کنند.

مشکل عدم دسترسی به داده نیست؛ داده‌ها آنجا هستند. چالش اصلی «پراکندگی» است. قرائت‌های سنسور (داده‌های سری زمانی)، مستندات مهندسی (نمودارهای P&ID، دیتاشیت‌ها) و قوانین فیزیک/شیمی (ترمودینامیک، سینتیک واکنش) در قفسه‌های جدا از هم گیر کرده‌اند. اپراتورها برای ترکیب این سه منبع در زمان واقعی و استخراج بینش عملی، زمان و ابزار ندارند.

اوربیتال (Orbital): نه فقط یک LLM، بلکه یک «مدل پایه فیزیک‌محور»

برخلاف مدل‌های زبانی بزرگ (LLM) که(next token) را پیش‌بینی می‌کنند، اوربیتال (Orbital) معماری ترکیبی و منحصر به فردی دارد:

  • مデル سری زمانی: برای درک روندها و نوسانات سنسورها.
  • مデル فیزیک‌محور (Physics-informed): برای الزام پیش‌بینی‌ها به قوانین ترمودینامیک و مکانیک سیالات.
  • مデル زبانی: برای فهم مستندات فنی، گزارش‌های شیفت و دانش ضمنی مهندسین.

این ترکیب به اوربیتال اجازه می‌دهد تا «حالت کارخانه» را مدل‌سازی کند، محدودیت‌های تجهیزات (مانند ظرفیت پمپ یا دماي حد مجاز راکتور) را شناسایی کند و حتی فعالیت اپراتورها را در حلقه تصمیم‌گیری قرار دهد.

معماری مدل اوربیتال: ترکیب سری زمانی، فیزیک و زبان
معماری چندگانه اوربیتال: هم‌زمان پردازش داده‌های سنسوری، قوانین فیزیک و دانش متنی

از هفته‌ها به ثانیه: قدرت شبیه‌سازی «چه اتفاقی می‌افتد اگر...»

بسیار مهم‌ترین کاربرد اوربیتال، شبیه‌سازی تأثیر تغییرات (What-if Analysis) در زمان واقعی است. وقتی یک ناهنجاری (مثل افزایش غیرمنتظره فشار در یک تاور تقطیر) شناسایی می‌شود، اوربیتال می‌تواند:

  1. ریشه‌یابی علّت را در ثانیه‌ها انجام دهد (نه روزها).
  2. پیش‌بینی کند که اقدام اصلاحی پیشنهادی (مثل باز کردن وتیر بی‌پاس) چه تأثیری روی بقیه واحدها (راکتورها، مبادله‌کنندگان حرارت، واحدهای 아래로 جریانی) خواهد داشت.
  3. سناریوهای بهینه را برای حفظ تولید و کاهش مصرف انرژی پیشنهاد دهد.

آدامسون ادعا می‌کند این قابلیت، تحقیقاتی که پیشاً «روزها یا هفته‌ها» طول می‌کشید را به «ثانیه‌ها» فشرده کرده است.

شواهد تراکشن: از استیلت به درآمد میلیونی در ۱۸ ماه

وعده سرعت، سرمایه‌گذاران و مشتریان را متقاعد کرده است. اپلاید کامپیوتینگ در کمتر از ۱۸ ماه از حالت استیلت (Stealth) خارج شده و به درآمد سالانه مکرر (ARR) دو رقمی میلیونی دلاری رسیده است. مدل اوربیتال در حال حاضر در شرکت‌های «بزرگ و سهامی عام» در سه بخش اصلی مستقر است:

  • بالادستی (Upstream): اکتشاف و تولید نفت/گاز
  • پایین‌دستی پالایش (Downstream Refining):
  • پتروشیمی (Petrochemicals):

اکوسیستم شراکت: از KBR تا اپراتورهایSUPER MAJOR

قدرت اپلاید کامپیوتینگ تنها در کدها نیست، در «دسترسی به داده‌های عملیاتی واقعی» است. شراکت‌های استراتژیک شامل:

  • KBR: ادغام اوربیتال در پلتفرم دیجیتال INSITE 3.0 و استفاده در پروژه‌های تولید آمونیاک.
  • Wipro: غول خدمات فناوری هندی به عنوان شریک triển khai.
  • اپراتور بزرگ بالادستی ایالات متحده: در حال همکاری فعال (نام فاش نشده).
  • شرکت بزرگ نفتی اروپایی (Supermajor): اعلام مشارکت در هفته‌های آینده.

این شراکت‌ها کلید ورود به داده‌های پنهان کارخانه‌ها هستند؛ داده‌هایی که «به طور عمومی در دسترس نیستند» و داده‌های شبیه‌سازی شده نمی‌توانند جایگزین کامل آن‌ها باشند.

منظره رقیبان: خندق دفاعی کجاست؟

بازار نرم‌افزار صنعتی پر از غول‌های estable است:

  • AspenTech: شبیه‌سازی و مدل‌سازی فرآیند (Chemistry/Process focus).
  • AVEVA (اکنون بخش شنايدر): شبیه‌سازی فیزیک‌محور و بهینه‌سازی.
  • Cognite و Seeq: تمرکز بر لایه داده (DataOps) و تحلیل سری زمانی.

آدامسون استدلال می‌کند خندق اپلاید کامپیوتینگ «دسترسی به داده» یا «دانش فرآیند» نیست، بلکه تجمیع محققان سطح یک هوش مصنوعی (Tier-1 AI Researchers) برای حل یک مسئله سخت AI است: "این یک مسئله AI است، نه مسئله داده یا انرژی. اگر شما محقق AI سطح یک هستید، کجا می‌خواهید کار کنید؟ فکر نمی‌کنم شل (Shell) در آن لیست باشد."

دیدگاه بزرگراه: هوش مصنوعی عامِل (Agentic AI) برای انرژی

با ورود سرمایه تازه، اپلاید کامپیوتینگ قصد دارد تیم AI را گسترش دهد و اوربیتال را از یک ابزار «پیش‌بینی و تشخیص» به یک عامل خودمختار (AI Agent) ارتقا دهد که می‌تواند به طور پیشگیرانه کارخانه را بهینه نگه دارد. در صفحهٔ اولویت: کاهش اکانت‌های کربن، افزایش بازده انرژی و پیشگیری از توقف‌های ناگهانی (Unplanned Downtime) که سالانه میلیاردها دلار ضرر به صنعت می‌زنند.

نکات کلیدی در یک نگاه

  • شرکت: Applied Computing (لندن، تاسیس ۲۰۲۳)
  • محصول: Orbital (مدل پایه ترکیبی: Time-series + Physics + Language)
  • سرمایه‌گذاری: ۲۰ میلیون دلار سری A (رهبری KBR، مشارکت Databricks Ventures)
  • هدف: یکپارچه‌سازی داده‌های سنسور، مهندسی و فیزیک برای تصمیم‌گیری واقعی‌زمان در نفت، گاز، پالایش، پتروشیمی
  • مشتریان: شرکت‌های سهامی عام بالادستی، پالایش، پتروشیمی (ARR دو رقمی میلیونی)
  • شرکای استراتژیک: KBR (INSITE 3.0)، Wipro، اپراتورهای Supermajor