Искусственный интеллект как катализатор инноваций в энергетике

Искусственный интеллект утверждается как технология общего назначения, способная радикально изменить мировую энергетическую систему, подобно паровому двигателю или электричеству. Его ключевая роль видится в ускорении инновационного цикла для достижения целей энергобезопасности и декарбонизации, что требует четкого понимания приложений и устранения системных барьеров.

Потенциал ИИ для изменения скорости энергетических инноваций

Фундаментальный вопрос для аналитиков — приведет ли применение ИИ к отклонению темпов технологического прогресса от текущих прогнозов, основанных на концепции «скорости обучения». Исторически закон Мура служил аналогичным ориентиром в полупроводниковой отрасли, но его точность снизилась после 2010 года. В энергетике недавняя инфляция цен на технологии, вызванная дисбалансом спроса и предложения на критические материалы, напоминает, что производственные и торговые факторы также могут сдерживать инновации. Часть экспертов рассматривает ИИ как инструмент для поддержания текущих прогнозов, в то время как другие видят в нем disruptive-силу, способную сделать современные оценки чрезмерно консервативными.

Многообещающие примеры открытий ИИ в материаловедении

Методы искусственного интеллекта демонстрируют высокую эффективность в решении задач оптимизации на основе больших структурированных наборов данных. В июле 2024 года совместное исследование правительственной лаборатории США и Microsoft с использованием ИИ оценило 32.5 миллиона потенциальных твердотельных электролитов для литиевых батарей, выявив 23 новых кандидата с требуемыми характеристиками. Шведские ученые проанализировали 45 миллионов возможных катодных молекул, отобрав около 4600 перспективных вариантов. Эти технологии привлекают значительные инвестиции: стартап Mitra Chem привлек 80 млн долларов США, обещая сократить сроки вывода продукта из лаборатории на производство более чем на 90%.

Прорывы не ограничиваются аккумуляторами. Инструменты ИИ применяются для разработки ферментов для синтеза биотоплива, прогнозирования сырья, поиска катализаторов для электролизеров и создания материалов для улавливания CO2. Интеграция ИИ в исследовательский процесс уже демонстрирует измеримый эффект: одно исследование показало увеличение числа патентов компании на 39% менее чем за два года благодаря использованию AI-инструментов.

Критические барьеры: данные, сложность задач и вычислительные затраты

Полная реализация инновационного потенциала ИИ сдерживается рядом серьезных вызовов. Ключевая проблема — доступность качественных данных. Существующие наборы данных, такие как Materials Project и Cambridge Structural Database, остаются неполными и представляют лишь ограниченное подмножество возможных материалов и реакций. Хотя создание синтетических данных может частично восполнить пробелы, наиболее надежный путь — международное сотрудничество лабораторий и развитие общих протоколов, как в инициативе Mission Innovation M4E.

Другая задача — переход от оптимизации узкого набора характеристик к учету комплексных требований для интеграции материала в конечный продукт. Требуются значительные человеческие проверки для оценки производительности в различных условиях и взаимодействия с другими компонентами. Разработка рецептуры производства материалов, предложенных ИИ, также требует масштабной последующей работы. Решение этих сложных задач возможно, но ведет к высоким вычислительным требованиям и затратам.

## От открытия к коммерциализации: сжатие инновационного цикла
Идентификация нового материала — лишь начало инновационного процесса. Его коммерциализация, массовое производство и выход на рынок могут занимать десятилетия. Однако сопутствующие ИИ-технологии способны сжать эти сроки. В A-Lab Национальной лаборатории Лоуренса Беркли (США) роботизированные системы, работающие с февраля 2024 года, могут синтезировать предсказанные компьютером химические вещества для хранения энергии, обрабатывая в 100 раз больше проб в день, чем человеческая команда.

Для сложных систем цифровые двойники (digital twins) — виртуальные представления физических объектов или процессов — снижают риски и затраты на проектирование и масштабирование. Основанные на ИИ, они уже применяются в таких областях, как ядерный синтез, и могут стать драйвером для инноваций в промышленной декарбонизации, геотермальной энергетике и технологиях улавливания CO2. Тем не менее, широкой доступности этих инструментов для новаторов на этапе масштабирования пока нет, а также ощущается нехватка кадровых компетенций.

Политический контекст и необходимые меры

Для реализации полного потенциала ИИ в энергетических инновациях требуется целенаправленная политическая поддержка. Правительствам необходимо инвестировать в создание и поддержку доступных, совместимых баз данных, следующих общим протоколам, и поощрять международное сотрудничество лабораторий. Параллельно требуются инвестиции в развитие навыков и специализированное оборудование.

Для поддержки коммерциализации политики должны обеспечить широкую доступность новых цифровых инструментов для новаторов и помочь инвесторам адаптироваться к изменяющейся структуре проектных рисков. Одновременно на многосторонних форумах необходимо обсуждать вычислительные и энергетические потребности ИИ, а также сопутствующие риски, включая вопросы интеллектуальной собственности. Успешная реализация этого подхода не только ускорит инновации, но и усилит экономическую конкурентоспособность, распределяя выгоды между странами, компаниями и инвесторами.

Искусственный интеллект представляет собой мощный инструмент для преодоления текущих ограничений в темпах энергетических инноваций. Его способность ускорять открытие материалов и оптимизировать процессы тестирования и масштабирования открывает путь к более быстрому достижению целей декарбонизации. Однако долгосрочный успех зависит от скоординированных действий по устранению барьеров, связанных с данными, навыками и регулированием, что требует конструктивного диалога между государством, наукой и бизнесом.