Цифровые технологии как фактор экономики цепочек критических материалов

Создание в России устойчивой отрасли редких и редкоземельных металлов не может ограничиваться освоением месторождений или выпуском концентратов. Экономика таких проектов формируется на уровне полных производственно-технологических цепочек: от добычи и переработки сырья до разработки материалов, производства компонентов и выпуска готовых изделий для высокотехнологичных отраслей.

Чем больше звеньев входит в такую цепочку, тем сложнее управлять ее себестоимостью, качеством продукции, сроками реализации проектов и технологическими рисками. Цифровые технологии становятся одним из практических инструментов решения этой задачи. 

Эта тема обсуждалась на панельной сессии «Редкоземы — искры будущего для промышленности», которая прошла в рамках деловой программы Международной промышленной выставки ИННОПРОМ-2026. Cloud X принял участие в сессии как технологический партнер Ангаро-Енисейского кластера глубокой переработки цветных, редких и редкоземельных металлов в части цифровой и вычислительной инфраструктуры, промышленных ИИ-сервисов и доверенной среды для работы с данными.

Модератором сессии выступил заместитель министра промышленности и торговли РФ Михаил Юрин. В обсуждении приняли участие генеральный директор Фонда «Долина Менделеева» Ксения Шойгу, генеральный директор ООО «Росатом МеталлТех» Андрей Андрианов, вице-президент РУСАЛа Елена Безденежных, генеральный директор Соликамского магниевого завода Руслан Димухамедов, генеральный директор ГК «Русредмет» Андрей Нечаев.   

От сырья к экономике высоких переделов

Одной из центральных тем сессии стало развитие Ангаро-Енисейского кластера глубокой переработки цветных, редких и редкоземельных металлов.

Проект предполагает согласованное развитие добычи, переработки, химических и металлургических переделов, энергетики, инфраструктуры, научно-технологической базы и цифрового контура.

Проект уже выходит в практическую стадию. В контуре кластера сформирован портфель из 32 инвестиционных проектов с участием 14 индустриальных партнеров. Инвестиции в производственное ядро и технологическую базу оцениваются в 700 млрд руб., а совокупный CAPEX с учетом обеспечивающей инфраструктуры — примерно в 1,45 трлн руб.

Среди направлений ближайшего этапа — литиевая продукция, химическое производство, оптическое волокно, специальные материалы и промышленные компоненты, а также цифровая и вычислительная инфраструктура.

Масштаб проекта показывает, почему отрасль невозможно развивать как набор отдельных сырьевых или производственных инициатив. Экономика добычи зависит от перерабатывающих мощностей, выпуск материалов — от спроса на компоненты, а устойчивость всей цепочки — от наличия конечной продукции с высокой добавленной стоимостью.

Именно высокие переделы формируют долгосрочный спрос, повышают маржинальность проектов и позволяют связать добычу и переработку с реальными потребностями промышленности.

Участники дискуссии сошлись в том, что отрасли нужны не отдельные сырьевые проекты, а экономически устойчивые производственные цепочки. Для этого необходимо одновременно развивать высокие переделы, снижать себестоимость, учитывать доступность энергетики и логистики, точнее настраивать меры поддержки и ориентироваться на спрос как на внутреннем, так и на внешних рынках.

Как цифровые технологии влияют на экономику цепочки

Цифровые технологии при создании цепочек критических материалов важно рассматривать не только как средство автоматизации отдельных предприятий.

Их практическая задача — улучшать экономические показатели как отдельных производств, так и всей цепочки: снижать операционные затраты, повышать прогнозируемость процессов, ускорять НИОКР и сокращать риски вывода новой продукции в промышленное производство.

На уровне добычи, переработки и производства цифровые решения позволяют раньше выявлять отклонения, точнее планировать обслуживание и эффективнее управлять режимами работы оборудования.

Цифровые двойники, граничные вычисления, искусственный интеллект и интеллектуальное управление производственными системами помогают прогнозировать отказы, снижать простои, оптимизировать энергопотребление, контролировать качество продукции и сокращать операционные расходы.

При этом эффективность всей цепочки не равна сумме локальных улучшений на отдельных предприятиях.

Если каждое звено оптимизирует только собственные показатели, это еще не гарантирует экономической устойчивости проекта в целом. Рост добычи может привести к избытку сырья, если перерабатывающие мощности не готовы его принять. Расширение производства материалов не даст необходимого результата без стабильного спроса на компоненты и конечную продукцию.

Общий цифровой контур позволяет сопоставлять производственные планы, загрузку мощностей, потребление энергии, логистические ограничения и прогноз спроса. Это помогает принимать решения с учетом состояния всей цепочки, а не только отдельных производственных площадок.

Цифровые технологии — это практический инструмент улучшения экономических показателей производственной цепочки. Они помогают связать добычу, переработку, разработку материалов и производство в единую систему, в которой решения принимаются на основе данных.

От вычислений к новым материалам

Наиболее значимый стратегический эффект цифровые технологии могут дать на уровне высоких переделов — при разработке материалов с заданными свойствами.

Для постоянных магнитов, накопителей энергии, полупроводников, сверхпроводников, ниобиевых материалов и жаропрочных сплавов центральной задачей становится уже не только выпуск сырья или полуфабриката, но и проектирование самого материала.

В этой модели вычисления и работа с данными становятся частью технологического процесса наряду с лабораторными установками, испытательными стендами и опытными производствами.

Сначала задаются целевые свойства материала и формируются физико-химические гипотезы. Затем с помощью цифрового моделирования и высокопроизводительных вычислений рассчитываются возможные составы, структуры и технологические режимы.

Искусственный интеллект помогает отобрать наиболее перспективные варианты. В результате лаборатория проверяет не тысячи решений методом полного перебора, а ограниченный набор гипотез с наиболее высокой вероятностью успеха.

Цифровое моделирование не отменяет физических испытаний, но позволяет проводить их более адресно. Такой подход помогает сокращать количество дорогостоящих экспериментов, снижать стоимость НИОКР, ускорять разработку новых материалов и уменьшать риски масштабирования технологии до промышленного производства.

Почему отдельного ИИ-решения недостаточно

Внедрение отдельной ИИ-модели еще не создает устойчивого экономического эффекта.

Для промышленного применения необходимы качественные данные, вычислительные мощности, интеграция с производственными системами и архитектура, которая позволяет безопасно использовать модели в реальных технологических процессах.

Данные могут поступать с оборудования, датчиков, информационных систем, лабораторных стендов и опытных производств. Чтобы использовать их для аналитики и моделирования, необходимо обеспечить совместимость форматов, контролировать качество данных и выстроить единые правила доступа.

Не менее важно обеспечить полный жизненный цикл ИИ-моделей: обучение, тестирование, развертывание, мониторинг качества и регулярное обновление.

Поэтому цифровой эффект возникает не за счет одной технологии, а за счет связки данных, вычислений, моделей и промышленной инфраструктуры.

Доверенная инфраструктура для данных, моделей и вычислений

Для проектов такого масштаба необходима доверенная технологическая среда, в которой участники производственной цепочки смогут безопасно работать с промышленными данными, цифровыми двойниками, ИИ-моделями и вычислительными сервисами.

При этом оператор цифровой инфраструктуры не должен становиться владельцем данных предприятий.

Информация о производственных процессах, рецептурах, технологических режимах и результатах испытаний является коммерческой тайной и технологической ценностью самих участников. Задача инфраструктурного партнера — обеспечить разграничение доступа, изоляцию данных, технологическую независимость и возможность использовать общие цифровые сервисы без раскрытия чувствительной информации другим участникам.

Для такой среды наиболее логична гибридная архитектура.

Локальный контур закрывает задачи, для которых критичны низкие задержки, автономная работа, надежность и соблюдение требований законодательства, включая требования к критической информационной инфраструктуре.

Облачный контур дополняет его там, где требуются высокопроизводительные вычисления, обучение моделей, ресурсоемкая аналитика, цифровые двойники производственных цепочек и разработка новых материалов.

В промышленной архитектуре локальная и облачная инфраструктура не заменяют друг друга. Они решают разные задачи в рамках единого цифрового контура.

Промышленные данные как технологический актив

Открытые физические модели, научные публикации и общедоступные наборы данных доступны широкому кругу участников рынка.

Устойчивое конкурентное преимущество возникает тогда, когда к ним добавляются собственные данные предприятий: фактические режимы работы оборудования, результаты экспериментов, параметры технологических процессов, показатели качества и история эксплуатации.

На этой основе могут создаваться специализированные модели, учитывающие особенности конкретного производства и накопленный технологический опыт.

Такие модели помогают точнее прогнозировать свойства материалов, сокращать сроки разработки и быстрее переносить результаты лабораторных исследований в промышленный масштаб.

В этом смысле производственные данные становятся не побочным результатом работы предприятия, а частью его технологического капитала.