Редкоземельный прорыв без суперкомпьютеров. Доступные технологии

В последние годы редкоземельные металлы (РЗМ) стали главным ресурсом технологической гонки. Их добыча и переработка требуют сложнейших вычислений, и мировой тренд — строить под это гигантские дата-центры. Этот путь ведет в тупик зависимости и непомерных затрат. В интервью РБК Краев Игорь объясняет, почему ставка на граничные вычисления и легковесные модели ИИ может дать России технологический суверенитет в «редкоземельной» гонке.

Добыча и переработка редкоземельных металлов современный тренд

– Игорь Владимирович, сегодня редкоземельные металлы у всех на слуху. Их называют «нефтью XXI века». Но в чем, на ваш взгляд, главная сложность для отрасли именно с точки зрения данных и вычислений? Почему традиционных методов здесь недостаточно?

– Потому что редкоземельная руда — это не уголь и не железо. Это сложнейшие смеси и соединения. Месторождения РЗМ уникальны по составу, и технология переработки для каждого — это всегда уникальный рецепт. Чтобы его найти, нужно обработать горы данных: от геохимических анализов проб до режимов выщелачивания, экстракции и разделения в лаборатории. Переменных — сотни и даже тысячи. Раньше этот поиск был искусством, основанным на чутье ученого и методе проб и ошибок, который мог длиться годами. Сегодня мы подошли к пределу, когда без «цифрового помощника» — искусственного интеллекта — двигаться дальше просто невозможно. Рынок требует новых материалов здесь и сейчас.

– Логика подсказывает, что для таких задач нужны суперкомпьютеры. Так поступают во всем мире. Вы с этим согласны? Или мы рискуем попасть в ловушку, копируя этот путь?

– Это и есть ловушка, в которую уже попали многие. Западная модель, которую нам часто предлагают как единственно верную, — это модель избыточности. Возникла сложная задача — строй гигантский дата-центр, наращивай процессоры, сжигай мегаватты энергии. Но это путь для избранных. Аренда мощностей суперкомпьютера для серьезного исследовательского проекта стартует от десятков тысяч долларов в неделю. Где российский институт или геологоразведочная компания возьмет такие бюджеты на постоянной основе? Мы просто отсечем от науки и разработки 90% потенциальных участников.

Гигантские дата-центры для поиска закономерностей и проверки гипотез в разработке технологий переработки руд редкоземельных металлов — это тупиковый путь

– Вы упомянули «ловушку». Давайте конкретнее. В чем главные риски, если мы пойдем по пути создания гигантских вычислительных центров?

– Главный риск — это потеря времени и гибкости. Представьте: суперкомпьютер в центре должен получать данные. Чтобы их передать с удаленного месторождения в Сибири или с опытной установки в лаборатории, нужны дорогие каналы связи. Накопить петабайты, очистить их, подготовить — это годы времени и сотни и даже тысячи математиков и инженеров, которые должны превратить эти сырые данные в понятные знания для искусственного интеллекта. А когда модель наконец посчитают, она может оказаться бесполезной, потому что условия на месторождении уже изменились. Суперкомпьютерная модель учится на вчерашних данных. Она не успевает за жизнью.

– Отдельный болезненный вопрос — зависимость от импорта. Если мы строим классический дата-центр, то значительная часть оборудования и софта — зарубежные. Не создаем ли мы новую точку уязвимости?

– Безусловно. Это критическая уязвимость для отрасли, которая должна обеспечить наш технологический суверенитет. Мы попадем в замкнутый круг: чтобы стать независимыми в редкоземельной сфере, мы станем зависимыми от импортных микрочипов, серверов и проприетарного ПО для управления ими. А в условиях санкционного давления это означает, что наш «редкоземельный прорыв» в любой момент могут просто остановить, отключив или заложив «закладки» в оборудовании.

– Еще один аргумент сторонников «больших данных»: чтобы ИИ работал, ему нужно скормить гигантские массивы информации — оцифровать все советские отчеты, все керны, все исследования. Но это процесс на годы и миллиарды рублей затрат. Получается, мы откладываем внедрение ИИ в отрасли на неопределенный срок?

– Абсолютно верно. Подход «сначала оцифруем все за 5 лет и потратим 10-20 миллиардов, а потом запустим ИИ» — это путь в никуда. Пока мы будем оцифровывать архивы, новое оборудование и новые методы анализа дадут такие объемы данных, что мы никогда не догоним сами себя. Мы делаем науку элитарной и безнадежно дорогой. Наука должна быть доступной не только для гигантов с бюджетом под суперкомпьютер.

Для поиска закономерностей в исследованиях руд редкоземельных металлов нужны модели искусственного интеллекта, работающие на минимальном серверном оборудовании в местах производства

– Вы предлагаете иной путь — граничные вычисления и легковесные модели ИИ. Если отбросить сложную терминологию, как бы вы объяснили суть этого подхода главному инженеру обогатительной фабрики?

– Очень просто. Раньше вы бурили скважину, отбирали пробы, везли их в центральную лабораторию за сотни километров, ждали месяц анализа, потом отправляли данные в вычислительный центр, ждали еще месяц расчетов, и только потом получали рекомендацию, куда бурить дальше. А должно быть: поставили небольшую группу, защищенных серверов с ИИ с доступом прямо из вашей полевой лаборатории или даже на буровой. Установили необходимые датчики и анализаторы, которые автоматически собирают информацию и мониторят все действия по исследованию. ИИ сам начинает анализировать пробы, сам сравнивает с предыдущими, сам корректирует план бурения на завтра. «Мозг» находится не в столице, а прямо на месте работ. Он учится на ваших данных здесь и сейчас.

– Вы говорите про легковесные модели. Что это значит на практике? Как можно обучать ИИ, если у нас нет гигантских массивов исторических данных?

– Здесь мы опираемся на традиции советской математической школы — нашу способность решать сложные задачи минимальными средствами. Нам не нужны петабайты для старта. Нам нужна хорошая математика, которая позволяет модели учиться буквально с нуля, выявляя закономерности по мере поступления даже ограниченного объема данных.

Советская школа — это умение мыслить абстрактно и эффективно. В этом подходе нет необходимости машине «скармливать» всю историю мировой геологии. Нужно разработать минимальный алгоритм, применительный к геологии, который сам начинает задавать вопросы: «А что будет, если мы добавим этот реагент? А если повысим температуру на 5 градусов?» И проверяет эти гипотезы на практике из набора тех данных и знаний, которые ему удалось накопить на текущий момент. Модель не ждет идеальных данных — она создает знание из того опыта, который появляется прямо сейчас и только на той площадке, где с ней работают. 

– Хорошо, данные обрабатываются на местах. Но не приведет ли это к хаосу, когда каждый рудник будет вариться в собственном соку? Какова роль центра?

– Роль центра кардинально меняется. Это не «большой мозг», который всем управляет. Это центр компетенций и администратор безопасности. Его задачи:

1. Собирать не сырые данные (терабайты анализов), а готовые знания, которые наработала каждая «периферия». Один рудник нашел эффективный способ извлечения скандия — его опыт (обновленная нейросеть) уходит в центр.
2. Агрегировать эти знания и рассылать лучшие практики другим участникам сети. Так вся система учится быстрее.
3. Обеспечивать единую политику кибербезопасности, контролировать доступ и предотвращать утечки. Это критически важно для стратегической отрасли.

Центр не тормозит процесс, а создает экосистему, в которой каждый участник получает доступ к опыту всех, но при этом полностью сохраняет автономность.

Граничные вычисления ускоряют путь от гипотезы к фактической реализации технологий получения редкоземельных металлов

– Ключевое слово в науке и производстве — проверка гипотезы. Как граничные вычисления ускоряют цикл «гипотеза — эксперимент — внедрение»?

– Радикально. Посмотрите на классическую цепочку: ученый в институте придумал новую схему флотации. Он пишет статью. Технологи на фабрике читают статью. Если у них есть время и ресурсы, они пробуют это через полгода на лабораторной установке. Если сработало — через год внедряют в цехе.

При предложенном подходе легковесная ИИ-модель может быть установлена прямо на лабораторном стенде или опытной установке. Ученый или технолог задает вопрос: «А что, если мы изменим соотношение реагентов?» ИИ-модель, уже обученная на данных этой конкретной установки, за несколько минут выдает прогноз. Если прогноз интересный, технолог тут же, не отходя от стенда, ставит реальный эксперимент. Результат эксперимента сразу же дообучает модель. Это замкнутый цикл, который занимает часы, а не годы. Производственник перестает быть просто исполнителем чужих инструкций — он сам становится исследователем, вооруженным мощным цифровым инструментом.

– И последний вопрос. Если такая модель будет принята, как это изменит повседневную работу ученого в институте и технолога на заводе?

– Они перестанут быть заложниками бюрократии и дорогих вычислительных центров. Ученый в Томске или Иркутске получит доступ к технологии, которая сегодня доступна только избранным лабораториям при суперкомпьютерах. Он сможет проверять свои смелые гипотезы, не выпрашивая вычислительное время на «большой машине». Технолог на заводе получит советника, который анализирует каждый час работы его установки и подсказывает, как повысить выход целевого компонента. А студенты на кафедрах, подключившись к этой распределенной сети, будут учиться не на абстрактных задачках, а на реальных данных с реальных производств, предлагая и проверяя свои идеи.

Это путь к демократизации науки и технологий. Мы уходим от модели «избранных» в вычислениях и переходим к модели массового технологического творчества. И для России с ее огромной территорией и мощной математической школой это не просто шанс догнать лидеров, а возможность предложить миру принципиально иной, более эффективный и справедливый путь развития.