Biến hạ tầng số thành công cụ tiết kiệm điện

Nhận diện dòng năng lượng trong nhà máy

Đối với doanh nghiệp sản xuất, bài toán tiết kiệm năng lượng trước hết không nằm ở việc có hay chưa có AI. Trước khi AI bùng nổ, với các nhà máy sản xuất đã phải tiêu tốn năng lượng, trọng tâm ở động cơ, máy móc và dây chuyền sản xuất; hệ thống bơm, quạt, khí nén, gia nhiệt/lò hơi và làm lạnh. Ngày nay, sản xuất thông minh, với sự tham gia của nhiều máy móc hiện đại hơn, nhiều giải pháp số hơn (robot, AI, IoT, cảm biến, dữ liệu lớn, điện toán đám mây và hệ thống điều khiển tự động) đã làm gia tăng rõ rệt mức tiêu thụ điện trong nhà máy.

Các chuyên gia công nghệ cho rằng, muốn giải quyết được bài toán năng lượng trong nhà máy trước hết cần có khả năng nhìn thấy dòng năng lượng đang đi qua nhà máy như thế nào?.

Ông Bùi Trung Kiên, Trưởng Nhóm Kinh doanh Công ty ETEK chia sẻ, tại nhiều nhà máy, doanh nghiệp mới chỉ nắm được số liệu điện năng ở cấp tổng thể thông qua công tơ hoặc hệ thống đo đếm chính. Doanh nghiệp biết mỗi tháng sử dụng bao nhiêu điện, nhưng khó trả lời chính xác điện đang được tiêu thụ ở công đoạn nào, thiết bị nào tiêu thụ bất thường, thời điểm nào xảy ra lãng phí và mức tiêu thụ đó có tương xứng với sản lượng hay không?.

Khoảng trống dữ liệu này khiến nhiều dạng lãng phí kéo dài mà không được nhận diện. Máy có thể vẫn chạy khi không sản xuất; hệ thống khí nén có thể vận hành liên tục dù đường ống rò rỉ; bơm và quạt hoạt động ở tốc độ cao nhưng lại dùng van để tiết lưu; điều hòa, chiếu sáng hoặc các thiết bị phụ trợ vẫn tiêu thụ điện ngoài giờ sản xuất.

Với hệ thống khí nén, mức tổn thất do rò rỉ thậm chí có thể rất lớn. Theo số liệu từ Bộ Năng lượng Mỹ (IEA), rò rỉ có thể làm thất thoát khoảng 20-30% lượng khí nén được tạo ra, trong khi mục tiêu sau khi xử lý có thể đưa mức thất thoát xuống khoảng 5-10%.

AI giúp phân tích và tối ưu vận hành hạ tầng số, biến dữ liệu năng lượng thành công cụ tiết kiệm điện. Nguồn ảnh sử dụng AI

Giá trị của AI trong tiết kiệm điện năng tại nhà máy sản xuất

Sự đồng hành của AI ngày nay trong quy trình sản xuất kinh doanh của nhà máy một mặt làm gia tăng nhu cầu sử dụng điện năng trên toàn hệ thống nhưng đồng thời AI cũng góp phần tiết kiệm năng lượng và sử dụng năng lượng hiệu quả hơn.

Giá trị của AI nằm ở việc biến dữ liệu tiêu thụ điện thành thông tin có thể hành động. Đây là bước chuyển từ “đo điện” sang “hiểu điện”. Nhưng như ở trên đã nói muốn dùng AI để tiết kiệm năng lượng, doanh nghiệp phải có dữ liệu đủ chi tiết, phải nhận diện được để AI biết cái gì đang diễn ra. Theo ông Bùi Trung Kiên, khi hiểu được những “ngóc ngách” tiêu thụ điện trong nhà máy, doanh nghiệp cần mở rộng đo lường điện, nước, khí nén, khí gas đến từng khu vực, dây chuyền hoặc thiết bị quan trọng; đồng thời kết nối dữ liệu máy móc thông qua các chuẩn như OPC UA, Modbus, FOCAS hoặc SCADA. Quan trọng hơn, dữ liệu năng lượng phải được đặt cạnh dữ liệu sản xuất.

Khi đó, thay vì chỉ biết “nhà máy đã dùng bao nhiêu kWh”, doanh nghiệp có thể theo dõi mức tiêu thụ năng lượng trên một đơn vị sản phẩm, một tấn sản phẩm hoặc một công đoạn. Đây chính là “đầu vào” để AI tìm ra những quy luật mà việc theo dõi thủ công khó nhận biết.

AI lúc này có thể thực hiện bước tiếp theo: phát hiện bất thường. Chẳng hạn, nếu một thiết bị thường tiêu thụ một mức điện nhất định khi tạo ra một đơn vị sản phẩm, nhưng đột nhiên mức tiêu thụ tăng trong khi sản lượng không thay đổi, AI có thể nhận diện đây là dấu hiệu bất thường. Khi có đủ dữ liệu lịch sử, mô hình còn có thể so sánh trạng thái hiện tại với các chu kỳ vận hành trước đó để dự báo khả năng phát sinh lãng phí.

Như vậy, khi đã có dữ liệu, câu hỏi tiếp theo không phải “AI có thể làm được những gì?”, mà là AI có thể thay đổi quyết định vận hành nào để giảm năng lượng mà không làm giảm sản lượng?

Ông Đào Hữu Hùng - Tổng Giám đốc Mir AI Co.,Ltd., AI cũng là một chuyên gia có nhiều kinh nghiệm trong lĩnh vực AI nhận định, AI có thể tham gia vào nhiều công đoạn của nhà máy, từ kiểm tra chất lượng, quản lý vật tư, lập kế hoạch sản xuất, bảo trì dự đoán đến giám sát an toàn. Trong đó, những ứng dụng liên quan trực tiếp đến năng lượng nằm ở khả năng tối ưu hóa thời gian và phương thức vận hành thiết bị.

Ông Hùng đưa ra ví dụ về lập kế hoạch sản xuất: Một dây chuyền 8 giờ không đồng nghĩa với 8 giờ đều tạo ra giá trị. Máy có thể phải chờ nguyên liệu, chờ công đoạn trước, chờ kiểm tra chất lượng hoặc duy trì trạng thái hoạt động trong thời gian sản xuất bị gián đoạn. Trong khoảng thời gian đó, thiết bị vẫn tiêu thụ điện nhưng không tạo ra sản phẩm tương ứng.

AI có thể đồng thời phân tích đơn hàng, thời hạn giao hàng, năng lực của từng máy, tình trạng nguyên liệu, tồn kho và các ràng buộc của dây chuyền để sắp xếp trình tự sản xuất tối ưu hơn.

Khi các công đoạn được tổ chức hợp lý, thời gian chờ giảm xuống, máy chạy không tải giảm xuống và số lần khởi động, dừng không cần thiết cũng có thể được hạn chế.

Cơ chế tương tự có thể được áp dụng với bảo trì dự đoán. Dòng điện, nhiệt độ, độ rung, tốc độ quay hay thời gian hoạt động của động cơ, bơm, quạt, máy nén,… đều có thể trở thành dữ liệu đầu vào. Khi AI phát hiện thiết bị đang vận hành khác với trạng thái bình thường, doanh nghiệp có thể kiểm tra sớm trước khi hiệu suất suy giảm hoặc sự cố xảy ra.

Một thiết bị xuống cấp không chỉ có nguy cơ hỏng hóc. Trong nhiều trường hợp, nó còn phải làm việc nhiều hơn để tạo ra cùng một kết quả, đồng nghĩa với việc tiêu thụ nhiều năng lượng hơn.

AI cũng có thể được sử dụng trong kiểm tra chất lượng. Khi quá trình kiểm tra thủ công khiến dây chuyền phải chờ, hệ thống thị giác máy tính có thể phát hiện lỗi nhanh hơn, giảm thời gian dừng hoặc giảm lượng sản phẩm phải xử lý lại. Theo chia sẻ từ đại diện ETEK, việc tự động hóa kiểm tra chất lượng trong một dây chuyền đã giúp thời gian dừng giảm khoảng 90%.

Một số mô hình sản xuất đang cho thấy xu hướng kết hợp nhiều lớp công nghệ. Tại Foxconn Bắc Ninh, các giải pháp số và AI được ứng dụng trong sản xuất, vận hành, quản lý năng lượng, theo dõi phát thải và an toàn môi trường. AI phân tích dữ liệu sản xuất và tiêu thụ năng lượng theo thời gian thực, giúp phát hiện những điểm lãng phí và tối ưu quá trình vận hành, qua đó góp phần giảm 34% lượng phát thải của nhà máy. Đây là kết quả của một hệ thống giải pháp tổng thể, trong đó AI đóng vai trò quan trọng trong tối ưu năng lượng.

Tại Việt Nam, Daikin cũng đang phối hợp với EVN và Cục Điều tiết điện lực nghiên cứu ứng dụng thuật toán AI để tự động điều chỉnh phụ tải, tối ưu vận hành hệ thống điều hòa trong các tòa nhà thương mại.

Bên trong nhà máy sản xuất điều hòa của Daikin. Ảnh: daikin.com

AI càng mạnh, trung tâm dữ liệu càng phải tiết kiệm

Sự phát triển của AI tạo sinh và các mô hình AI quy mô lớn đang làm thay đổi căn bản yêu cầu đối với trung tâm dữ liệu.

Các mô hình AI cần lượng lớn GPU và bộ xử lý hiệu năng cao, kéo theo nhu cầu điện cho máy chủ, hệ thống cấp điện và làm mát tăng nhanh. Theo Cơ quan Năng lượng Quốc tế (IEA), điện năng tiêu thụ của các trung tâm dữ liệu trên toàn cầu có thể tăng hơn gấp đôi, lên khoảng 945 TWh vào năm 2030. Trong đó, điện năng dành cho các máy chủ tăng tốc, chủ yếu phục vụ AI, được dự báo tăng khoảng 30% mỗi năm.

Mật độ tính toán cao cũng khiến bài toán làm mát trở nên khó khăn hơn. Uptime Institute - một tổ chức chuyên nghiên cứu và đánh giá hạ tầng trung tâm dữ liệu cho biết các hệ thống AI thế hệ hiện nay có thể vượt 40 kW/rack, một số hệ thống thế hệ 2025 đã vượt 100 kW/rack, trong khi các thế hệ tiếp theo có thể hướng tới hàng trăm kW/rack. Khi công suất trên mỗi rack tăng, chỉ cần hệ thống làm mát vận hành chưa tối ưu cũng có thể làm gia tăng đáng kể mức tiêu thụ điện của toàn bộ trung tâm dữ liệu.

Nhưng chính quá trình vận hành này lại tạo ra một lượng lớn dữ liệu về nhiệt độ, công suất, tải máy chủ, tốc độ bơm, trạng thái thiết bị và điều kiện môi trường. Nếu được phân tích bằng AI, dữ liệu đó có thể giúp dự báo phụ tải, phát hiện bất thường và điều chỉnh hệ thống làm mát theo nhu cầu thực tế thay vì duy trì công suất cố định.

Đây là lúc AI bắt đầu tạo ra một vòng tròn khá đặc biệt: AI tiêu thụ điện, nhưng cũng có thể được dùng để giảm điện mà chính hạ tầng AI tiêu thụ.

Google DeepMind là một trong những ví dụ điển hình. Tại các trung tâm dữ liệu của Google, hệ thống AI sử dụng dữ liệu từ hàng nghìn cảm biến về nhiệt độ, công suất, tốc độ bơm và các thông số vận hành để dự báo trạng thái làm mát trong tương lai. Mô hình sau đó đánh giá các phương án điều chỉnh và lựa chọn phương án phù hợp với mục tiêu giảm năng lượng trong các giới hạn an toàn.

Google từng công bố mức giảm tới khoảng 40% điện năng dành cho làm mát và khoảng 15% mức năng lượng tiêu thụ tổng thể liên quan đến hoạt động của trung tâm dữ liệu trong các thử nghiệm triển khai.

Điểm đáng chú ý không nằm ở con số 40%, mà ở cơ chế tiết kiệm. Nếu hệ thống làm mát được cài đặt cố định, nó có thể phải vận hành theo một mức công suất tương đối cao để đáp ứng tình huống tải lớn nhất. AI lại có thể dự báo tải và nhiệt độ, từ đó điều chỉnh hệ thống theo điều kiện thực tế. Nói cách khác: Không phải làm mát nhiều hơn, mà làm mát đúng lúc và đúng mức cần thiết.

Siemens cũng đang phát triển cách tiếp cận tương tự với giải pháp White Space Cooling Optimization (WSCO). Hệ thống sử dụng mạng lưới cảm biến và mô hình AI để phân tích luồng khí trong khu vực đặt máy chủ, xác định phân bố nhiệt và điều chỉnh làm mát theo tải IT thực tế.

Ông Samir Borkar, Giám đốc mảng Trung tâm Dữ liệu của Siemens khu vực châu Á - Thái Bình Dương (APAC) cho biết, AI có thể được tích hợp với hệ thống quản lý năng lượng và tự động hóa để phân tích dữ liệu vận hành theo thời gian thực, từ đó tối ưu mức tiêu thụ điện của các hệ thống như làm mát, phân phối điện và thiết bị phụ trợ. Thay vì vận hành thiết bị ở công suất cố định, AI giúp nhận diện nhu cầu thực tế và điều chỉnh vận hành phù hợp, qua đó hạn chế năng lượng bị sử dụng lãng phí.

Công nghệ bản sao số của Siemens nâng cao hiệu quả sử dụng năng lượng của toàn hệ thống. Ảnh: Siemens

Không chỉ có WSCO, Siemens còn mô phỏng và tối ưu vận hành thông qua công nghệ bản sao số (Digital Twin). Mô hình số cho phép doanh nghiệp mô phỏng hệ thống điện, làm mát và các kịch bản vận hành trước khi đưa vào thực tế. Khi kết hợp dữ liệu vận hành với AI, Digital Twin có thể giúp dự báo nhu cầu, phát hiện những điểm chưa tối ưu và đưa ra phương án điều chỉnh, qua đó nâng cao hiệu quả sử dụng năng lượng của toàn hệ thống.

Hay NVIDIA lựa chọn tối ưu thuật toán bắt đầu ngay từ những con chip. Chip NVIDIA góp phần nâng cao hiệu suất xử lý AI, giúp hoàn thành cùng một khối lượng tính toán với thời gian và mức tiêu thụ điện hợp lý hơn. Khi kết hợp với phần mềm quản lý và tối ưu tải, năng lực xử lý của chip có thể được phân bổ phù hợp với từng loại tác vụ, hạn chế việc sử dụng tài nguyên vượt quá nhu cầu.

Thực tế này từ các doanh nghiệp chỉ ra rằng không thể xanh hóa AI bằng một giải pháp đơn lẻ.

Một mô hình AI hiệu quả hơn nhưng chạy trên hạ tầng quá lớn vẫn có thể tạo ra lãng phí. Một GPU có hiệu năng cao nhưng thường xuyên hoạt động dưới tải cũng không phải lựa chọn tối ưu. Một trung tâm dữ liệu sử dụng điện tái tạo nhưng hệ thống cooling vận hành kém hiệu quả vẫn còn dư địa tiết kiệm lớn.

Về vấn đề này, ông Tôn Đức Long, Quản lý Kinh doanh Hạ tầng Cloud và AI - Công ty Cisco Systems Việt Nam chia sẻ, Cisco tiếp cận bài toán từ một mắt xích khác: đưa xử lý đến gần nơi dữ liệu được tạo ra.

Trong một nhà máy, hàng nghìn camera và cảm biến có thể liên tục tạo dữ liệu. Nếu toàn bộ dữ liệu hình ảnh đều được truyền về trung tâm dữ liệu để xử lý, doanh nghiệp phải tiêu tốn thêm năng lượng cho mạng, lưu trữ và máy chủ.

Với Edge AI, một phần dữ liệu được phân tích ngay tại thiết bị trung gian đặt gần nguồn dữ liệu hoặc máy chủ biên. Camera có thể nhận diện sự kiện tại chỗ và chỉ gửi cảnh báo hoặc dữ liệu cần thiết về trung tâm.

Điều này không có nghĩa trung tâm dữ liệu trở nên không cần thiết. Ngược lại, mục tiêu là phân bổ việc tính toán vào nơi phù hợp nhất, tránh đưa mọi tác vụ về một trung tâm xử lý duy nhất.

Tại Hội thảo “Hạ tầng số và năng lượng cho AI”, thuộc khuôn khổ Vietnam - Asia DX Summit 2026 (Diễn đàn Cấp cao Chuyển đổi số Việt Nam - Châu Á 2026), ông Lê Nguyễn Minh Quân, chuyên gia kỹ thuật của Intel Việt Nam, cũng đặt ra một bài toán ở cấp độ phần cứng: không phải mọi tác vụ AI đều cần đến những GPU công suất lớn. Việc lựa chọn đúng loại chip, cấu hình phần cứng phù hợp với từng nhu cầu xử lý có thể giúp giảm đáng kể lượng điện năng tiêu thụ mà vẫn bảo đảm hiệu quả tính toán.

Một quy trình AI có thể gồm nhiều công đoạn, từ xử lý dữ liệu, suy luận, gọi công cụ đến phân tích kết quả. Mỗi loại tác vụ có đặc tính khác nhau. Có tác vụ phù hợp với CPU, có tác vụ cần GPU hoặc bộ gia tốc chuyên dụng.

Việc lựa chọn đúng phần cứng cho đúng tác vụ giúp tăng mức sử dụng tài nguyên, giảm số lượng máy chủ cần thiết và hạn chế tình trạng hạ tầng công suất lớn nhưng hoạt động dưới tải.

Như vậy, từ Google, Siemens đến Cisco và Intel, các giải pháp tuy khác nhau nhưng cùng hướng tới một nguyên tắc: giảm năng lượng không tạo ra giá trị bằng cách dự báo tốt hơn, phân bổ tính toán hợp lý hơn và điều khiển hạ tầng sát với nhu cầu thực tế hơn.

Dùng AI hiệu quả mới là xanh hóa thực chất

Từ nhà máy sản xuất đến trung tâm dữ liệu, có thể thấy AI không tiết kiệm năng lượng theo một cách duy nhất. Đây là điều doanh nghiệp cần đặc biệt lưu ý khi theo đuổi xanh hóa bằng hạ tầng số.

Theo ông Bùi Trung Kiên, doanh nghiệp trước hết phải coi năng lượng như một loại nguyên liệu đầu vào của sản xuất. Cần xác định định mức, đo lường mức tiêu thụ, phát hiện sai lệch và tìm nguyên nhân. Khi đã có dữ liệu đủ tốt, AI mới có cơ sở để tạo ra giá trị.

Từ góc nhìn của ông Đào Hữu Hùng, AI có thể đi sâu hơn vào quá trình vận hành, nhưng hiệu quả chỉ xuất hiện khi hệ thống có khả năng kết nối dữ liệu và đưa kết quả phân tích vào quyết định thực tế.

Một doanh nghiệp không thể chỉ nói rằng đã triển khai AI, có thêm camera AI hay xây dựng hệ thống phân tích dữ liệu mà kết luận đã tiết kiệm năng lượng. Hiệu quả phải được chứng minh bằng các chỉ số trước và sau khi triển khai: điện năng trên một đơn vị sản phẩm, thời gian máy chạy không tải, điện năng dành cho làm mát, mức sử dụng máy chủ, PUE hoặc các chỉ số phù hợp với từng bài toán.

Quan trọng hơn, doanh nghiệp phải tính cả năng lượng mà chính hệ thống AI tiêu thụ: từ cảm biến, truyền dữ liệu, lưu trữ, xử lý, suy luận đến làm mát.

Nếu một mô hình AI tiêu tốn thêm năng lượng nhưng giúp doanh nghiệp tiết kiệm được lượng năng lượng lớn hơn nhiều, đó là một ứng dụng có ý nghĩa.

Với doanh nghiệp Việt Nam, bài toán phía trước không phải là chạy đua đưa AI vào mọi khâu, mà là xác định đúng những công đoạn mà công nghệ này có thể tạo ra giá trị lớn nhất. Doanh nghiệp vì thế sẽ phải chuyển từ tư duy “đầu tư công nghệ để có AI” sang “đầu tư công nghệ để tạo ra hiệu quả”, trong đó mỗi hệ thống mới đều cần được đặt trong bài toán tổng thể về năng suất, năng lượng và chi phí vận hành. Đây sẽ là một trong những điều kiện quyết định khả năng mở rộng chuyển đổi số mà vẫn giữ được sức cạnh tranh và hướng tới sản xuất xanh, vừa đảm bảo an ninh năng lượng quốc gia.

Hương Duyên - Bảo Hà