چرا هوش مصنوعی می‌تواند باارزش‌ترین ابزار معدنکاری باشد

از صدور سریع‌تر مجوزها گرفته تا اکتشاف هوشمندتر، Ekin Ober از Kinterra Capital می‌گوید که هوش مصنوعی با افزایش بهره‌وری، کاهش مصرف انرژی و کمک به سرمایه‌گذاران برای مدیریت ریسک در رقابت برای مواد معدنی حیاتی، در حال متحول کردن صنعت معدنکاری است.

برای Ekin Ober، آوردن هوش مصنوعی مولد (generative AI) به بخش فلزات حیاتی از طریق کارش در Aethos Labs تنها به معنای نوآوری فناورانه نبود، بلکه نحوه تفکر او را درباره استراتژی و پایداری در معدنکاری تغییر داد.

اکنون به عنوان مدیر اصلی درKinterra Capital، Ober این دیدگاه گسترده و بین‌رشته‌ای را در تصمیم‌گیری‌های سرمایه‌گذاری به کار می‌گیرد و بر اهمیت سواد دیجیتال، همسویی ذینفعان و پایداری بلندمدت تأکید می‌کند.

تجربه او به وی کمک می‌کند تا تنگناهای عملیاتی و چالش‌های مجوز اجتماعی (social license) را زودتر شناسایی کند، که برای هدایت پروژه‌هایی مانند نیکل و مس از مرحله مفهوم تا تولید ضروری است.

در حالی که معدنکاری مدت‌هاست به عنوان یک صنعت کند در پذیرش فناوری‌های جدید شناخته می‌شود، Ekin Ober به ویژه در مورد هوش مصنوعی، شاهد تغییر این روند است.

با این حال، یکی از بزرگترین چالش‌های یادگیری، آموزش ذینفعان صنعت درباره ارزش هوش مصنوعی مولد بوده است.

او گفت: نیازی نیست که آنها متخصص فناوری باشند، اما وظیفه ماست که به آنها نشان دهیم ابزارها چگونه کار می‌کنند و چگونه می‌توان به نگرانی‌هایشان رسیدگی کرد.

همانطور که هوش مصنوعی در سراسر این بخش (صنعت) در حال گسترش است، او خاطرنشان کرد که حتی بازارهای محافظه‌کار نیز شروع به برگزاری بحث‌های اختصاصی درباره این فناوری کرده‌اند، نشانه‌ای از شتاب گرفتن تغییرات.

نحوه به کارگیری هوش مصنوعی

علاوه بر بهره‌مندی برنامه‌ریزی پروژه از طریق مدل‌سازی بهتر و دوقلوی دیجیتال(digital twin)، هوش مصنوعی در حال کارآمدتر، ایمن‌تر و مسئولانه‌تر کردن معدنکاری از نظر زیست‌محیطی است.

در اکتشاف، استارتاپ‌هایی مانند KoBold از یادگیری ماشین برای تحلیل داده‌های زمین‌شناسی استفاده می‌کنند و زمان و هزینه شناسایی ذخایر بالقوه لیتیوم، مس، نیکل و کبالت را به شدت کاهش می‌دهند.

در بخش عملیاتی، شرکت‌های بزرگی مانندRio Tinto (ASX:RIO, NYSE:RIO, LSE:RIO)، BHP (ASX:BHP, NYSE:BHP, LSE:BHP) وFreeport-McMoRan (NYSE:FCX)، کامیون‌های حمل و نقل خودران(autonomous haul trucks)، دریل‌ها و سیستم‌های نگهداری پیش‌بینانه (predictive maintenance systems) مبتنی بر هوش مصنوعی را به کار می‌گیرند که زمان توقف (downtime) و مصرف سوخت را تا ۱۵ درصد کاهش داده، در حالی که ظرفیت تولید (throughput) را ۱۰ تا ۱۵ درصد افزایش داده است.

در جبهه زیست‌محیطی، ابزارهای هوش مصنوعی مدیریت آب را بهینه می‌کنند، کیفیت هوا را پایش کرده و ضایعات را کاهش می‌دهند؛ طبق گزارش‌ها، معدن Escondida متعلق به BHP از سال ۲۰۲۲ تاکنون بیش از ۳ گیگالیتر آب و ۱۱۸ گیگاوات ساعت انرژی صرفه‌جویی کرده است.

در حالی که هوش مصنوعی بدون بحث و جدل نیست، که معمولاً از مصرف انرژی آن ناشی می‌شود، Ober توضیح داد که ادغام هوش مصنوعی می‌تواند به کاهش شدت کلی مصرف انرژی یک سایت معدنی کمک کند.

برآورد می‌شود که یک میلیارد درخواست روزانه از هوش مصنوعی، روزانه ۳۴۰ مگاوات ساعت برق مصرف می‌کند، در حالی که یک سایت معدنی می‌تواند تا ۱۰۰۰ تا ۵۰۰۰ مگاوات ساعت مصرف کند. طبق داده‌هایNatural Resources Canada، عملیات معدنکاری جهانی ۳ درصد تا ۶ درصد از برق جهان را مصرف می‌کند.

در مجموع، هوش مصنوعی می‌تواند به بخش معدنکاری کمک کند تا ذخایر را بهتر هدف قرار دهد و میزان انرژی مصرفی را کاهش دهد.

Ober گفت: تنها حفاری‌ها ۳۰۰۰ لیتر دیزل مصرف می‌کنند. و وقتی به خرد کردن (grinding) نگاه می‌کنید، خرد کردن سنگ معدن ۷۰ درصد از مصرف برق معدن را تشکیل می‌دهد.

او افزود: بنابراین اگر از این فناوری برای اسکن‌ها استفاده می‌کنید، می‌توانید از بینایی کامپیوتر (computer vision) استفاده کرده و یک مغزه (core) را اسکن کنید، یا به جغرافیا نگاه کنید تا تعداد حفاری‌ها یا عملیات خرد کردن را که در حال انجام آن هستید، کاهش دهید، در این صورت می‌تواند هزاران ساعت انرژی را ذخیره کند و بیشتر از آنچه مصرف می‌کند، صرفه‌جویی نماید.

از تنگناهای سیاست‌گذاری تا تایید مجوزها

این کارایی، مجموعه‌داده‌های هوش مصنوعی را برای دولت‌ها نیز جذاب کرده است. از طریق ابتکاراتی مانند CriticalMAAS دارپا (DARPA) و همکاری با سازمان زمین‌شناسی ایالات متحده، مدل‌های هوش مصنوعی اکنون می‌توانند پردازش نقشه‌های زمین‌شناسی را،  از سال‌ها به تنها چند روز، با خودکارسازی ارجاع جغرافیایی (georeferencing) و استخراج ویژگی‌های معدنی متحول کنند.

این ابزارها به ارزیابی سریع صدها ماده معدنی حیاتی در مناطق وسیع کمک می‌کنند، تصمیم‌گیری را تسریع بخشیده و ریسک اکتشاف را کاهش می‌دهند.

در همین حال، برنامه پیش‌بینی فلزات مبتنی بر هوش مصنوعی پنتاگون، که اکنون توسط Critical Minerals Forum مدیریت می‌شود، سناریوهای عرضه، قیمت‌گذاری و سیاست‌گذاری را مدل‌سازی می‌کند تا استراتژی‌های تامین ایالات متحده را، به ویژه برای عناصر نادر خاکی(rare earths)، نیکل و کبالت، تقویت کند.

برای Ober، هوش مصنوعی همچنین می‌تواند در فرآیند اغلب طولانی صدور مجوز، و در عین حال در اجرای اهداف و بهترین شیوه‌های ESG (محیط زیستی، اجتماعی و حاکمیتی) نقش اساسی داشته باشد.

او توضیح داد که درKinterra، هوش مصنوعی در حال حاضر نقش کلیدی در ساده‌سازی ارزیابی‌های صدور مجوز ایفا می‌کند، که یکی از پیچیده‌ترین موانع در توسعه معدن است.

این شرکت یک سیستم حلقه بسته (closed-loop system) با استفاده از مدل‌های زبان بزرگ (large language models) که با معیارها و ارزش‌های خود، از جمله مراحل صدور مجوز، مشارکت بومیان  و احساسات جامعه، ترکیب شده است، ایجاد کرده است. این ابزار هزاران نقطه داده، از پرونده‌های دولتی گرفته تا اطلاعیه‌های خبری و ایمیل‌ها، را فیلتر می‌کند و تنها اطلاعات مرتبط را استخراج می‌نماید.

سپس به‌روزرسانی‌های خاص هر حوزه قضایی (jurisdiction-specific updates) خلاصه‌سازی شده و مستقیماً به Microsoft Teams ارسال می‌شوند و یک نمای کلی و قابل درک در زمان واقعی از سیگنال‌های کلیدی صدور مجوز ارائه می‌دهند.

او گفت: ما به مشارکت شرکت و جامعه نیاز داریم. ما رویکردی بسیار پیشگیرانه داریم. ما خیلی زود وارد عمل می‌شویم.

Ober در سطح صنعت، هوش مصنوعی را عاملی برای بهبود کارایی و شفافیت در صدور مجوزهای معدنکاری می‌بیند.

Ober گفت: یکی از بزرگترین نگرانی‌هایی که می‌شنویم مربوط به امنیت است. اما ما هر روز به شرکت‌هایی مانند Google، Microsoft و Apple با داده‌های حساس اعتماد می‌کنیم. اگر از ابزارهای قانونی با سیاست‌های قوی استفاده کنید، قابل مدیریت است.

Ober معتقد است که بزرگترین ارزش هوش مصنوعی در توانایی آن برای تسریع فرآیندهای دولتی کند و مبتنی بر اسناد زیاد است.

او گفت: صدور مجوز می‌تواند یک پروژه را برای سال‌ها متوقف کند، نه به دلیل مسائل فنی، بلکه به این دلیل که هیچ کس وقت خواندن اسناد را ندارد. اینجا جایی است که هوش مصنوعی می‌تواند کمک کند. مدل‌های زبان بزرگ می‌توانند اطلاعات کلیدی را استخراج کرده، معیارهای حاکمیتی یا زیست‌محیطی را اضافه کرده و آن را به گونه‌ای خلاصه کنند که قابل اقدام باشد.

برای رفع خطر دقت، Kinterra سیستم‌های خود را به گونه‌ای طراحی کرده است که خروجی‌های قابل ردیابی (traceable outputs) تولید کنند.

او توضیح داد: «می‌توانید روی یک لینک کلیک کنید و مستقیماً به سند اصلی و نقل قول بروید»، و افزود که این سطح از شفافیت برای تنظیم‌کننده‌ها و سرمایه‌گذاران به طور یکسان حیاتی است.

او گفت: تعهد سرمایه دشوار است وقتی نمی‌دانید آیا و چه زمانی مجوز صادر خواهد شد. هوش مصنوعی جایگزین انسان‌ها نخواهد شد، اما می‌تواند ما را سریع‌تر به نقاط تصمیم‌گیری برساند، چیزی که کل این بخش (صنعت) به آن نیاز دارد.

تحلیل و جمع‌بندی

۱. تحلیل کمی

 بهره‌وری عملیاتی

 استفاده از کامیون‌های حمل و نقل خودران(autonomous haul trucks)، دریل‌ها و سیستم‌های نگهداری پیش‌بینانه (predictive maintenance systems) مبتنی بر هوش مصنوعی توسط شرکت‌های بزرگی مانند Rio Tinto، BHP و Freeport-McMoRan منجر به کاهش زمان توقف (downtime) و مصرف سوخت تا ۱۵ درصد شده است.

در عین حال، ظرفیت تولید (throughput) این عملیات‌ها ۱۰ تا ۱۵ درصد افزایش یافته است. این ارقام نشان‌دهنده بهبود قابل توجه در کارایی عملیاتی و کاهش هزینه‌های مستقیم تولید است.

 صرفه‌جویی‌های زیست‌محیطی

معدن Escondida متعلق به BHP از سال ۲۰۲۲ تاکنون بیش از ۳ گیگالیتر آب و ۱۱۸ گیگاوات ساعت انرژی صرفه‌جویی کرده است. این داده‌ها تأثیر ملموس هوش مصنوعی بر کاهش ردپای زیست‌محیطی عملیات معدنکاری را نشان می‌دهد.

 مصرف انرژی

برآورد می‌شود که یک میلیارد درخواست روزانه از هوش مصنوعی، روزانه ۳۴۰ مگاوات ساعت برق مصرف می‌کند. در مقابل، یک سایت معدنی می‌تواند تا ۱۰۰۰ تا ۵۰۰۰ مگاوات ساعت مصرف کند.

طبق داده‌هایNatural Resources Canada، عملیات معدنکاری جهانی ۳ درصد تا ۶ درصد از برق جهان را مصرف می‌کند. این مقایسه‌ها نشان می‌دهد که با وجود مصرف انرژی خود هوش مصنوعی، استفاده از آن در معدنکاری می‌تواند به کاهش کلی مصرف انرژی سایت‌های معدنی کمک کند، به ویژه با بهینه‌سازی فرآیندهای پرمصرف مانند خرد کردن سنگ معدن که ۷۰ درصد از مصرف برق معدن را تشکیل می‌دهد، و کاهش نیاز به حفاری‌های متعدد که هر کدام ۳۰۰۰ لیتر دیزل مصرف می‌کنند.

 تسریع فرآیندهای دولتی

مدل‌های هوش مصنوعی می‌توانند پردازش نقشه‌های زمین‌شناسی را، از سال‌ها به تنها چند روز، متحول کنند. این امر به ارزیابی سریع صدها ماده معدنی حیاتی در مناطق وسیع کمک کرده و ریسک اکتشاف را کاهش می‌دهد. این تسریع در فرآیندهای بوروکراتیک، زمان لازم برای آوردن پروژه‌های جدید به مرحله تولید را به شدت کاهش می‌دهد.

۲. تحلیل کیفی و ژئوپلیتیک

 اهمیت ژئوپلیتیکی مواد معدنی حیاتی: گزارش بر «رقابت برای مواد معدنی حیاتی (race for critical minerals) تأکید دارد، که نشان‌دهنده اهمیت استراتژیک و ژئوپلیتیکی تضمین زنجیره‌های تأمین برای لیتیوم، مس، نیکل، کبالت و عناصر نادر خاکی  است. این امر با روندهای جهانی گذار انرژی (energy transition) و برقی‌سازی (electrification) همسو است، جایی که این مواد معدنی برای باتری‌ها، وسایل نقلیه الکتریکی (EVs) و زیرساخت‌های انرژی تجدیدپذیر ضروری هستند.

 هوش مصنوعی به عنوان عامل تحول: هوش مصنوعی به عنوان ابزاری تحول‌آفرین معرفی شده است که صنعت معدنکاری را از یک «پذیرنده کند» فناوری به صنعتی پیشرو در پذیرش فناوری تبدیل می‌کند. این امر برای رفع چالش‌های دیرینه صنعت معدنکاری حیاتی است.

 کارایی و پایداری: نقش هوش مصنوعی در افزایش بهره‌وری، کاهش مصرف انرژی و بهبود مسئولیت‌پذیری زیست‌محیطی (اهدافESG) یک موضوع اصلی است. این امر به فشارهای فزاینده از سوی سرمایه‌گذاران، تنظیم‌کننده‌ها و عموم مردم برای شیوه‌های معدنکاری پایدارتر پاسخ می‌دهد.

 کاهش ریسک: هوش مصنوعی با شناسایی زودهنگام تنگناهای عملیاتی و چالش‌های مجوز اجتماعی، به مدیریت ریسک سرمایه‌گذاری کمک می‌کند. این امر در صنعتی که اغلب با تأخیر و مخالفت جامعه مواجه است، حیاتی است.

 پذیرش دولتی و امنیت ملی: ابتکاراتی مانند CriticalMAAS دارپا (DARPA) و همکاری با سازمان زمین‌شناسی ایالات متحده، همراه با برنامه پیش‌بینی پنتاگون، بر اهمیت استراتژیک هوش مصنوعی برای تأمین مواد معدنی حیاتی و امنیت ملی از دیدگاه دولت‌ها تأکید می‌کنند. این نشان‌دهنده پتانسیل حمایت مالی و سیاستی دولت برای ادغام هوش مصنوعی در معدنکاری است.

 تنگناهای صدور مجوز: گزارش به شدت بر توانایی هوش مصنوعی در ساده‌سازی «فرآیند اغلب طولانی صدور مجوز تأکید دارد که می‌تواند پروژه‌ها را برای سال‌ها متوقف کند. این یک نقطه ضعف حیاتی برای پروژه‌های معدنکاری در سراسر جهان است که بر عرضه تأثیر می‌گذارد. نقش هوش مصنوعی در خودکارسازی بررسی اسناد، ادغام معیارهای ESG و افزایش شفافیت، یک پیشرفت قابل توجه است.

 نگرانی‌های امنیت داده: Ober به نگرانی‌های امنیتی با مقایسه آن با اعتماد به شرکت‌های بزرگ فناوری با داده‌های حساس پاسخ می‌دهد و پیشنهاد می‌کند که با ابزارهای قانونی با سیاست‌های قوی (legitimate tools with strong policies)، این موضوع قابل مدیریت است. این یک مانع کلیدی برای پذیرش گسترده‌تر است.

 شفافیت و قابلیت ردیابی: سیستم Kinterra برای خروجی‌های قابل ردیابی (traceable outputs) به عنوان عاملی حیاتی برای تنظیم‌کننده‌ها و سرمایه‌گذاران برجسته شده است که اعتماد را تقویت کرده و ریسک تعهد سرمایه را کاهش می‌دهد.

 روندهای کلان جهانی: تقاضا برای مواد معدنی حیاتی توسط گذار جهانی انرژی، پذیرش وسایل نقلیه الکتریکی و زیرساخت‌های انرژی تجدیدپذیر هدایت می‌شود. تنش‌های ژئوپلیتیکی (مانند رقابت ایالات متحده و چین برای عناصر نادر خاکی) نیاز به زنجیره‌های تأمین داخلی امن و کارآمد را بیشتر می‌کند و هوش مصنوعی را به یک دارایی استراتژیک تبدیل می‌نماید.

 محیط نظارتی: توانایی هوش مصنوعی در پیمایش پیچیدگی‌های نظارتی و تسریع صدور مجوز، مستقیماً بر سرعت ورود عرضه جدید به بازار تأثیر می‌گذارد و قیمت‌های جهانی کامودیتی‌ها را تحت تأثیر قرار می‌دهد.

پیش‌بینی روندهای کوتاه‌مدت و میان‌مدت

 افزایش پذیرش هوش مصنوعی: روند پذیرش هوش مصنوعی در معدنکاری در حال شتاب گرفتن است و حتی بازارهای محافظه‌کار نیز در حال بحث درباره آن هستند. این نشان‌دهنده افزایش مداوم ادغام هوش مصنوعی در اکتشاف، عملیات و صدور مجوز در کوتاه‌مدت تا میان‌مدت است.

 بهبود کارایی زنجیره تأمین: همانطور که هوش مصنوعی فرآیند صدور مجوز و کارایی عملیاتی را ساده می‌کند، می‌تواند منجر به تسریع در راه‌اندازی پروژه‌های جدید مواد معدنی حیاتی شود و به طور بالقوه محدودیت‌های عرضه را در میان‌مدت کاهش دهد.

 کاهش هزینه‌های عملیاتی: ادغام مداوم هوش مصنوعی احتمالاً منجر به کاهش بیشتر مصرف سوخت، زمان توقف و مصرف آب/انرژی می‌شود که بر سودآوری شرکت‌های معدنکاری تأثیر مثبت گذاشته و به طور بالقوه بر هزینه‌های تولید کامودیتی‌ها تأثیر می‌گذارد.

 افزایش اعتماد سرمایه‌گذاری: شفافیت بیشتر و نقاط تصمیم‌گیری سریع‌تر در صدور مجوز، که توسط هوش مصنوعی تسهیل می‌شود، می‌تواند سرمایه بیشتری را به پروژه‌های مواد معدنی حیاتی جذب کند و توسعه را تسریع بخشد.

 تمرکز برESG : نقش هوش مصنوعی در دستیابی به اهداف ESG به طور فزاینده‌ای مهم خواهد شد و بر تصمیمات سرمایه‌گذاران و چارچوب‌های نظارتی تأثیر می‌گذارد.

جمع‌بندی

هوش مصنوعی با افزایش چشمگیر کارایی، ایمنی و پایداری زیست‌محیطی در سراسر زنجیره ارزش معدنکاری، از اکتشاف تا عملیات و صدور مجوز، در حال ایجاد تحول است. توانایی آن در تسریع فرآیندهای دولتی پر از اسناد، بهینه‌سازی مصرف منابع و ارائه بینش‌های قابل اقدام، تأثیر ویژه‌ای دارد.

با کاهش ریسک پروژه‌ها، تسریع در صدور مجوز و افزایش ظرفیت عملیاتی، هوش مصنوعی آماده است تا عرضه مواد معدنی حیاتی مانند لیتیوم، مس، نیکل و کبالت را تسریع بخشد. این امر می‌تواند به پاسخگویی به تقاضای جهانی فزاینده ناشی از گذار انرژی کمک کند و به طور بالقوه قیمت‌ها را تثبیت کرده یا فشار صعودی را در میان‌مدت کاهش دهد.

شرکت‌های معدنکاری و سرمایه‌گذاران باید به طور فعال در ادغام هوش مصنوعی سرمایه‌گذاری کنند و بر ابزارهای قانونی با سیاست‌های داده‌ای قوی تمرکز نمایند. دولت‌ها نیز باید به حمایت از ابتکارات هوش مصنوعی برای ساده‌سازی فرآیندهای نظارتی و تضمین زنجیره‌های تأمین مواد معدنی حیاتی ادامه دهند. تأکید بر شفافیت و خروجی‌های قابل ردیابی برای ایجاد اعتماد در میان ذینفعان ضروری است.

در حالی که هوش مصنوعی جایگزین تخصص انسانی نخواهد شد، اما به طور قابل توجهی توانایی‌های انسانی را تقویت خواهد کرد و منجر به عملیات معدنکاری سریع‌تر، کارآمدتر و پایدارتر می‌شود. این تغییر فناورانه برای پاسخگویی به تقاضای جهانی برای مواد معدنی حیاتی و پیمایش چشم‌انداز پیچیده ژئوپلیتیکی بسیار مهم است.