Kiến trúc AI cách ly vật lý (air-gapped) cho an toàn công nghiệp tại Pakistan

Một nhà khai thác dầu khí tại Pakistan đã triển khai một hệ thống trí tuệ nhân tạo được cách ly vật lý (air-gapped) hoàn toàn nhằm dự báo các sự cố về sức khỏe, an toàn và môi trường trước khi chúng xảy ra. Dự án này, được chi tiết hóa trong một kiến trúc tham khảo công bố vào ngày 3 tháng 10 năm 2026, phụ thuộc hoàn toàn vào các mô hình tự chủ (self-hosted) và hạ tầng cục bộ để đảm bảo rằng không có dữ liệu vận hành nhạy cảm nào rời khỏi quyền kiểm soát của công ty. Cách tiếp cận này minh chứng cho thấy ngành công nghiệp nặng có thể tận dụng AI tiên tiến trong khi vẫn tuân thủ nghiêm ngặt các yêu cầu về chủ quyền dữ liệu.

Diễn biến sự việc

Nhà khai thác đặt mục tiêu chuyển đổi bộ phận an toàn từ báo cáo phản ứng sang cảnh báo chủ động. Dữ liệu cho sáng kiến này vốn đã tồn tại nhưng bị phân tán trong các hệ thống SAP EHS, mạng SCADA, lịch sử hệ thống phòng cháy chữa cháy và phát hiện khí gas, nguồn cấp từ camera và các tệp hồ sơ điều tra được quét. Ràng buộc chính là không được phép gửi bất kỳ thông tin nào đến các API AI của bên thứ ba hoặc dịch vụ đám mây. Mọi thành phần trong đường dẫn phục vụ đều phải nằm trong hạ tầng vật lý riêng của nhà khai thác.

Để đáp ứng các nhu cầu này, nhóm kỹ thuật đã lựa chọn các mô hình dựa trên giấy phép mở cho phép sử dụng nội bộ mà không phụ thuộc vào bên ngoài. Bộ máy suy luận trung tâm sử dụng GLM 5.3, một mô hình hỗn hợp chuyên gia (mixture-of-experts) với 753 tỷ tham số chạy ở độ chính xác FP8. Đối với phát hiện bất thường chuỗi thời gian, hệ thống sử dụng Amazon Chronos-2, trong khi Roboflow’s RF-DETR-Large xử lý phát hiện thị giác. Nhận dạng ký tự quang học (OCR) được quản lý bởi PaddlePaddle’s PaddleOCR-VL-1.6, và tìm kiếm đa ngôn ngữ hỗ trợ tiếng Anh, Urdu và Roman Urdu thông qua mô hình bge-m3 của BAAI.

Việc định cỡ phần cứng được tính toán dựa trên trọng số mô hình thay vì các thông số marketing. Mô hình GLM 5.3 yêu cầu khoảng 904 GB bộ nhớ kèm biên độ dự phòng, vừa khít trên một nút đơn được trang bị tám card tăng tốc 141 GB. Cấu hình này để lại đủ bộ nhớ cho các cache khóa-giá trị (key-value caches) và người dùng đồng thời. Các nút biên xử lý phát hiện và dự báo theo thời gian thực cục bộ, đảm bảo hoạt động vẫn tiếp diễn ngay cả khi kết nối với tầng trung tâm bị gián đoạn.

Chi tiết chính

• Hệ thống sử dụng trọng số mở của GLM 5.3 cho suy luận, được cấp phép chỉ dành cho sử dụng nội bộ mà không cần xem xét dịch vụ quản lý.
• Chi phí phần cứng để sở hữu thiết lập này trong ba năm ước tính khoảng $670,000, thấp hơn đáng kể so với việc thuê GPU đám mây tương đương.
• Tất cả các nguồn dữ liệu kết nối thông qua các adapter chỉ đọc, gắn thẻ nguồn gốc và ánh xạ tới một mô hình đối tượng thống nhất.
• Apache Kafka trên KRaft sắp xếp các sự kiện theo khóa thiết bị để duy trì độ chính xác theo trình tự thời gian cho phân tích sự cố.
• Đồng bộ hóa thời gian được xử lý bởi Chrony với một master GNSS để ngăn chặn trôi lệch dấu thời gian giữa các cảm biến và máy chủ.
• Thiết kế tránh sử dụng các checkpoint RF-DETR lớn hơn phiên bản Large do hạn chế về giấy phép đối với các phiên bản lớn hơn.

Bối cảnh

Các hệ thống air-gapped được cô lập khỏi các mạng không an toàn, chẳng hạn như internet công cộng, để bảo vệ dữ liệu nhạy cảm. Trong môi trường công nghiệp, sự cô lập này là rất quan trọng đối với công nghệ vận hành (OT) điều khiển các quy trình vật lý. Việc chạy AI trong những môi trường như vậy đòi hỏi phải tự chủ tất cả các mô hình, vì gọi API bên ngoài sẽ phá vỡ lớp cách ly air-gap. Điều này có nghĩa là tổ chức phải quản lý toàn bộ vòng đời phần mềm, bao gồm các engine suy luận, cơ sở dữ liệu vector và cập nhật mô hình.

Định cỡ phần cứng cho các mô hình ngôn ngữ lớn liên quan đến việc tính toán bộ nhớ cần thiết cho trọng số mô hình và không gian bổ sung cần thiết cho các kích hoạt (activations) và cache khóa-giá trị trong quá trình suy luận. Các định dạng độ chính xác như FP8 giảm mức sử dụng bộ nhớ so với FP16 hoặc FP32, cho phép các mô hình lớn hơn vừa vặn trên phần cứng khả dụng. Tuy nhiên, điều này đòi hỏi sự hỗ trợ cụ thể từ các card tăng tốc và lập kế hoạch cẩn thận để đảm bảo hiệu suất không bị suy giảm dưới tải.

Tại sao điều này quan trọng

Đối với các đội ngũ vận hành phần mềm riêng, kiến trúc này làm nổi bật lợi ích chi phí hữu hình của việc tự chủ so với thuê đám mây đối với các khối lượng công việc ổn định và lớn. Chi phí sở hữu phần cứng trong ba năm ít hơn một nửa so với chi phí thuê tài nguyên tương đương từ một nhà cung cấp đám mây lớn tại khu vực UAE. Ngoài ra, việc sử dụng các mô hình frontier đóng theo từng token sẽ tốn từ $1,04 triệu đến $2,95 triệu cho năm mươi người dùng, khiến việc tự chủ trở thành lựa chọn kinh tế nhất cho triển khai dài hạn.

Chủ quyền dữ liệu là một yếu tố quan trọng khác. Vì không có hyperscaler nào vận hành một khu vực (region) bên trong Pakistan, bất kỳ giải pháp dựa trên đám mây nào cũng sẽ yêu cầu di chuyển dữ liệu ra nước ngoài, vi phạm các ràng buộc bảo mật của nhà khai thác. Bằng cách giữ mọi xử lý ở cục bộ, nhà khai thác duy trì quyền kiểm soát toàn bộ đối với tài sản trí tuệ và dữ liệu vận hành của mình. Cách tiếp cận này cũng loại bỏ sự phụ thuộc vào tính sẵn sàng của API bên ngoài, đảm bảo hoạt động liên tục bất kể kết nối internet hay trạng thái dịch vụ của bên thứ ba.

Việc sử dụng các mô hình mã nguồn mở với giấy phép linh hoạt cho phép nhà khai thác tinh chỉnh và sửa đổi trọng số khi cần thiết. Sự linh hoạt này là rất cần thiết để thích ứng các mô hình chung với bối cảnh công nghiệp cụ thể, chẳng hạn như nhận diện cấu hình thiết bị độc đáo hoặc hiểu các giao thức an toàn địa phương. Nó cũng đảm bảo rằng tổ chức sở hữu các khả năng AI mà họ xây dựng, thay vì thuê chúng từ một nhà cung cấp.

Bạn có thể làm gì

• Kiểm toán các nguồn dữ liệu hiện tại của bạn để xác định thông tin bị phân tán có thể hưởng lợi từ phân tích AI thống nhất.
• Đánh giá các mô hình trọng số mở cho phép sử dụng nội bộ mà không yêu cầu gọi API bên ngoài hoặc dịch vụ quản lý.
• Tính toán yêu cầu phần cứng dựa trên số lượng tham số mô hình và định dạng độ chính xác thay vì khuyến nghị của nhà cung cấp.
• Triển khai các adapter chỉ đọc cho các hệ thống hiện có để đảm bảo tính toàn vẹn dữ liệu và theo dõi nguồn gốc.
• Sử dụng các giao thức đồng bộ hóa thời gian chính xác như Chrony với nguồn GNSS để tương quan các sự kiện giữa các cảm biến phân tán.
• So sánh tổng chi phí sở hữu (TCO) cho phần cứng tự chủ với chi phí thuê đám mây và mô hình theo token.