Ngành năng lượng đang trải qua sự chuyển đổi mạnh mẽ nhờ các ứng dụng trí tuệ nhân tạo (AI), từ tự động hóa báo cáo đến tối ưu hóa sản xuất năng lượng. Các mô hình AI, với dữ liệu chất lượng cao và khả năng học tập, là tâm điểm của sự đổi mới này. Bài viết này cung cấp thêm cái nhìn về các cấp độ mô hình AI, phân tích hiệu quả triển khai trong ngành năng lượng, và đề xuất các tiêu chí để doanh nghiệp cân nhắc khi xây dựng đề đầu tư. 

Phân loại các mô hình AI

Mỗi loại mô hình AI – từ Mô hình nền tảng, mô hình tinh chỉnh đến mô hình AI chuyên biệt – đều phù hợp với các nhu cầu khác nhau. Mô hình nền tảng thích hợp cho các ứng dụng thử nghiệm hoặc nghiên cứu ban đầu, trong khi mô hình tinh chỉnh phù hợp cho các ứng dụng chuyên môn với yêu cầu cụ thể. Mô hình AI chuyên biệt lại là lựa chọn tối ưu khi yêu cầu tính chuyên sâu và hiệu quả cao.

Mô hình nền tảng (Foundation Models) 

Là các mô hình AI được huấn luyện trên tập dữ liệu lớn và đa dạng, đóng vai trò nền tảng cho nhiều ứng dụng khác nhau. Đây là lựa chọn phù hợp cho hoạt động nghiên cứu, đào tạo hoặc thử nghiệm các ý tưởng ban đầu trước khi triển khai ở quy mô lớn.
Nhiều nền tảng mã nguồn mở như OpenCV, HuggingFace hay TensorFlow Hub cung cấp các công cụ miễn phí, dễ tiếp cận giúp các nhóm phát triển có thể nhanh chóng xây dựng và thử nghiệm mô hình nghiên cứu. Ngoài ra, một số dịch vụ cung cấp API miễn phí hoặc có giới hạn, điển hình như OpenAI GPT-3.5 bản dùng thử, mang lại khả năng xử lý ngôn ngữ tự nhiên mạnh mẽ với chi phí thấp – phù hợp cho các PoC (Proof of Concept)  hoặc ứng dụng không đòi hỏi tính bảo mật cao.

Với định hướng chuyên sâu và lâu dài, một số tổ chức đã chủ động xây dựng Mô hình nền tảng riêng. Một ví dụ tiêu biểu là dự án GridFM – kết quả hợp tác giữa IBM, Hydro-Québec, ETH Zurich và SSEN Transmission. Dự án này phát triển Mô hình nền tảng AI tiên tiến nhằm tối ưu hóa vận hành lưới điện thông minh, tăng cường tính an toàn và hiệu quả trong tích hợp nguồn năng lượng tái tạo [1].

Tuy nhiên, việc sử dụng hoặc phát triển Mô hình nền tảng cũng đi kèm những hạn chế nhất định. Các mô hình mã nguồn mở thường có độ chính xác chưa cao và thiếu kiến thức chuyên biệt trong các lĩnh vực đặc thù như năng lượng hoặc hạ tầng công nghiệp. Đồng thời, quá trình tự xây dựng mô hình đòi hỏi nguồn lực đáng kể về thời gian, chi phí và đội ngũ kỹ thuật có năng lực cao. Ví dụ, huấn luyện mô hình như GPT-3 có thể tốn hơn $4 triệu, bao gồm chi phí điện năng và bảo trì, theo CNBC. [2]

Mô hình tinh chỉnh (Fine-Tuned Models) 

Là bước phát triển tiếp theo từ Mô hình nền tảng (foundation models), được huấn luyện bổ sung bằng dữ liệu chuyên ngành nhằm nâng cao độ chính xác và hiệu suất trong các ứng dụng cụ thể. Đây là lựa chọn tối ưu cho các tổ chức mong muốn tận dụng sức mạnh của Mô hình nền tảng nhưng cần độ phù hợp cao hơn với nghiệp vụ thực tế, mà không phải xây dựng mô hình mới từ đầu.

Ưu điểm nổi bật của mô hình tinh chỉnh là khả năng mang lại hiệu suất vượt trội so với mô hình gốc, đặc biệt trong các lĩnh vực chuyên sâu như năng lượng, y tế hoặc sản xuất công nghiệp. Quá trình tinh chỉnh trên nền tảng có sẵn cũng giúp tiết kiệm đáng kể thời gian và chi phí phát triển, đồng thời rút ngắn chu kỳ đưa sản phẩm vào ứng dụng thực tiễn.

Tuy nhiên, để đạt được hiệu quả cao, mô hình tinh chỉnh đòi hỏi nguồn dữ liệu chuyên ngành chất lượng cao và thời gian huấn luyện đáng kể. Bên cạnh đó, mô hình này vẫn có thể gặp khó khăn khi xử lý các bài toán quá đặc thù hoặc chưa có nhiều dữ liệu đại diện.

Về mặt chi phí, doanh nghiệp cần chuẩn bị đầu tư cho hạ tầng tính toán, điển hình là các máy chủ trang bị GPU RTX 3060, RTX 3080, RTX 3090-RTX 4090 cho đến các dòng hiệu suất cao như NVIDIA RTX A4000, A6000 và dòng chuyên dụng NVIDIA A100, H100 nhằm đảm bảo khả năng xử lý khối lượng lớn dữ liệu trong quá trình huấn luyện. Đồng thời, nguồn nhân lực chất lượng cao – bao gồm các chuyên gia AI và kỹ sư dữ liệu – là yếu tố không thể thiếu để đảm bảo tính hiệu quả và độ tin cậy của mô hình.

Một ví dụ cho ứng dụng thành công của mô hình tinh chỉnh : áp dụng phương pháp pre-training (huấn luyện trước) để cải thiện độ chính xác và giảm thời gian xây dựng ,chi phí phát triển mô hình mô phỏng cho tổ máy tua-bin khí tại nhà máy điện ở Nga. [3]

Mô hình chuyên biệt (Specialized Models)

Đây là mô hình thường được hiểu là được xây dựng ,huấn luyện hoàn toàn mới với dữ liệu riêng của doanh nghiệp hoặc điều chỉnh sâu (deep customization) như: kết hợp nhiều kỹ thuật như tinh chỉnh (fine-tuning), huấn luyện bổ sung (additional training) để đáp ứng các yêu cầu rất cụ thể của doanh nghiệp, ngành nghề, hoặc ứng dụng đặc thù.

Đối với các doanh nghiệp lựa chọn mô hình chuyên biệt, có hai hướng triển khai chính: sử dụng các mô hình AI-API chuyên dụng từ các nhà cung cấp uy tín để nhanh chóng đưa vào ứng dụng, hoặc xây dựng và huấn luyện mô hình AI riêng nhằm kiểm soát toàn diện về dữ liệu, bảo mật và khả năng tùy biến.

Sử dụng mô hình AI -API chuyên dụng

Việc sử dụng API từ các nhà cung cấp mô hình AI theo hình thức trả phí theo mức sử dụng (pay-as-you-go) mang lại nhiều lợi thế cho doanh nghiệp, đặc biệt là khả năng khởi đầu với quy mô nhỏ và mở rộng tài nguyên linh hoạt khi nhu cầu tăng, từ đó giảm thiểu rủi ro tài chính ban đầu. Ngoài ra, hình thức này giúp doanh nghiệp tiếp cận nhanh chóng các năng lực AI tiên tiến mà không cần đầu tư hạ tầng ban đầu quá lớn. 

Tuy nhiên, để đảm bảo an toàn dữ liệu và khả năng kiểm soát, cần đánh giá kỹ lưỡng các chính sách bảo mật và thực tiễn vận hành của nhà cung cấp API, nhằm giảm thiểu rủi ro khi chia sẻ dữ liệu nhạy cảm với bên thứ ba. Việc phụ thuộc vào bên ngoài cũng có thể hạn chế khả năng tuỳ chỉnh sâu và kiểm soát toàn diện hệ thống.

Chi phí sử dụng AI-API.

Biểu đồ này (sử dụng thang đo logarit) thể hiện xu hướng hiệu suất AI trên mỗi đô la chi tiêu. Đường màu xanh cho thấy chi phí đã giảm từ 20 USD xuống còn 0,07 USD cho mỗi một triệu token, trong khi đường màu hồng biểu thị mức giảm từ 15 USD xuống còn 0,12 USD chỉ trong vòng chưa đầy một năm. [4]

Chẳng hạn: nhiều công ty và nền tảng hàng đầu đã cung cấp các mô hình AI lớn phục vụ ngành năng lượng như: IBM Watson hỗ trợ dự đoán bảo trì, quản lý tài sản và tối ưu hóa lưới điện; Google Cloud AI cung cấp giải pháp tối ưu năng lượng, dự báo nhu cầu và tích hợp năng lượng tái tạo; AWS Forecast áp dụng học máy để dự báo tiêu thụ và giá điện [5]; GE Predix là nền tảng AI công nghiệp giúp điều phối lưới điện và quản lý khí thải hiệu quả [6].

Xây dựng và huấn luyện mô hình AI riêng

Nếu không lựa chọn sử dụng mô hình AI-API thì việc xây dựng một mô hình AI riêng mang lại khả năng kiểm soát hoàn toàn về mặt dữ liệu, bảo mật và chuyên biệt, tuy nhiên đi kèm là nhiều thách thức đáng kể. Trước hết, doanh nghiệp cần đầu tư hạ tầng phần cứng với các máy chủ GPU hiệu năng cao – vốn có chi phí rất lớn. Bên cạnh đó là chi phí nhân lực, bao gồm tuyển dụng và duy trì đội ngũ chuyên gia AI, kỹ sư dữ liệu có trình độ cao. 

Dữ liệu đầu vào cũng là một yếu tố then chốt và tốn kém, đòi hỏi quá trình thu thập, làm sạch và gán nhãn phức tạp. Thời gian phát triển một mô hình có thể kéo dài từ vài tháng đến cả năm, phụ thuộc vào độ phức tạp và quy mô dự án.

Chi phí đầu tư phần cứng GPU chuyên dụng

Các GPU hiệu năng cao như NVIDIA A100 và H100 là lựa chọn hàng đầu trong huấn luyện mô hình AI nhờ khả năng xử lý mạnh mẽ và tối ưu hóa cho khối lượng tính toán lớn. Tuy nhiên, mức giá của chúng khá cao và biến động tùy theo cấu hình. Ví dụ, NVIDIA A100 bản 40GB PCIe có giá từ 8.000 đến 10.000 USD, trong khi bản 80GB SXM cao cấp hơn có thể lên tới 18.000 – 20.000 USD. Đối với dòng H100 80GB – thế hệ mới nhất của NVIDIA – giá dao động từ 25.000 đến gần 31.000 USD theo các nguồn như Jarvislabs và các nhà phân phối phần cứng [7].

Thuê GPU trên nền tảng đám mây

Để tránh chi phí đầu tư ban đầu quá lớn, doanh nghiệp có thể lựa chọn hình thức thuê GPU trên các nền tảng điện toán đám mây. Đây là giải pháp linh hoạt, phù hợp với các nhu cầu thử nghiệm hoặc huấn luyện ngắn hạn. Theo Hyperstack, mức giá cho NVIDIA A100 80GB PCIe khi thuê on-demand là khoảng 1,35 USD/giờ, và có thể giảm còn 0,95 USD/giờ nếu đặt trước. Với dòng H100 80GB PCIe, mức giá lần lượt là 1,90 USD/giờ (on-demand) và 1,33 USD/giờ (reservation). Các nền tảng như Google Cloud, Nebius AI Cloud và nhiều nhà cung cấp khác cũng đưa ra các gói thuê linh hoạt với chính sách giảm giá cho cam kết dài hạn.

Bảng giá thuê GPU google [8]

Bảng giá thuê một số GPU [9]

Chi phí huấn luyện mô hình AI

Chi phí huấn luyện mô hình AI dao động từ vài trăm đến hàng triệu USD, tùy vào độ lớn mô hình và thời gian huấn luyện.

Chi phí Gemini 1.0 Ultra (Google) ~192 triệu USD. [4] 

Chương trình SETO 2020 của Bộ Năng lượng Mỹ (DOE) về đầu tư AI trong năng lượng mặt trời. [10]

Tổ chức	Tên dự án	Địa điểm	Ngân sách DOE (USD)	Ngân sách đối tác (USD)	Nhà nghiên cứu chính	Mục tiêu chính
Arizona State University	Photovoltaic Plant Predictive Maintenance Optimization	Tempe, AZ	750000	380000	Hao Yan	Tối ưu hóa bảo trì nhà máy PV bằng cách phát hiện sự cố và lên lịch bảo trì.
Arizona State University	Artificial Intelligence for Robust Integration of AMI and PMU Data	Tempe, AZ	750000	190000	Yang Weng	Tăng cường tích hợp năng lượng tái tạo vào lưới điện bằng AI.
Camus Energy	Improving Grid Awareness with Machine Learning	San Francisco, CA	750000	750000	Cody Smith	Phân tích và trực quan hóa lưới điện thời gian thực.
Case Western Reserve University	Robust PV Performance Loss Rate Determination	Cleveland, OH	750000	200000	Roger French	Phân tích hiệu suất PV và dự báo công suất bằng mạng nơ-ron đồ thị.

Ngoài ra, hệ thống AI cần được bảo trì và nâng cấp thường xuyên để đảm bảo hiệu suất – từ việc cập nhật phần mềm đến thay thế hoặc mở rộng phần cứng. 

Chi phí vận hành cao, đặc biệt là chi phí năng lượng do các mô hình AI tiêu thụ điện năng đáng kể trong quá trình huấn luyện và suy luận. 
Doanh nghiệp nên chủ động kiểm soát và bảo vệ dữ liệu nội bộ, tuy nhiên điều này đòi hỏi năng lực kỹ thuật cao và hệ thống bảo mật chặt chẽ để tránh rủi ro về an toàn thông tin.

Tiêu chí lựa chọn hướng đi khi triển khai AI trong doanh nghiệp

Mỗi loại mô hình AI mang lại hiệu quả và chi phí triển khai khác nhau, phù hợp với từng mục tiêu và năng lực của doanh nghiệp. Mô hình chuyên biệt thường đạt hiệu suất cao nhất, đặc biệt trong các ứng dụng chuyên biệt, nhưng yêu cầu đầu tư đáng kể về thời gian, nhân lực và hạ tầng kỹ thuật. Ngược lại, các Mô hình nền tảng hoặc mô hình tinh chỉnh giúp tiết kiệm chi phí và thời gian, tuy nhiên có thể không đáp ứng tối ưu cho các nhu cầu đặc thù.

Để xây dựng ứng dụng AI cho doanh nghiệp trong ngành năng lượng, cần xem xét các tiêu chí cụ thể, lựa chọn giữa sử dụng API từ các công ty lớn hay phát triển mô hình riêng, và nếu phát triển mô hình, thì cần xác định các bước như sử dụng Mô hình nền tảng, tinh chỉnh mô hình, hay xây dựng mô hình AI chuyên biệt.

Mức độ phức tạp của ứng dụng:

Với các bài toán đơn giản như dự báo nhu cầu hay phân tích dữ liệu, việc sử dụng API từ các nhà cung cấp dịch vụ AI là lựa chọn hiệu quả và nhanh chóng. 

Tuy nhiên, đối với các ứng dụng phức tạp hơn như điều phối lưới điện hay bảo trì dự đoán theo thời gian thực, cần triển khai các mô hình AI chuyên biệt và có khả năng tùy biến cao.

Ngân sách đầu tư:

Tuỳ vào ngân sách hạn chế, các dịch vụ AI trên nền tảng đám mây(cloud) là phương án tiết kiệm và linh hoạt. 

Ngược lại, nếu doanh nghiệp có nguồn lực tài chính lớn và định hướng đầu tư lâu dài, việc xây dựng mô hình AI riêng sẽ giúp kiểm soát dữ liệu tốt hơn và tối ưu theo nhu cầu riêng.

Yêu cầu bảo mật và tiêu chuẩn ngành:

Trong các lĩnh vực như năng lượng – nơi yêu cầu về bảo mật và tuân thủ tiêu chuẩn rất cao – việc lựa chọn giải pháp AI cần xem xét đến khả năng đáp ứng các tiêu chuẩn an toàn nghiêm ngặt, đặc biệt là khi xử lý dữ liệu nhạy cảm hoặc điều hành các hệ thống quan trọng.

Chiến lược dài hạn:

Nếu doanh nghiệp định hình chiến lược công nghệ dài hạn, đầu tư vào đội ngũ R&D và mô hình AI riêng sẽ tạo nền tảng vững chắc cho năng lực số hóa. 

Trong khi đó, chiến lược tối ưu chi phí có thể hướng đến mô hình kết hợp: sử dụng API cho các tác vụ phổ thông, đồng thời phát triển mô hình riêng cho các nghiệp vụ trọng yếu.

Trình độ và kinh nghiệm hiện tại:

Với các doanh nghiệp mới bắt đầu ứng dụng AI, việc thử nghiệm các mô hình sẵn có thông qua PoC (Proof of Concept) là bước đi hợp lý. Doanh nghiệp đã có kinh nghiệm triển khai AI và sở hữu dữ liệu nội bộ có thể bắt đầu xây dựng và vận hành các Mô hình chuyên biệt cao hơn.

Dữ liệu và hệ thống xử lý hiện có:

Mô hình tinh chỉnh hoặc chuyên biệt có thể gặp vấn đề nếu dữ liệu không đủ đa dạng hoặc bị lệch (Overfitting/underfitting).

Trong trường hợp đã có lượng dữ liệu lớn và hệ thống lưu trữ – xử lý phù hợp, doanh nghiệp hoàn toàn có khả năng phát triển mô hình tinh chỉnh hoặc mô hình AI chuyên biệt. 

Ngược lại, nếu dữ liệu còn hạn chế, việc sử dụng các mô hình nền tảng mã nguồn mỡ / mô hình AI-API sẽ giúp tiết kiệm chi phí ban đầu, đồng thời tạo nền tảng để dần hình thành hệ sinh thái dữ liệu riêng trong tương lai.

Thực hiện: Kỹ sư Lâm Văn Năm PECC2

Tài liệu tham khảo:
[1] https://research.ibm.com/blog/how-ai-can-prepare-the-electrical-grid-for-the-low-carbon-era
[2] https://www.cnbc.com/2023/03/13/chatgpt-and-generative-ai-are-booming-but-at-a-very-expensive-price.html
[3] https://www.e3s-conferences.org/articles/e3sconf/pdf/2023/48/e3sconf_apecvi2023_01007.pdf
[4] https://pecc2.com/vn/12-bieu-do-ke-chuyen-ai-nam-2025.html
[5] https://aws.amazon.com/blogs/industries/forecasting-energy-usage-using-amazon-machine-learning-and-data-lakes/
[6] https://www.ge.com/news/press-releases/new-ge-predix-software-power-producers-and-utilities-breaks-down-barriers-between
[7] https://docs.jarvislabs.ai/blog/h100-price
[8] https://cloud.google.com/compute/gpus-pricing.
[9] https://www.hyperstack.cloud/gpu-pricing
[10] https://www.energy.gov/eere/solar/seto-2020-artificial-intelligence-applications-solar-energy