تصور کنید میلیاردها دلار هزینه کنید تا خط تولیدتان را به هوش مصنوعی بسپارید، اما در نهایت متوجه شوید که تنها راه نجات، بازگشت به روشهای سنتی و تجربهٔ «پیرمردان خبره» است. فورد اکنون با واقعیت تلخی روبروست: اتکای مطلق به اتوماسیون در دنیای سختافزار، نقاط کور هزینهبر ایجاد میکند.
به گزارش بلومبرگ در ۲۸ ژوئن ۲۰۲۶، این خودروساز برای شناسایی نقاط شکست قطعات پیش از رسیدن به خط تولید، ۳۵۰ مهندس پیشکسوت و متخصصان تأمینکنندگان را دوباره به خدمت گرفته است. این تصمیم پس از آن اتخاذ شد که مشخص شد سامانههای خودکار در تشخیص معیارهای حیاتی کیفیت شکست خوردهاند.
همانطور که در تحلیل قبلی ما دربارهی ریسکهای «جعبه سیاه» در مدلهای صنعتی اشاره کردیم، جایگزینی کامل شهود انسانی با الگوریتمها در محیطهای فیزیکی مخاطرهآمیز است. کومار گالهوترا (COO فورد) اعتراف کرد که شرکت بیش از حد بر سامانههای کیفی خودکار تکیه کرده بود و نتایج ناامیدکنندهای گرفت.
این استراتژی جدید، یک مدل ترکیبی است که در آن انسان نقش ارشد را دارد. متخصصان بازگشته در دو حوزه کلیدی فعالیت میکنند:
- آموزش کارکنان جوان در زمینه شهود مهندسی سنتی.
- بازپیکربندی ابزارهای هوش مصنوعی برای افزایش کارایی.
این رویکرد بازگشت به تخصص انسانی، همسو با موج گستردهتری از سرمایهگذاریها در حوزه آموزش است؛ چنانکه پروژه Raise Us با جذب ۱ میلیارد دلار تلاش میکند نیروی کار را برای همزیستی با هوش مصنوعی بازآموزی کند.
چارلز پون، معاون مهندسی سختافزار خودرو، اشاره کرد که آنها به اشتباه تصور میکردند هوش مصنوعی زاینده (Generative AI) — شبیه به دستیاری که فقط دستورات متنی را میخواند و اجرا میکند بدون اینکه بداند قطعه در دنیای واقعی چطور میشکند — میتواند صرفاً با دادههای استاتیک، خروجیهای باکیفیت تولید کند.
طبق اعلام این شرکت، این چرخش راهبردی نتایج مالی سریعی داشته است؛ فورد پیشبینی میکند هزینه ها در سال جاری ۱ میلیارد دلار کاهش یابد. همچنین، بر اساس گزارش هفته گذشته (۲۱ تا ۲۸ ژوئن ۲۰۲۶)، این خودروساز در نظرسنجی کیفیت اولیه JD Power جایگاه نخست برندهای mainstream را به دست آورد.
این تجربه نشان میدهد که تابآورترین سامانهها، آنهایی نیستند که انسان را حذف میکنند، بلکه سامانههایی هستند که از انسان برای حسابرسی و اصلاح مدل استفاده میکنند.
گام بعدی شما
- در صورت استفاده از اتوماسیون در تولید، یک تیم «حسابر انسانی» برای بازبینی خروجیهای مدل در نظر بگیرید.
- مدلهای AI خود را با دادههای حاصل از تجربه مهندسان خبره (Tacit Knowledge) بازتنظیم کنید.
- بر روی ابزارهای نظارتی متمرکز شوید که نقاط شکست را پیشبینی میکنند، نه فقط خروجیهای استاندارد را تکرار میکنند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو