تصور کنید برای بهینهسازی یک چتر تاشو پیشرفته، بهجای پرداخت ۸۰۰ هزار ین، تنها ۳ هزار ین هزینه کنید. این جهش از آزمایشهای فیزیکی به بهینهسازی زاینده مبتنی بر مدل زبانی (LLM-driven generative optimization)، طبق گزارشی که در ۱۲ اوت ۲۰۲۶ در dev.to منتشر شد، نقطه پایان دههها سلطه روش تاگوچی است.
این گزارش یافتههای SIWC25 و SIWC26 را با تحلیل مقاله «وضعیت فعلی و مسائل ارزیابی مجازی» (۲۰۱۹) ترکیب کرده است. برای سالها، مهندسان برای یافتن «نقطه بهینه» طراحی محصول به روش تاگوچی تکیه میکردند. این روش نیازمند جداول پیچیده و نسبتهای سیگنال به نویز (SN) برای کاهش واریانس (Variance) — یعنی میزان پراکندگی نتایج دور از هدف — بود. این سیستم برای سختافزارهای ساده عالی بود، اما در محیطهای غیرخطی یا سیستمهای اجتماعی که هزینه هر آزمایش فیزیکی سرسامآور است، شکست میخورد.
همانطور که در بحثهای گذشته ما دربارهی مدلهای استدلالی اشاره کردیم، قدرت این ابزارها در تحلیل الگوهای پنهان است. برای درک این موضوع، گزارش مذکور از «متد رامن» استفاده میکند. طراحی یک کاسه رامن ایدهآل را نمیتوان در فرمولهای ریاضی یا شبکههای صلب جای داد. این متد چون چهار شرط کلیدی را دارد، جواب میدهد:
۱. اطلاعات غنی: دادههای زبانی فراوان در نظرات آنلاین وجود دارد.
۲. ارزیابی عددی سختگیرانه: نظرات را میتوان به امتیاز عددی QEU تبدیل کرد.
۳. ساختار ماژولار: رامن به قطعات (نودل، سوپ، تاپینگ) تقسیم میشود.
۴. دانش پیشین مدل: مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — از قبل دانش گستردهای دارد.
با دادن دادههای فروشگاههای مشهور و یک پرامپت سیستمی (System Prompt) به مدل، هوش مصنوعی میتواند مستقیماً «رامن نهایی» را با بالاترین امتیاز تولید کند. این منطق برای هر محصولی که این شرایط را داشته باشد صادق است. در SIWC26، مدل را مجبور به «بهینهسازی مقید» کردند: یعنی کاهش هزینه بدون افت کیفیت.
چرخش در استراتژی بهینهسازی
به نقل از این گزارش، روش تاگوچی یک «وسیله» محدود به چند فاکتور و تخمینهای خطی است که هزینه تکرار آزمایشهایش بالاست. در مقابل، بهینهسازی زاینده از طریق الگوهای زبانی و بازخوردهای انسانی فضای طراحی را میکاود و انعطاف بسیار بیشتری دارد.
در مورد اول، هدف به حداکثر رساندن «سهولت باز شدن» یک چتر تاشو بود. مدل با تحلیل شکستها و موفقیتهای بازار، طراحی زیر را پیشنهاد داد:
- شکل قفل: استفاده از قفل دندانهدار برای لمس سطحیتر انگشت، تا حتی با دستکش هم باز شود.
- ثابت فنر: فنری با قدرت متوسط (گشتاور ۲۲۰ میلینیوتن با تلرانس ۲۰٪) برای جلوگیری از جدا شدن دندهها یا گیر کردن.
- مقاومت لغزشی: پوششهای کماصطکاک که در سرمای شدید منجمد نمیشوند.
نتیجه، امتیاز QEU برابر ۴.۵ بود که از رکورد قبلی (۴.۱) بالاتر است. قیمت خردهفروشی ۴۸۰۰ ین تخمین زده شد که ۸۰۰ ین گرانتر از مدل قبلی است، اما بهدلیل کاهش نرخ مرجوعی، سودآورتر است. مهمتر اینکه هزینه از ۸۰۰ هزار ین به حدود ۳ هزار ین (هزینه API) رسید؛ یعنی کاهش ۲۵۰ برابری هزینهها.
هوش مصنوعی در سیستمهای اجتماعی
این چارچوب حتی برای سیستمهای اجتماعی که منطق تاگوچی در آنها شکست میخورد نیز کاربرد دارد. در مورد دوم، طراحی یک مرکز استراحت محلی بررسی شد؛ جایی که ارزیابی مجازی پیش از این پاسخگو نبود.
روشهای سنتی نمیتوانند «اعتماد به اپراتور» یا «بهانه روانی» یک سالمند برای بازدید از مرکز را کمی کنند. مدل زبانی یک مرکز ترکیبی را طراحی کرد:
- ماهیت مرکز: ترکیبی از کافه محلی و «پست منطقهای» برای دریافت بسته و مشاوره.
- بدنه اجرایی: ترکیبی از برونسپاری خصوصی و هماهنگی داوطلبان با استفاده از معابد به عنوان پایگاه.
- جذب روزانه: استفاده از «تحویل نامه» به عنوان بهانهای برای بازدید روزانه سالمندان.
با بودجه اولیه ۲۰ میلیون ین، مدل به امتیاز راحتی ۴.۴ رسید (بالاتر از رکورد ۴.۰). این موفقیت بهدلیل استخراج نیازهای کیفی بود که جداول ریاضی قادر به پردازش آنها نیستند.
طراحی تلرانس و کاهش هزینه
فاز دوم این چارچوب بر «طراحی تلرانس» تمرکز دارد. در حالی که بهینهسازی به دنبال «بهترین» است، طراحی تلرانس به دنبال «ارزانترین» است بدون اینکه کیفیت فدا شود. مدل با دسترسی به قیمتهای واقعی مواد اولیه، لیست قطعات چتر را بازطراحی کرد:
- سختافزار قفل: تغییر از قالبهای دقیق داخلی به دایکاست روی چینی (حفظ شکل دندانه) $\rightarrow$ ۱۸۰- ین
- فنرها: جایگزینی با استیل تایوانی با مشخصات مشابه $\rightarrow$ ۸۵- ین
- پوشش: استفاده از پوشش فلورین کرهای برای مقاومت در سرما $\rightarrow$ ۱۳۰- ین
- دندهها: جایگزینی آلومینیوم داخلی با فیبر کربن $\rightarrow$ ۱۷۰- ین
کل هزینه قطعات از ۱۱۷۰ ین به ۶۰۵ ین رسید (کاهش ۴۸٪) در حالی که امتیاز کیفیت ۴.۵ ثابت ماند. برخلاف روش تاگوچی که معمولاً ۳۰٪ کاهش هزینه ایجاد میکند، مدل زبانی یک پیشنهاد یکپارچه و مستقیم داد.
بهینهسازی فرآیند ارزیابی
مخربترین کاربرد این متد، اعمال طراحی تلرانس روی خودِ فرآیند ارزیابی است. در اینجا «کیفیت» یعنی دقت تصمیم طراحی و «هزینه» یعنی تعداد نمونههای اولیه و دفعات اجرای CAE.
مدل با شناسایی فاکتورهای کمحساس، استراتژی «نگاه سریع» را برای حذف اندازهگیریهای اضافی اجرا کرد:
- فاکتور قفل: حساسیت بالا $\rightarrow$ بررسی دقیق (۲ نمونه).
- فاکتور فنر: حساسیت متوسط $\rightarrow$ تثبیت روی سطح «متوسط» با بازه ۱۵٪.
- فاکتور مقاومت: تثبیت به عنوان حد پایین مشخصات.
- عامل خطا (دما): تنها یک تست فیزیکی در سرمای شدید و جایگزینی بقیه با مدلهای مجازی.
این اقدام تعداد تکرارهای نمونه اولیه را از ۲۷ مورد به ۲ مورد (کاهش ۹۳٪) و هزینهها را از ۸۰۰ هزار ین به ۶۰ هزار ین رساند، بدون اینکه دقت تصمیم نهایی کم شود.
اصول نهایی طراحی
گزارش نتیجه میگیرد که بهینهسازی و طراحی تلرانس دو مسئله متفاوتاند. اولی جستوجوی بهترین شیء و دومی جستوجوی بیشترین فضای کاهش هزینه با حفظ کفِ کیفیت است.
برای پیادهسازی، این رویکرد پیشنهاد میشود:
- استفاده از تاگوچی: برای سختافزارهایی که مقادیر فیزیکی قابل اندازهگیریاند و فاکتورها کم هستند.
- استفاده از مدل زبانی: برای سیستمهای غیرخطی، تعاملات شدید یا سیستمهای اجتماعی-انسانی.
- گردشکار ترکیبی: استفاده از مدل زبانی برای اکتشاف $\rightarrow$ استفاده از تاگوچی برای استحکام نهایی.
برای متخصصان، این یعنی «هزینه شکست» در مرحله طراحی عملاً در حال ناپدید شدن است. وقتی هزینه یک تکرار طراحی از هزاران دلار به چند سنت هزینه API میرسد، سرعت نوآوری از یک خزیدن خطی به یک دویدن نمایی تبدیل میشود.
گام بعدی شما
- اگر در حال طراحی محصول هستید، ابتدا دادههای کیفی و نظرات کاربران را به مدل زبانی بدهید تا فضای بهینهسازی را شناسایی کند.
- برای کاهش هزینه، از مدل بخواهید جایگزینهای متریال را با حفظ «حساسیتهای کلیدی» پیشنهاد دهد.
- فرآیند تستهای فیزیکی خود را بر اساس تحلیل حساسیت مدل زبانی بازنگری کنید تا تعداد نمونهها را کاهش دهید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو