تصور کنید مدیر زنجیره تأمین هستید و باید تصمیم بگیرید یک باتری بازیافتی را دوباره به خودرو برگردانید یا آن را برای ذخیره‌سازی انرژی در شبکه برق استفاده کنید. اگر سیستم شما فقط بر اساس پیش‌بینی عمل کند، ممکن است بهینه‌ترین مسیر را بیابد اما ناگهان با یک جریمه سنگین قانونی مواجه شود چون قانون جدیدی را «ندیده» است.
به نقل از مستندات فنی این پژوهش، مدل‌های سنتی هوش مصنوعی در مدیریت تولیدات چرخشی (Circular Manufacturing) شکست می‌خورند؛ زیرا نمی‌توانند هم‌زمان با ماهیت احتمالی بازیافت مواد و ماهیت قطعی قوانین حقوقی کنار بیایند. در مدل‌های خطی، جریان مواد یک‌طرفه است (استخراج، پردازش و سپس دورریز)، اما در مدل چرخشی، ما با معماری بسیار متلاطمی از لجستیک معکوس روبرو هستیم. در اینجا، برنامه‌ریزی عمدتاً موضوع بهینه‌سازی و پیش‌بینی نیست، بلکه سیستمی تعریف می‌شود که توسط حلقه‌های بازخورد، کیفیت تصادفی مواد و محیط‌های رگولاتوری متغیر شکل گرفته است. این گذار، یکی از پیچیده‌ترین تغییرات لجستیکی در صنعت مدرن است. رویکردهای سنتی هوش مصنوعی — به‌ویژه دوگانگی بین یادگیری عمیق (AI اتصال‌گرا) و منطق نمادین (GOFAI) — در اینجا ناکارآمد هستند، زیرا نمی‌توانند به‌طور هم‌زمان ماهیت نامنظم و احتمالی بازیابی مواد را با ماهیت صلب و قطعی محدودیت‌های قانونی و فیزیکی مدیریت کنند.
سفر من در این حوزه با یک شکست تحقیرآمیز آغاز شد. من یک شبکه عصبی توسعه داده بودم که قادر بود بازدهی بازیابی قطعات را با دقتی خیره‌کننده پیش‌بینی کند. روی کاغذ، سیستم یک موفقیت کامل بود. اما وقتی این سیستم را برای زمان‌بندی دمونتاژ و بازسازی در یک برنامه‌ریز نمادین ادغام کردم، سیستم به‌طور فاجعه‌باری شکست خورد. شبکه عصبی بازدهی را درست پیش‌بینی کرده بود، اما برنامه‌ریز نمادین که بر اساس یک مجموعه قوانین قدیمی عمل می‌کرد، توالی عملیاتی را پیشنهاد داد که قانون جدید «مسئولیت گسترده تولیدکننده» (EPR) را نقض می‌کرد. سیستم در پیش‌بینی‌های خود «باهوش» بود اما نسبت به قانون «کور» بود. این شکاف، تنش بنیادی در مدیریت زنجیره تأمین چرخشی را برجسته کرد: نیاز به تشخیص الگوهای ابعادی بالا (برای ارزیابی وضعیت کالاهای بازگشتی) در کنار نیاز به پایبندی سخت‌گیرانه به محدودیت‌های سیاستی در حال تکامل.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، تضاد بین «شهود» مدل‌های یادگیری عمیق و «قواعد» سیستم‌های منطقی، نقطه ضعف اصلی بسیاری از استقرارهاست. در اینجا، برنامه‌ریزی عصبی-نمادین تطبیقی (Adaptive Neuro-Symbolic Planning یا ANS) به عنوان راهکار معرفی می‌شود. در این معماری، شبکه عصبی (Neural Network) — شبیه نقشهٔ مترو که سیگنال را از ورودی به جواب می‌رساند — لایه «ادراک» است و وضعیت جهان را تفسیر می‌کند؛ مواردی مانند وضعیت سلامت (SOH) یک باتری خودروی برقی بازگشتی یا قیمت فعلی بازار کبالت. در مقابل، مؤلفه نمادین لایه «استدلال» است که منطق را به کار می‌گیرد تا تضمین کند اقدامات پیشنهادی، عملی و قانونی باشند. عنصر «تطبیقی» در اینجا حیاتی‌ترین بخش است: این ویژگی اجازه می‌دهد پایگاه دانش نمادین به‌صورت لحظه‌ای به‌روزرسانی شود، بدون اینکه نیاز باشد شبکه عصبی از ابتدا دوباره آموزش ببیند. وقتی یک سیاست جدید منتشر می‌شود، آن را به عنوان یک محدودیت نمادین کدگذاری می‌کنیم. سپس برنامه‌ریز، پیشنهادات احتمالی شبکه عصبی را از طریق این غربال منطقی فیلتر می‌کند تا خروجی نهایی هم بهینه و هم مطابق با قانون باشد.
بر اساس بررسی‌های این مدل، تفاوت ساختاری زنجیره‌های خطی و چرخشی در ماهیت گراف آن‌هاست. زنجیره خطی در اصل یک گراف جهت‌دار بدون دور (DAG) است. اما زنجیره چرخشی، گرافی است که دارای دورها و وضعیت‌های پایدار است. برای مثال، یک سلول باتری که از یک بسته باتری خودروی برقی بازیابی شده، دارای یک تاریخچه است. سلامت آن (SOH) یک مقدار استاتیک نیست، بلکه یک مسیر (Trajectory) است. اینکه این سلول برای خودروی دیگری بازتولید شود، برای ذخیره‌سازی انرژی در شبکه برق تغییر کاربری دهد یا برای مواد خام بازیافت شود، به تلاقی پیچیده‌ای از وضعیت فیزیکی سلول، هزینه فعلی مواد بکر و دستورات قانونی مربوط به منحرف کردن پسماندها بستگی دارد. یک رویکرد صرفاً عصبی ممکن است همبستگی بین SOH و سودآوری را بیابد، اما نمی‌تواند «استدلال» کند که چرا یک مقررات خاص، یک مسیر مشخص را غیرقانونی می‌کند. در مقابل، یک رویکرد صرفاً نمادین نمی‌تواند نویز و تغییرات کیفیت مواد بازیابی شده را مدیریت کند.
طبق گزارش‌های فنی، پیاده‌سازی ANS نیازمند رابطی دقیق بین این دو پارادایم است. یک روش مؤثر، استفاده از «برنامه‌های منطقی احتمالی» است که در آن شبکه عصبی وزن‌های قوانین نمادین را تعیین می‌کند. برای مثال، شبکه عصبی ممکن است تخمین بزند که احتمال بازسازی یک موتور بازگشتی به بازدهی ۹۰٪ چقدر است. سپس برنامه‌ریز نمادین این احتمال را می‌گیرد و آن را در برابر مجموعه‌ای از محدودیت‌ها ارزیابی می‌کند: «اگر احتمال < ۰.۷ باشد و مالیات کربن > X باشد، آنگاه محصول را به مسیر بازیافت هدایت کن». با جداسازی تخمین وضعیت از اجرای منطق، سیستمی ایجاد می‌کنیم که هم در برابر نویز داده‌ها و هم در برابر تغییرات سیاستی مقاوم است. این فرآیند پیچیده استقرار، از مدیریت داده‌های خام تا محیط تولید، را می‌توان در چرخه ۷ مرحله‌ای استقرار هوش مصنوعی که پیش‌تر بررسی کردیم، تحلیل کرد.
علاوه بر این، ماهیت لحظه‌ای محدودیت‌های سیاستی در اقتصادهای چرخشی را نمی‌توان نادیده گرفت. دولت‌ها به‌سرعت دستورالعمل‌هایی را برای درصدهای محتوای بازیافتی و جابجایی پسماندهای خطرناک معرفی می‌کنند. در یک مدل یادگیری عمیق سنتی، گنجاندن یک قانون جدید مستلزم یک مجموعه داده جدید و یک چرخه آموزش مجدد است که برای زنجیره‌های تأمین عملیاتی بسیار کند است. اما در سیستم ANS، قانون به عنوان یک گزاره منطق مرتبه اول به پایگاه دانش نمادین اضافه می‌شود. برنامه‌ریز بلافاصله تشخیص می‌دهد که برخی مسیرهایی که قبلاً «بهینه» بودند، اکنون ممنوع هستند. این امر اجازه «انطباق صفر-شات» (Zero-shot compliance) را می‌دهد، جایی که سیستم در لحظه دیجیتالی شدن قوانین جدید، با آن‌ها سازگار می‌شود.
فراتر از انطباق قانونی، برنامه‌ریزی ANS توجیه اقتصادی حلقه چرخشی را بهینه می‌کند. «شکاف چرخشی» — تفاوت بین موادی که استفاده می‌کنیم و موادی که بازیابی می‌کنیم — اغلب نتیجه برنامه‌ریزی ضعیف است و نه تکنولوژی ضعیف. ما ابزارهای بازیافت را داریم، اما فاقد هوش لحظه‌ای هستیم تا تصمیم بگیریم چه زمانی بازیافت سودآورتر از بازتولید است. با استفاده از شبکه‌های عصبی برای پیش‌بینی نوسانات بازارهای مواد ثانویه و منطق نمادین برای مدیریت لجستیک جریان‌های معکوس، شرکت‌ها می‌توانند از ذهنیت واکنشی «مدیریت پسماند» به استراتژی پیش‌دستانه «بازیابی منابع» حرکت کنند. در همین راستا، استفاده از لایه‌های نظارتی پیشرفته می‌تواند منجر به نتایج ملموسی شود، مشابه آنچه در کاهش ۳۴ درصدی مصرف مواد اولیه از طریق حسابرسی رمزنگاری‌شده مشاهده شد.
با این حال، یکی از چالش‌های اصلی در استقرار این سیستم‌ها، «مسئله زمینه‌سازی نمادین» (Symbol Grounding Problem) است. چگونه تضمین کنیم که خروجی شبکه عصبی به‌درستی توسط برنامه‌ریز نمادین تفسیر می‌شود؟ این امر مستلزم یک هستی‌شناسی (Ontology) مشترک است — یک واژگان استاندارد که تعریف کند «وضعیت سلامت» یا «قطعه درجه B» در هر دو لایه به چه معناست. بدون این استاندارد، سیستم دچار «رانش معنایی» (Semantic Drift) می‌شود، جایی که بازنمایی داخلی شبکه عصبی از یک مفهوم با تعریف قانون نمادین فاصله می‌گیرد. برای کاهش این اثر، ما از حلقه‌های اعتبارسنجی مداوم استفاده می‌کنیم که در آن شکست‌های برنامه‌ریز نمادین برای تنظیم دقیق ادراک شبکه عصبی به کار می‌روند و رابطه‌ای همزیستی بین این دو ایجاد می‌کنند.
همان‌طور که به آینده تولید می‌نگریم، ادغام برنامه‌ریزی ANS برای دستیابی به پایداری واقعی ضروری خواهد بود. پیچیدگی زنجیره‌های تأمین جهانی، همراه با فوریت بحران اقلیمی، به این معناست که دیگر نمی‌توانیم به صفحات گسترده استاتیک یا الگوریتم‌های صلب تکیه کنیم. ما به سیستم‌هایی نیاز داریم که بتوانند ظرافت‌های تخریب یک شیء فیزیکی را درک کنند و در عین حال مرزهای سخت قوانین محیط‌زیستی را محترم بشمارند. هدف، ایجاد یک زنجیره تأمین «خود-ترمیم‌شونده» است — سیستمی که اختلال در جریان مواد یا تغییر در سیاست‌ها را شناسایی کرده و به‌طور خودکار لجستیک خود را برای حفظ سودآوری و قانونی بودن بازطراحی کند.
در نتیجه، شکست اولین پایلوت من درسی در مورد محدودیت‌های هوش مصنوعی محدود (Narrow AI) بود. سیستمی که فقط پیش‌بینی‌کننده است، خطرناک است؛ سیستمی که فقط منطقی است، شکننده است. با ادغام این دو در یک چارچوب عصبی-نمادین تطبیقی، ابزاری برای برنامه‌ریزی ایجاد می‌کنیم که قادر است در تضادهای ذاتی اقتصاد چرخشی پیمایش کند. ما از جهانی که در آن هوش مصنوعی با اعتمادبه‌نفس قانون را می‌شکند، به جهانی می‌رویم که در آن هوش مصنوعی تضمین می‌کند پایدارترین مسیر، کارآمدترین مسیر نیز باشد. اقتصاد چرخشی فقط یک مسئله لجستیکی نیست؛ بلکه یک مسئله استدلالی است. و برای استدلال، ما به دقت نمادها و شهود نورون‌ها نیاز داریم که در کنار هم کار کنند.
در نتیجه، شکست اولین پایلوت من درسی در مورد محدودیت‌های هوش مصنوعی محدود (Narrow AI) بود. سیستمی که فقط پیش‌بینی‌کننده است، خطرناک است؛ سیستمی که فقط منطقی است، شکننده است. با ادغام این دو در یک چارچوب عصبی-نمادین تطبیقی، ابزاری برای برنامه‌ریزی ایجاد می‌کنیم که قادر است در تضادهای ذاتی اقتصاد چرخشی پیمایش کند. ما از جهانی که در آن هوش مصنوعی با اعتمادبه‌نفس قانون را می‌شکند، به جهانی می‌رویم که در آن هوش مصنوعی تضمین می‌کند پایدارترین مسیر، کارآمدترین مسیر نیز باشد. اقتصاد چرخشی فقط یک مسئله لجستیکی نیست؛ بلکه یک مسئله استدلالی است. و برای استدلال، ما به دقت نمادها و شهود نورون‌ها نیاز داریم که در کنار هم کار کنند.
گام بعدی شما
- بررسی مدل‌های ترکیبی (Hybrid AI) برای جایگزینی سیستم‌های تصمیم‌گیر سخت در محیط‌های قانونی.
- مطالعه روی هستی‌شناسی‌های مشترک برای کاهش خطای تفسیر بین لایه‌های ادراکی و استدلالی.
- تحلیل اثرات مالیات کربن بر مدل‌های بهینه‌سازی بازیافت در صنایع سنگین.
اما داستان سخت‌افزاری اجرای این مدل‌های ترکیبی حتی پیچیده‌تر است — به تحلیل ما درباره‌ی تراشه‌های تخصصی استنتاج مراجعه کنید.
گفتگو