تصور کنید یک خطای کوچک در کد نرم‌افزاری به‌جای کرش کردن یک اپلیکیشن، باعث انفجار یک پمپ صنعتی یا قطع برق یک شهر شود. این همان ریسکی است که مدیران صنعتی اکنون با ورود به عصر هوش مصنوعی فیزیکی (Physical AI) با آن روبروستند. در حالی که هوش مصنوعی صنعتی زمانی به تحلیل‌های پیش‌بینانه ساده محدود بود، اکنون این بخش به سمت سیستم‌های عامل‌محور حرکت کرده است که قادر به دستکاری مستقیم ماشین‌آلات دنیای واقعی هستند.
طبق اعلام آرتی گارج (Arti Garg)، مدیر فناوری شرکت AVEVA، پذیرش هوش مصنوعی در بخش صنعت طی دو سال گذشته ۷۸٪ رشد کرده است. او این جهش را یک «نقطه عطف» و یک «تابع پله‌ای» (Step Function) در نرخ پذیرش توصیف می‌کند؛ جایی که AI از محیط‌های دیجیتال خارج شده و از طریق ربات‌ها و پهپادهای خودمختار، مستقیماً ماشین‌آلات دنیای واقعی را کنترل می‌کند.
برای دهه‌ها، هوش مصنوعی در صنعت در قلمرو دیجیتال زندگی می‌کرد و صرفاً هشدار می‌داد که «احتمالاً این پمپ خراب می‌شود». اما اکنون مدل‌های بنیادی (Foundation Model) — شبیه به یک مغز جامع که مفاهیم کلی دنیا را می‌فهمد و حالا در محیط‌های خاص به کار گرفته می‌شود — اجازه می‌دهند AI واقعاً دست به کار شود. این تغییر، محیطی با ریسک بالا ایجاد می‌کند؛ زیرا یک توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — می‌تواند منجر به آسیب‌های جانی یا تخریب زیرساخت‌های حیاتی شود. برخلاف AI که صرفاً در دنیای دیجیتال عمل می‌کند، AI صنعتی با سیستم‌های فیزیکی تعامل دارد که جهان را به حرکت در می‌آورند، مانند شبکه‌های توزیع برق و استخراج منابع طبیعی.
زمینه تکامل صنعتی
به نقل از مستندات AVEVA، این شرکت بیش از ۲۰ سال است که روی AI صنعتی کار می‌کند، اما ماهیت تکنولوژی تغییر کرده است. صنعت از برنامه‌های تخصصی و محدود به سمت مدل‌های بنیادی حرکت کرده که برای طیف وسیع‌تری از کاربران در دسترس است. این تکامل با انفجار «هوش مصنوعی فیزیکی» که قابلیت‌های سیستم‌های خودمختار و رباتیک را تقویت می‌کند، و «هوش مصنوعی عامل‌محور» که اتوماسیون را در سطح نرم‌افزاری ممکن می‌سازد، شتاب گرفته است. این تحولات در راستای تغییرات بنیادین در مهندسی نرم‌افزار است که نقش توسعه‌دهندگان و ابزارهای تولید را بازتعریف می‌کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، پذیرش مدل‌هایی با نتایج غیرقابل‌پیش‌بینی همیشه با تردید همراه بوده است. با این حال، سرعت پذیرش فعلی نشان می‌دهد که رهبران صنعتی اکنون توازن جدیدی میان ریسک و پاداش پیدا کرده‌اند و دیدگاهشان نسبت به این فناوری‌ها تغییر بنیادین کرده است.
تغییر در محاسبات ریسک
مدیران صنعتی به‌طور سنتی «پیرو» (Fast Follower) بوده‌اند و ترجیح می‌دادند اول نتایج را ببینند و بعد ابزار را به کار بگیرند. دلیل این احتیاط، ریسک بالای عملیات‌های حیاتی (Mission-Critical) است که در آن ایمنی انسان یک عامل تعیین‌کننده است. اما اکنون این محاسبات در حال تغییر است، زیرا چالش‌های منحصربه‌فرد اتصال AI غیرقابل‌پیش‌بینی به سیستم‌های فیزیکی در هیچ بخش دیگری از دنیا حل نشده و هر صنعت باید راهکار خاص خود را بیابد.
سازمان‌ها اکنون تمایل بیشتری به آزمایش در محیط‌های «سندباکس» یا محیط‌های ایزوله و امن دارند. آن‌ها دریافته‌اند که اگر حفاظ‌های درست برقرار باشد، این فناوری پتانسیل تغییر بنیادین در بهره‌وری، نحوه استفاده از منابع و ایمنی انسانی را دارد.
چالش همبستگی داده‌ها
محیط‌های صنعتی از داده‌های پراکنده رنج می‌برند. داده‌های تلمتری یک میکسر، گزارش‌های سرویس تکنسین و فایل‌های PDF مهندسی معمولاً در سیلوهای جداگانه ذخیره می‌شوند. این پراکندگی، به‌طور تاریخی یکی از چالش‌های اصلی در فضای صنعتی بوده است.
AVEVA اکنون از پایگاه‌های داده گرافی و AI برای متصل کردن این داده‌های نامرتبط در لحظه استفاده می‌کند. به‌جای اینکه یک اپراتور ساعت‌ها وقت صرف جست‌وجوی علت یک نقص کند، AI تمام این اطلاعات را روی یک تبلت جمع‌آوری و ترکیب می‌کند. این رویکرد مشابه استراتژی‌های کاهش نویز در مانیتورینگ IT است که با تشخیص هوشمند ناهنجاری‌ها، تمرکز اپراتور را بر مسائل حیاتی معطوف می‌کند. این یعنی تطبیق سریع داده‌های لحظه‌ای پمپ یا میکسر با آخرین گزارش تعمیرات ثبت‌شده و مستندات طراحی اولیه.
گسترش جمع‌آوری داده‌های فیزیکی
گام بعدی، فراتر از همبستگی دیجیتال، جمع‌آوری داده‌های فیزیکی است. ربات‌های مجهز به AI می‌توانند وارد محیط‌های خطرناک یا دورافتاده شوند تا داده‌ها را جمع کنند، بدون اینکه جان انسان‌ها به خطر بیفتد. این ربات‌ها با استفاده از رایانش داخلی (Onboard Computation) یا اتصال سریع به یک اپراتور راه دور، تشخیص‌های سریع و لحظه‌ای را در محیط‌های عملیاتی ممکن می‌سازند.
منشور سه‌گانه برای حاکمیت AI
به دلیل فعالیت در محیط‌های پرخطر، AVEVA یک «منشور سه‌گانه» برای هوش مصنوعی مسئولانه تعریف کرده است:
- امنیت: سخت‌سازی سیستم‌ها در برابر مداخلات و ایجاد حاکمیت چندلایه برای هر دو بخشِ استفاده داخلی شرکت و استقرار محصول برای مشتریان. این مدل حاکمیتی مشترک، تداوم و یکپارچگی در نحوه استفاده از AI در داخل سازمان و نحوه تزریق آن به محصولات مشتریان را تضمین می‌کند.
- بهره‌وری: بهینه‌سازی خروجی عملیاتی و کاهش اثرات زیست‌محیطی خودِ مدل‌های AI.
- نظارت انسانی: حفظ انسان در حلقه‌های تصمیم‌گیری حیاتی برای تضمین اخلاق و مسئولیت‌پذیری.
آرتی گارج معتقد است AI باید جایگزین قضاوت انسانی نشود، بلکه آن را تقویت کند. هدف این است که نقش انسان از «اپراتور» به «ناظر» تغییر کند؛ در این مدل، AI وظیفه ترکیب حجم عظیمی از اطلاعات را بر عهده دارد، در حالی که ناظر انسانی مسئول تصمیم نهایی باقی می‌ماند.
مدیریت ریسک‌های فیزیکی
برخلاف AI دیجیتال، AI فیزیکی با سیستم‌های تامین برق یا استخراج منابع تعامل دارد. این سیستم‌ها اغلب «غیرقابل‌تفسیر» (Non-explainable) هستند، یعنی رفتارشان ممکن است با یادگیری و تنظیمات جدید برای قابلیت‌های تازه، تکامل یابد. این عدم پیش‌بینی‌پذیری، بزرگ‌ترین نگرانی مشتریانی است که عملیات‌های حیاتی را مدیریت می‌کنند.
برای حل این مشکل، AVEVA از حفاظ‌ها (Guardrails) — محدودیت‌های سخت‌افزاری و نرم‌افزاری که اجازه نمی‌دهد مدل از یک محدوده ایمن خارج شود — استفاده می‌کند. برای مثال، در اتوماسیون حلقه‌بسته، AI فقط اجازه دارد یک نقطه تنظیم (Set Point) را در یک بازه عملیاتی بسیار محدود و تاییدشده تغییر دهد. این کار مانع از آن می‌شود که سیستم حتی در صورت تکامل استدلال AI، از پارامترهای ایمن خارج شود.
مسئولیت‌پذیری در مدل «انسان در حلقه»
تغییر نقش از اپراتور به ناظر، نیاز به رویکرد دقیقی در مورد مسئولیت‌پذیری دارد. در حال حاضر، AI داده‌های عملیاتی و شبیه‌سازی‌ها را پردازش کرده و پیشنهاداتی ارائه می‌دهد؛ مثلاً پیشنهاد یک نقطه تنظیم خاص برای یک گیاه صنعتی بر اساس تغییر شرایط محیطی.
اگرچه تمایل زیادی برای تبدیل «پیشنهاد» به «اجرای خودکار» وجود دارد، اما این موضوع باعث اضطراب اپراتورها شده است. راهکار این است که حفاظ‌هایی مشابه مدیریت انسانی اعمال شود: فراهم کردن انعطاف‌پذیری در برخی بخش‌ها و در عین حال حفظ قوانین «سخت و تغییرناپذیر» برای اهداف تولید یا ضرب‌الاجل‌ها.
حل بحران نیروی کار
پیش‌بینی می‌شود نزدیک به نیمی از نیروی کار صنعتی طی ۵ سال آینده بازنشسته شوند. این اتفاق باعث ایجاد یک «شکاف تخصص» عظیم می‌شود، زیرا دانش سالیان تکنسین‌های باسابقه از صنعت خارج می‌شود.
هوش مصنوعی عامل‌محور راهی برای ثبت این تجربه است. با استفاده از مدل‌های استدلالی (Reasoning Model) — مدلی که قبل از جواب، یک قدم درنگ می‌کند و فکر می‌کند — AI می‌تواند دانش کسب‌شده در یک سایت صنعتی را یاد بگیرد و در سایتی دیگر پیاده کند. این نیاز به بازآموزی نیروی کار را برجسته می‌کند، چرا که بسیاری از کارکنان علی‌رغم استفاده از AI، با کمبود زمان برای آموزش‌های تخصصی روبرو هستند. این قابلیت به سازمان‌ها اجازه می‌دهد تخصص کاربردی کارکنان بازنشسته را ثبت کرده و آن را در اختیار نسل جدیدی از کارکنان قرار دهند که اطلاعات را به شکل متفاوتی دریافت می‌کنند.
پایداری و استاندارد IEEE P7100
مدیریت شبکه‌های برق آینده، به‌ویژه با منابع تجدیدپذیر متغیر مثل پنل‌های خورشیدی روی پشت‌بام‌ها، بدون AI غیرممکن است. AVEVA در همکاری با آزمایشگاه ملی ایداهو روی یک پروژه تاب‌آوری شبکه کار می‌کند. در این سیستم، AI به اپراتورها کمک می‌کند تا کیفیت برق را مدیریت کرده و رفتارهای ناهنجار را در سیستمی شناسایی کنند که در آن منابع توزیع‌شده جایگزین ژنراتورهای تک‌محوره قدیمی شده‌اند.
اما هزینه انرژی خودِ AI یک نگرانی جدی است. در حال حاضر استاندارد جهانی برای اندازه‌گیری اثر زیست‌محیطی AI وجود ندارد و گزارش‌های متناقضی درباره مصرف آب و برق به ازای هر پرس‌وجو (Query) منتشر می‌شود. به همین دلیل، آرتی گارج ریاست گروه کاری IEEE P7100 را بر عهده گرفته تا متدولوژی استانداردی برای چهار معیار ایجاد کند:
۱. مصرف برق و انرژی: ردیابی کل توان مورد نیاز برای اجرای مدل‌ها.
۲. استفاده از منابع: نظارت بر مواد فیزیکی مورد نیاز برای سخت‌افزارهای محاسباتی.
۳. مصرف آب: اندازه‌گیری مقدار آبی که برای خنک‌سازی مراکز داده استفاده می‌شود.
۴. ردپای کربنی: محاسبه کل گازهای گلخانه‌ای مرتبط با چرخه عمر AI.
بهینه‌سازی اندازه مدل
پایداری با معماری هوشمندانه هم گره خورده است. گارج اشاره می‌کند که مدل‌های بزرگ‌تر به محاسبات و منابع بیشتری نیاز دارند. با انتخاب مدل‌های هدفمند (Purpose-built) و با اندازه مناسب برای هر کاربرد خاص، سازمان‌ها هم بهره‌وری زیست‌محیطی را بالا می‌برند و هم ریسک رفتارهای غیرقابل‌پیش‌بینی را کاهش می‌دهند؛ زیرا مدل‌های هدفمند در مقایسه با مدل‌های غول‌پیکر عمومی، کمتر احتمال دارد که رفتارهای غیرمنتظره نشان دهند.
کاربرد واقعی: SCG Chemicals
در تایلند، شرکت پتروشیمی SCG Chemicals از پلتفرم قابلیت اطمینان AVEVA Predictive Analytics استفاده کرد. این پروژه بر یک رویکرد چندلایه متمرکز بود: ابتدا اصلاح زیرساخت داده‌ها با یکپارچه‌سازی داده‌های عملیاتی و مهندسی، و سپس استقرار مدل‌های اختصاصی تشخیص ناهنجاری.
این تغییر باعث شد توقف‌های ناگهانی و برنامه‌ریزی‌نشده به تعمیرات برنامه‌ریزی‌شده تبدیل شوند. نتایج این پروژه عبارت بود از:
- قابلیت اطمینان: رسیدن به هدف ۹۹٪ پایداری گیاه.
- بازگشت سرمایه (ROI): بازگشت ۹ برابری سرمایه در مراحل آزمایشی اولیه.
این مورد نشان می‌دهد که سود مالی AI مسئولانه، بسیار بیشتر از ریسک «صبر و تماشا» است، به شرطی که زیرساخت داده‌های درستی برقرار باشد.
آینده کدنویسی دامنه‌محور
طی ۱۸ ماه آینده، کدنویسی به کمک AI به متخصصان دامنه — کسانی که گیاه صنعتی را می‌شناسند اما پایتون بلد نیستند — اجازه می‌دهد اپلیکیشن‌های خودشان را بسازند. این یعنی دموکراتیزه شدن نوآوری؛ انتقال قدرت از مهندسان نرم‌افزار به اپراتورهای خط مقدم که واقعاً ماشین‌آلات را می‌شناسند.
این تغییر به کسانی که تخصص عمیق در دامنه دارند اجازه می‌دهد تا سریعاً اپلیکیشن‌های جدیدی بر اساس تجربیات واقعی خود توسعه دهند. گارج اشاره می‌کند که این همگرایی AI و تجسم فیزیکی — شبیه به رویاهای ایزاک آسیموف — نحوه کار در معادن، نیروگاه‌ها و سیستم‌های قدرت را تغییر خواهد داد.
در نهایت، بزرگ‌ترین مانع این تحول، تکنولوژی یا داده نیست، بلکه تمایل سازمان‌ها به بازنویسی فرآیندهای کسب‌وکار برای پذیرش سیستم‌های خودمختار است. برای دستیابی به ارزش واقعی، شرکت‌ها باید نحوه کار خود را تغییر دهند تا با نقاط قوت و ضعف این فناوری همسو شود.
گام بعدی شما
- اگر مدیر صنعتی هستید، ابتدا روی یکپارچه‌سازی داده‌های پراکنده (سایلوها) تمرکز کنید؛ بدون زیرساخت داده، AI فیزیکی خطرناک است.
- برای کاهش هزینه‌ها و ریسک، به‌جای مدل‌های عمومی غول‌پیکر، به دنبال مدل‌های کوچک‌تر و هدفمند (Purpose-built) باشید.
- مدل نظارتی «انسان به عنوان ناظر» را در گردش کارهای خود تعریف کنید تا مقاومت نیروی کار در برابر اتوماسیون کاهش یابد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو