اگر مدیریت یک سیستم صنعتی پیچیده را بر عهده دارید، می‌دانید که یک تصمیم اشتباه بر اساس داده‌های گمراه‌کننده می‌تواند فاجعه‌بار باشد. تصور کنید هوش مصنوعی بتواند صورت‌حساب انرژی شما را ۲۷٪ کاهش دهد و هم‌زمان نرخ بقای موجودات زنده در مزرعه را به حداکثر برساند.
در ۷ ژوئن ۲۰۲۶، سیستمی بر پایه یادگیری تقویت‌شده‌ی علی (Causal Reinforcement Learning یا CRL) در یک مزرعه ماهی در تایلند مستقر شد. یادگیری تقویت‌شده‌ی سنتی — شبیه دانش‌آموزی است که جواب‌ها را حفظ می‌کند بدون اینکه منطق آن‌ها را بفهمد — اغلب همبستگی را با علت اشتباه می‌گیرد. اما CRL مثل دانشمندی است که می‌پرسد «چرا» تا ریشه‌ی اتفاقات را پیدا کند و از تصمیمات شکننده جلوگیری کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی هوش مصنوعی در کشاورزی اشاره کردیم، گذار از مدل‌های جعبه‌سیاه به مدل‌های تفسیرپذیر، کلید پذیرش صنعتی این فناوری است. به نقل از گزارش dev.to، این سیستم از مدل‌های علّی ساختاری (Structural Causal Models یا SCM) و الگوریتم‌های PC و GES برای تحلیل رابطه میان اکسیژن محلول، pH و آمونیاک استفاده می‌کند.
نتایج این استقرار به شرح زیر است:
- افزایش نرخ بقای ماهی‌ها از ۸۲٪ به ۹۴٪
- بهبود بهره‌وری خوراک از ۱.۸:۱ به ۱.۴:۱
- کاهش ۲۷ درصدی مصرف انرژی
این سیستم همچنین دارای یک ماژول حسابرس اخلاقی (Ethical Auditor) است. این ابزار محدودیت‌ها را مستقیماً در گراف علّی مدل می‌گنجاند تا عامل هوشمند هرگز اقدامی را اجرا نکند که مرزهای اخلاقی یا زیست‌محیطی پیش‌تعیین‌شده را نقض کند.
این تغییر نشان می‌دهد که در محیط‌های حساس، استدلال علّی بر تطبیق ساده‌ی الگوها پیروز می‌شود. برای اپراتورهای صنعتی، این یعنی هوش مصنوعی از یک قمار ریسکی به ابزاری شفاف تبدیل می‌شود که می‌تواند به سؤالات «چه می‌شد اگر» پاسخ دهد.
گام بعدی شما
- بررسی کدهای باز در مخزن گیت‌هاب پروژه برای درک پیاده‌سازی SCM.
- مطالعه درباره‌ی تفاوت‌های CRL و RL سنتی در محیط‌های بیولوژیک.
- رصد پیشرفت‌های استنتاج علّی در سایر صنایع تولیدی.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ اثرات محاسبات کوانتومی بر استنتاج علّی را در گزارش بعدی بررسی خواهیم کرد.
گفتگو