
محیطهای صنعتی برخلاف تصور عامه که آنها را مجموعهای از ماشینآلات سرد و مکانیکی میدانند، عملکردی شبیه به موجودات زنده دارند. کارخانهها دارای نبض و سوختوساز هستند و فرسودگی آنها غالباً با اختلالات و ناهنجاریهای بسیار جزئی آغاز میشود.
فناوری «دوقلوی دیجیتال» (Digital Twin) سالها است که تلاش میکند این پویایی را شبیهسازی کند، اما نسخههای اولیه این فناوری همواره چند گام از واقعیت فیزیکی عقبتر بودند و امکان تحلیل زمانواقعی یا اقدام پیشگیرانه را نداشتند. آنها بیشتر بر شبیهسازی، مشاهده و تحلیل سناریوهای مفروض تمرکز داشتند تا اجرای حلقه-بسته. اما یک «دوقلوی دیجیتال پویا» (Living Digital Twin) بازنمایی دیجیتالی دائم و دقیقی از عملیات پیچیده را با توانایی مداخله مستقیم در جهان فیزیکی از طریق سیستمهای کنترلی ترکیب میکند.
هوش مصنوعی در مرکز این تحول قرار دارد. راب مکگریوی (Rob McGreevy)، مدیر ارشد محصول در شرکت AVEVA، دوقلوهای دیجیتال مبتنی بر هوش مصنوعی را به ارگانیسمهایی تشبیه میکند که رشد کرده و تکامل مییابند. این مدلهای پویا، همگام با شرایط زنده کارخانه بهروزرسانی میشوند و با اتصال سیستمهای مجزا، سطح جدیدی از شفافیت و هماهنگی عملیاتی را فراهم میسازند.
اکنون با ظهور «هوش مصنوعی عاملمحور» (Agentic AI)، سیستمهای صنعتی در حال عبور از مرحله عیبیابی صرف و حرکت به سوی اقدام مستقل هستند. این فناوری با نزدیک شدن به خودمختاری بیشتر، نوعی تعادل حیاتی (هموستاز) صنعتی ایجاد میکند که در آن تعدیلهای مداوم و کوچک، سلامت و کارایی کارخانه را تضمین میکند.
با این همه، قضاوت انسانی و نظارت اپراتورها همچنان نقشی کلیدی در تعریف استانداردهای عملکردی و شناسایی انحرافات هوش مصنوعی ایفا میکند. دوقلوهای دیجیتال پویا بستری را فراهم میآورند تا مهندسان بتوانند اقدامات هوش مصنوعی را پایش کرده و از صحت اجرای عملیات اطمینان حاصل کنند.
دوقلوهای دیجیتال پویا، اطلاعات مهندسی و طراحی را از طریق یک «نخ دیجیتال» (Digital Thread) به دادههای عملیاتی زمانواقعی متصل میکنند. افزایش حسگرهای ارزانقیمت، گسترش اینترنت اشیاء صنعتی (IIoT) و مدلهای پیشبینی مبتنی بر فیزیک، بستر ارائه تحلیلهای دقیق هوش مصنوعی را فراهم کردهاند.
«شما میتوانید دوقلوی دیجیتال را از زاویه پایداری بررسی کنید: میزان انتشار آلایندهها چقدر است؟ یا از زاویه نگهداری و تعمیرات: آیا این تجهیز عملکرد سالمی دارد؟ یا از زاویه شاخصهای عملکردی: آیا میزان تولید مطابق نیاز است؟»
زاویه دید اپراتورها نسبت به دوقلوهای دیجیتال نیز تکامل یافته است. همانطور که مکگریوی اشاره میکند، این ابزارها اکنون میتوانند همزمان پاسخگوی نیازهای محیطزیستی، برنامههای نگهداری پیشگیرانه و اهداف تولیدی باشند.
گام بعدی، واگذاری اختیار تصمیمگیری و اقدام به هوش مصنوعی بر اساس تحلیلهای دریافتی است. بر اساس نظرسنجی شورای رهبری تولید (Manufacturing Leadership Council)، حدود ۶۶ درصد از تولیدکنندگان از هوش مصنوعی عاملمحور استفاده میکنند یا قصد بهکارگیری آن را دارند، و ۴۰ درصد انتظار دارند تا سال ۲۰۳۰ به درجاتی از خودمختاری کارخانهای دست یابند. در مقابل، طبق گزارش دیلویت (Deloitte)، ۶۵ درصد از مدیران ارشد، ریسکهای عملیاتی و احتمال توقف تولید را از دغدغههای اصلی خود میدانند.
بنابراین، هوش مصنوعی در آینده نزدیک نقشی هدایتگر و مشاورهای خواهد داشت—مشابه سیستمهای اسکادا (SCADA) که در آنها حرف S مخفف Supervisory (نظارتی) است و بر حضور انسان در زنجیره تصمیمگیری تأکید دارد. خودمختاری کامل هوش مصنوعی در حال حاضر به وظایف بسیار محدود و تکراری محدود میشود.
نقش اپراتورهای انسانی نیز در حال تغییر است. نیروهایی که پیشتر تنها بر یک خط تولید تمرکز داشتند، اکنون میتوانند حوزههای متعددی را مدیریت کنند. آنها به جای تایید تکتک اقدامات روتین، وقت خود را صرف تعیین مرزها و محدودههای مجاز عملیاتی میکنند. تجربه و دانش انسانی در تفسیر رفتارهای هوش مصنوعی و اصلاح خطاهای احتمالی آن نقشی حیاتی دارد.
در سطح کلان نیز حاکمیت شرکتی و قوانین صنعتی باید با شرایط جدید تطبیق یابند. سازمانها نیازمند تعیین چارچوبهای شفاف برای تصمیمات مستقل هوش مصنوعی هستند. قوانینی مانند «قانون هوش مصنوعی اتحادیه اروپا» (EU AI Act)، اجزای ایمنی هوش مصنوعی در زیرساختهای حیاتی را پرریسک طبقهبندی کرده و کنترل انسانی را الزامی دانسته است.
میزان خودمختاری ماشینها و همکاری انسان و هوش مصنوعی در پروژههای صنعتی گوناگون متفاوت است. برخی از نمونههای عملیاتی عبارتند از:
در طول ۵۰ سال گذشته، بخش تولید و زیرساختهای حیاتی عمدتاً بهصورت سیستمهای مجزا و جزیرهای فعالیت کردهاند. با این حال، ظهور «هوش مصنوعی فیزیکی» (Physical AI)—که فناوریهای رباتیک و حسگرها را با تصمیمگیری هوشمند پیوند میدهد—امکان هماهنگی کلان را فراهم کرده است.
برای نمونه، استفاده از پهپادها برای بازرسی خطوط لوله و انتقال نیرو و ارسال دادهها به الگوریتمهای تشخیص نشتی، علاوه بر افزایش دقت، نیاز به حضور انسان در محیطهای خطرناک را از بین میبرد. همگرایی نرمافزار و رباتیک منجر به کاهش حوادث، قطعیهای کمتر و عملیات پایدارتر خواهد شد.
«همگرایی رباتیک و نرمافزار به معنای حوادث کمتر، قطعیهای کمتر و روشی پایدارتر برای عملیات صنعتی خواهد بود.»
در سطحی گستردهتر، دوقلوهای دیجیتال پویا شکلگیری «زنجیره ارزش یکپارچه» (Integrated Value Chain) را ممکن میسازند. این فناوری به صنایع اجازه میدهد در برابر چالشهای ژئوپلیتیک، تغییرات زنجیره تامین، نوسانات تعرفهای و اختلالات موجودی مواد اولیه، واکنش سریع و انعطافپذیری نشان دهند.
این مطلب بر اساس خبر MIT Technology Review بازنویسی و ترجمه شده است.
دیدگاهها۰
برای ثبت نظر، پرسش یا رأی ابتدا وارد حساب کاربری شوید.