جفت شدن استقلال هوش مصنوعی صنعتی و کنترل انسانی

دوقلوهای دیجیتالی زنده به کارخانه‌های صنعتی کمک می‌کنند تا بیشتر شبیه سیستم‌های زنده کار کنند و زمینه را برای صنایعی فراهم می‌کنند که همگام کار می‌کنند.

اکثر مردم محیط های صنعتی را با ماشین آلات فولادی سرد و ساعت کاری مرتبط می دانند. اما از نظر عملکردی، یک گیاه یا کارخانه بیشتر شبیه یک موجود زنده است: نبض دارد، حتی متابولیسم. با بالا رفتن سن دچار فرسودگی می شود و علائم رو به وخامت سلامتی اغلب به صورت بی نظمی هایی ظاهر می شود که به سختی قابل درک است.

فناوری دوقلوی دیجیتال مدت‌هاست که هدف آن منعکس کردن پویایی و مدل‌سازی ناهنجاری‌هایی است که ممکن است نشانه مشکلات بزرگ‌تر باشند. اما پیاده‌سازی‌های قبلی چند ضربه از واقعیت فیزیکی عقب‌تر بودند. آنها قادر به تجزیه و تحلیل بلادرنگ نبودند و قادر به رسیدگی فعالانه به مسائل شناسایی شده نبودند. آنها بیشتر بر شبیه سازی، مشاهده و برنامه ریزی سناریو چه می شد، به جای اجرای حلقه بسته تمرکز کردند.

یک دوقلو دیجیتال زنده به جای اینکه به عنوان آینه دیجیتالی واقعیت عمل کند که می تواند ناهنجاری ها را تشخیص دهد یا بهینه سازی ها را پیشنهاد کند، یک نمایش دیجیتالی پویا و با وفاداری بالا از عملیات پیچیده را با ظرفیت مداخله در دنیای فیزیکی از طریق عملیات و سیستم های کنترل ترکیب می کند.

هوش مصنوعی در مرکز این تغییر قرار دارد. راب مک گریوی، مدیر ارشد محصول در AVEVA، دوقلوهای دیجیتالی جدیدتر را به ارگانیسم هایی تشبیه می کند که رشد و تکامل می یابند. این نسخه‌های «زنده» مدل‌های سازگار و همیشه سبز دارایی‌ها و فرآیندهای یک گیاه هستند. از آنجا که آنها با شرایط زنده همگام می شوند و سیستم هایی را که زمانی در انزوا کار می کردند به هم متصل می کنند، لایه ای از دید و هماهنگی را که قبلا گم شده بود ارائه می دهند که ریتم های ارگانیک خود تأسیسات را بهتر منعکس می کند.

اکنون، هوش مصنوعی عاملی همچنین به سیستم‌های صنعتی این امکان را می‌دهد که از تشخیص یا پیشنهادات فراتر رفته و به میل خود عمل کنند. همانطور که فناوری به سمت خودمختاری بیشتر پیش می رود، شروع به ایجاد رفلکس هایی برای نوعی هموستاز صنعتی می کند که در آن تنظیمات کوچک و ثابت گیاه یا کارخانه را سالم و زمزمه نگه می دارد.

همه آنچه گفته شد، قضاوت انسانی و نظارت اپراتور هنوز نقش مهمی ایفا می‌کند و با تعریف ظاهر سالم برای شروع – و پرچم‌گذاری زمانی که سیستم‌های هوش مصنوعی از هم راستا نمی‌افتند، نقش مهمی ایفا می‌کنند. دوقلوهای دیجیتالی زنده ابزاری را برای مهندسان انسانی فراهم می‌کنند تا بر آنچه هوش مصنوعی انجام می‌دهد نظارت داشته باشند و اطمینان حاصل کنند که اجرا در مسیر درست است.

دوقلوهای دیجیتالی زنده، اطلاعات مهندسی و طراحی را با داده‌های عملیاتی بلادرنگ از طریق یک رشته دیجیتال یا یک رکورد متصل از دارایی که در طول چرخه عمر آن دنبال می‌کند، پیوند می‌دهند. چند تغییر فن آوری قابل توجه کمک کرده است تا این رشته به هم متصل شود: سنسورها (که در سال های اخیر مقرون به صرفه تر شده اند) اکنون تله متری را از دستگاه های IoT و تجهیزات کنترل صنعتی پخش می کنند و پلت فرم های نرم افزاری این اطلاعات را به رابط های کاربر پسند می آورند. مدل‌های پیش‌بینی‌کننده و مبتنی بر فیزیک همچنین می‌توانند بینش‌های غنی‌شده با هوش مصنوعی را درباره نحوه رفتار یک ماشین یا فرآیند ارائه دهند.

لنزهایی که اپراتورها از طریق آنها دوقلوهای دیجیتال را مشاهده می کنند به نوبه خود تکامل یافته اند. "شما می توانید به دوقلو دیجیتال از دریچه پایداری نگاه کنید: انتشار گازهای گلخانه ای من چیست؟" مک گریوی می گوید. "یا از طریق لنز تعمیر و نگهداری: آیا این دارایی به شیوه ای سالم کار می کند؟ یا از طریق یک معیار عملکرد: آیا تعداد ویجت های مورد نیاز من را تولید می کند؟"

مرحله بعدی این است که به هوش مصنوعی اجازه می‌دهیم بر روی بینش‌های منتخبی که آن لنزها روشن می‌کنند عمل کند. به نوبه خود، تولیدکنندگان مشتاق این فصل هستند: در نظرسنجی شورای رهبری تولید در سال 2026 از تولیدکنندگان (در برگه جدید باز می شود)، 66٪ گفتند که از هوش مصنوعی عاملی در عملیات خود استفاده می کنند یا قصد دارند از آن استفاده کنند، و 40٪ انتظار دارند تا سال 2030 درجاتی از خودمختاری کارخانه داشته باشند. نظرسنجی تولید (در برگه جدید باز می شود)، 65 درصد از مدیران، ریسک عملیاتی، از جمله احتمال ایجاد اختلال در کسب و کار را در میان نگرانی های اصلی خود قرار دادند.

منبع: MIT Technology Review Insights با داده های شورای رهبری تولید (در برگه جدید باز می شود)، 2026

مک گریوی در مورد روند مداوم خودگردانی هوش مصنوعی می‌گوید: «تصفیه‌های بیشتری باید انجام شود، نکات اثباتی، آزمایش‌ها و اعتبارسنجی‌های بیشتری مورد نیاز است». در کوتاه مدت، مک گریوی انتظار دارد که هوش مصنوعی عامل مسیری را که در سایر فناوری‌های صنعتی مانند سیستم‌های اسکادا دیده می‌شود، دنبال کند. او می‌گوید: «S» در SCADA به معنای نظارت است و نظارت به معنای وجود یک انسان در وسط است. او می‌بیند که هوش مصنوعی عمدتا در آن حالت مشاوره برای آینده قابل پیش‌بینی کار می‌کند، با استقلال کامل محدود به وظایف باریک و بسیار تکراری.

در مورد نقش اپراتورهای انسانی، روز به روز در حال تکامل است. کارگرانی که زمانی در یک خط فرآیند واحد یا وظیفه تعمیر و نگهداری تخصص داشتند، اکنون می توانند چندین رشته را بپذیرند. آنها می توانند زمان و تلاش کمتری را صرف تأیید اقدامات معمول یک به یک و بیشتر برای تعیین محدودیت های عملیاتی قابل قبول کنند. از آنجایی که هوش مصنوعی می تواند الگوها را در داده هایی که دریافت می کند تقویت کند، تشخیص زودهنگام اشتباهات بخش اصلی کار است. دانش و تجربه انسان در تفسیر آنچه که هوش مصنوعی می بیند و انجام می دهد، ابزاری است.

حکمرانی در مقیاس شرکت و صنعت نیز نیاز به انطباق با زمان دارد. سازمان‌ها باید حفاظ‌های روشنی ایجاد کنند که هوش مصنوعی می‌تواند به تنهایی برای تصمیم‌گیری اتخاذ کند و اقداماتش چگونه نظارت و ممیزی می‌شود. با این حال، بسیاری هنوز پادمان‌های جامع را تنظیم نکرده‌اند: در مطالعه اخیر از AVEVA و IMD (در برگه جدید باز می‌شود)، 43 درصد از سازمان‌ها گفتند که هوش مصنوعی تصمیم‌گیری و مسئولیت‌پذیری را در بین شرکای اکوسیستم فقط اندکی تغییر داده یا اصلا تغییر نکرده است، در حالی که فقط 23 درصد یک تغییر اساسی یا اساسی را گزارش کردند.

(فقط 27٪ گزارش داده اند که داده ها را به طور عمده یا گسترده با شرکا به اشتراک گذاشته اند.)

در این بین، تنظیم کننده ها شروع به تعریف برخی از قوانین می کنند. قانون هوش مصنوعی اتحادیه اروپا برخی از اجزای ایمنی هوش مصنوعی مورد استفاده در زیرساخت های حیاتی را به عنوان پرخطر طبقه بندی می کند و الزاماتی را برای نظارت انسانی اعمال می کند. شرکت ها نیز ساختارهای خود را راه اندازی می کنند. به عنوان مثال، AVEVA دارای یک هیئت مدیره مدیریت هوش مصنوعی و مجموعه ای از اصول منتشر شده برای چگونگی توسعه و استقرار هوش مصنوعی است.

در داخل سیستم های نیمه مستقلی که قبلا در حال اجرا هستند، این نظارت از یک استقرار به دیگری متفاوت به نظر می رسد. در برخی موارد، یک اپراتور هر اقدامی را تایید می کند. در برخی دیگر، هوش مصنوعی به خودی خود عمل می کند در حالی که افراد بر مرزهایی که می تواند در آن عمل کند نظارت و تعیین می کنند. مک گریوی چندین مثال از اینکه استقلال ماشین و همکاری انسان و ماشین در میان مشتریان AVEVA چگونه به نظر می رسد را ذکر می کند:

همان هماهنگ‌سازی که زمانی در سیستم‌های فناوری کارخانه‌های منفرد وجود نداشت، در مقیاس بزرگ‌تر نیز وجود نداشت. مک گریوی می‌گوید: «تولید و زیرساخت‌های حیاتی در 50 سال گذشته به‌عنوان سیستم‌های سیل‌دار عمل کرده‌اند. اما او پیشنهاد می‌کند که برخی از فناوری‌های نوظهور فرصت‌هایی را برای هماهنگی جامع‌تر ایجاد می‌کنند.

در سطح سازمانی، این ممکن است شامل ادغام هوش مصنوعی فیزیکی باشد: سیستم‌هایی که رباتیک و فناوری‌های حسگر را با تصمیم‌گیری مبتنی بر هوش مصنوعی جفت می‌کنند. به عنوان مثال، پهپادهایی که بر فراز خطوط لوله و خطوط برق پرواز می‌کنند، می‌توانند داده‌های بازرسی بصری را به الگوریتم‌هایی برسانند که نشت گاز و سایر خطرات را تشخیص می‌دهند. این نه تنها جریان اطلاعات دقیق‌تر و مرتبط‌تری ایجاد می‌کند، بلکه انسان را از نیاز به ورود فیزیکی به محیط‌های بالقوه خطرناک دور می‌کند.

مک‌گریوی پیش‌بینی می‌کند: «هم‌گرایی روباتیک-مقاومت-نرم‌افزار به معنای حوادث کمتر، خاموشی‌های کمتر و روشی پایدارتر برای عملکرد خواهد بود».

یک نسخه با تصویر بزرگتر فراتر از هر کارخانه یا فرآیندی به کل شبکه های صنعتی گسترش می یابد، چیزی که مک گریوی آن را "زنجیره ارزش یکپارچه" می نامد. او می‌گوید: «دوقلوهای دیجیتالی زنده، جلوه‌های دیجیتالی کل زنجیره ارزش را ممکن می‌سازند. این به شرکت‌ها اجازه می‌دهد تا به تغییرات زنجیره تامین، تغییرات تقاضا، تعرفه‌ها و در دسترس بودن مواد واکنش سریع نشان دهند.

مک گریوی می‌افزاید: در میان واقعیت‌های امروزی ژئوپلیتیک آشفته و تغییر تقاضاهای نظارتی، چنین انعطاف‌پذیری «یک ضرورت مطلق» خواهد بود. بدون آن، اداره یک تجارت موثر بسیار سخت خواهد بود.