الأتمتة الذكية: المسار الصحيح لتطبيق الذكاء الاصطناعي في الصناعة التحويلية

خلفية الصناعة

تشهد الصناعات التحويلية موجة جديدة من الحماس للذكاء الاصطناعي. تتوقع Gartner أن يصل الإنفاق العالمي على الذكاء الاصطناعي التوليدي إلى 644 مليار دولار في عام 2025. يتطلع المهندسون ومشغلو المصانع وقادة التكنولوجيا إلى أن يتمكن الذكاء الاصطناعي من تحسين الجودة وتقليل إعادة العمل وزيادة الإنتاجية. ومع ذلك، تجد معظم الشركات أن تحويل عروض الذكاء الاصطناعي التوضيحية إلى قيمة تجارية فعلية أصعب بكثير مما كان متصورًا — فمجرد إضافة واجهة محادثة أو ربط نموذج لغوي بقاعدة بيانات ليس كافيًا على الإطلاق.

هذا التحدي ليس جديدًا. قبل أكثر من عقد، دفعت الموجة الأولى من علم البيانات والتعلم الآلي (DS/ML) الصناعي مبادرات الصناعة 4.0. في ذلك الوقت، تركزت الاستثمارات الكبيرة على بناء منصات البيانات، وظهرت مشاريع التحليل الوصفي والتحليل الاستكشافي والتحليل التنبؤي بكثرة. لكن العديد من هذه المشاريع فشلت في تحقيق قيمة تشغيلية. السبب الرئيسي هو أن الخوارزميات من الجيل الأول صُممت للسلوك الاحتمالي على الإنترنت (مثل توصيات الإعلانات)، وليس للبيئات الصناعية التي تتطلب اليقين والسلامة والفعالية الفيزيائية.

قد تكرر موجة الذكاء الاصطناعي الحالية نفس الأخطاء. على الرغم من أن الذكاء الاصطناعي التوليدي والمساعدين والنماذج الأساسية والعوامل الصناعية تعمل على تبسيط عمليات الأتمتة، إلا أن طريقة اعتمادها تشبه التعلم الآلي المبكر، وبحجم أكبر. تحتاج المصانع إلى الارتباط بالواقع الفوري والقيود الفيزيائية وضمانات السلامة والامتثال، بينما يتفوق الذكاء الاصطناعي الحديث في معالجة اللغة والتلخيص وتوليد إجابات معقولة. تتساءل الشركات: "لدينا كل البيانات، والآن أخبرونا كيف نستخدمها."

الذكاء الآلي: سد الفجوة

لفهم كيفية تطبيق الذكاء الاصطناعي بنجاح في الصناعات التحويلية، من الضروري التعرف على التكنولوجيا نفسها، وعلاقتها بمجال علم البيانات الأوسع، والدروس المستفادة من الموجة الأولى للصناعة 4.0. بناءً على ذلك، ظهر إطار الذكاء الآلي (Automation Intelligence). يجمع هذا الإطار بين أدوات الذكاء الاصطناعي الحالية، ويعزز نجاح حل المشكلات الصناعية من خلال القيود الهندسية.

التقدم الحالي في الذكاء الاصطناعي يعتمد بشكل أساسي على نماذج اللغة الكبيرة (LLM). جوهر LLM هو تعلم الأنماط الإحصائية في اللغة للتنبؤ بالكلمة التالية. بفضل الزيادة في القدرة الحاسوبية، يمكنها توليد إجابات متماسكة للغاية وذات صلة بالسياق. ولكن بدون الارتباط المناسب، تعمل هذه الأنظمة في البيئات الصناعية كمحركات بحث وتجميع متقدمة. الذكاء الاصطناعي عرضة لـ"الهلوسة" — توليد إجابات غير دقيقة فعليًا. يذكرنا هذا القيد بأن التطبيقات الناجحة للموجة الأولى من علم البيانات والتعلم الآلي الصناعي كانت في النهاية من خلال إدخال قيود هندسية وقواعد المجال وطرق تخصيص مخرجات الخوارزميات.

على الرغم من أن الذكاء الاصطناعي الحالي أظهر تقدمًا كبيرًا في المرونة والإنتاجية، إلا أن مخرجاته الصناعية يجب أن تفي بقيود الدقة والسلامة والاستقرار، وهي ليست أصلية في بنية الذكاء الاصطناعي. يمكن لسير عمل العوامل (Agentic Workflows) أن تخفف إلى حد ما من الهلوسة وتفرض قيودًا على المخرجات، ولكنها قد لا تفي بالمتطلبات الصناعية في غياب السياق العملي والقواعد الهندسية، مع إضافة تعقيد حسابي.الذكاء الآلي يسد هذه الفجوة. من خلال تطبيق القيود الهندسية على مدخلات ومخرجات الذكاء الاصطناعي، فإنه يمكّن الإجراءات الناتجة عن مخرجات الذكاء الاصطناعي من العمل بفعالية على الأنظمة الصناعية. هذا النهج لا يفتح قيمة فورية فحسب، بل يضع الأساس للمؤسسات لتطوير تطبيقات الذكاء الاصطناعي الحالية إلى الحدود التالية – نماذج الرؤية واللغة والحركة (Vision-Language-Action Models).

أمثلة عملية

• لنأخذ مثالاً بسيطًا: سؤال الذكاء الاصطناعي "كم سرعة السيارة؟" من المرجح أن تكون الإجابة تقديرًا للسرعة أو طريقة حسابها، ومن غير المرجح أن تعود بكمية غير ذات صلة. هذا في حد ذاته ذو قيمة: يمكن أن يقلل وقت التصحيح، ويضيق نطاق التحقيق في السبب الجذري، ويساعد في تدريب مشغلين جدد. لكن فهم مبادئ الذكاء الاصطناعي يخبرنا أن الإجابة تنبع من أنماط لغوية مكتسبة، وليس من إدراك مباشر للنظام المادي. يوفر الذكاء الآلي قيودًا سياقية حاسمة لزيادة الموثوقية، على سبيل المثال:
• حد السرعة: عادة ما تكون السيارة المسافرة قريبة من نطاق الحد الأقصى للسرعة؛
• المسافة من السيارة الأمامية: بافتراض أن السيارة الأمامية تلتزم بالحد الأقصى للسرعة، فإن مسافة التتبع تقيد السرعة المحتملة؛
• الحدود الميكانيكية للمركبة: السرعة محدودة بالحدود الفيزيائية للمركبة.
• تمثل هذه القواعد السياق العملي، وتوفر قيودًا للذكاء الاصطناعي. مقارنةً بالتحقق اللاحق أو المعالجة اللاحقة للوكيل، يطبق الذكاء الآلي القيود الهندسية على الذكاء الاصطناعي، مما يجعله طبقة انضباط تدمج مع أنظمة التحكم الصناعية.

الأثر السوقي

يمكن للذكاء الآلي تسريع اعتماد الذكاء الاصطناعي في صناعات مثل الأغذية والمشروبات، السيارات والإطارات، أشباه الموصلات، النفط والغاز، تغليف السلع الاستهلاكية، الأدوية، وغيرها. تشمل التطبيقات الشائعة في هذه القطاعات الرأسية العمليات المنفصلة والمستمرة (التجفيف، التخليق الكيميائي، التجميع، البثق، التغليف، اللف، التنقية، الخلط، إلخ). على الرغم من أن العديد من العمليات قد تم تحسينها لعقود، إلا أن الذكاء الاصطناعي لا يزال يخلق فرصًا جديدة للقيمة. الذكاء الآلي يقصر مسار القيمة الصناعية ويزيد من معدل نجاح النشر.

بالنسبة لمزودي البنية التحتية للذكاء الاصطناعي (مثل NVIDIA، مزودي الخدمات السحابية)، قد يدفع الطلب الصناعي على الذكاء الاصطناعي الموثوق والقابل للتفسير إلى تطوير رقائق استدلال متخصصة وحلول حوسبة متطورة. بالنسبة لشركات برمجيات التصنيع (مثل Rockwell Automation، Siemens)، ستكتسب المنتجات التي تدمج الذكاء الآلي ميزة تنافسية. يجب على المستثمرين التركيز على الشركات الناشئة التي يمكنها دمج القيود الهندسية مع الذكاء الاصطناعي بعمق.

المشهد التنافسي

في سوق الذكاء الاصطناعي الصناعي الحالي، تتنافس عمالقة الأتمتة التقليدية (Rockwell، Siemens، ABB) مع الشركات الناشئة في الذكاء الاصطناعي (مثل C3.ai، Uptake). تم اقتراح إطار الذكاء الآلي من قبل خبراء Rockwell Automation، مما يشير إلى أن شركات الأتمتة الصناعية التقليدية تدمج بنشاط قدرات الذكاء الاصطناعي في منصاتها. لا تزال قابلية تطبيق النماذج مفتوحة المصدر (مثل Llama، Falcon) والنماذج مغلقة المصدر (مثل GPT-4، Claude) في السياقات الصناعية بحاجة إلى التحقق، ولكن الحلول المخصصة القائمة على القيود الهندسية قد تكون أكثر فائدة.

رؤى للمؤسسات## رؤى للمؤسسات

عند نشر الذكاء الاصطناعي، يجب على شركات التصنيع التركيز على النقاط التالية: 1. لا تبالغ في تقدير الذكاء الاصطناعي العام: البيئة الصناعية تحتاج إلى اليقين، لذا يجب اختيار الحلول التي تفرض قيودًا هندسية. 2. استفد من الدروس التاريخية: معدل فشل مشاريع الموجة الأولى من الذكاء الاصطناعي كان مرتفعًا، لذا يجب ضمان أن مخرجات الذكاء الاصطناعي قابلة للتحقق والتفسير. 3. انتبه إلى نماذج العامل (Agent) ونماذج VLA: يمكن لسير عمل العامل (Agent) تخفيف الهلوسة، بينما نماذج الرؤية-اللغة-الفعل (Vision-Language-Action) هي الاتجاه المستقبلي. 4. استثمر في البنية التحتية للبيانات: الذكاء الاصطناعي المربوط بالأرض يحتاج إلى بيانات عالية الجودة وذات سياق.

التوقعات المستقبلية

في الأشهر الـ12-24 القادمة، سيعتمد الذكاء الاصطناعي التلقائي كطريقة رئيسية لنشر الذكاء الاصطناعي في الصناعة. من المتوقع أن يصبح سير عمل العامل (Agent) معيارًا، بينما قد تدخل نماذج الرؤية-اللغة-الفعل (Vision-Language-Action) مرحلة التجربة خلال 3 سنوات. فيما يتعلق بالبنية التحتية للذكاء الاصطناعي، سيزداد الطلب على الحوسبة الطرفية ورقائق الذكاء الاصطناعي الصناعية المتخصصة. أما في الجانب التنظيمي، فقد تصبح سلامة وموثوقية الذكاء الاصطناعي الصناعي محورًا للوائح الجديدة. يجب على الشركات بناء القدرات الهندسية في أقرب وقت ممكن لتحتل مكانة متقدمة في الموجة التنافسية القادمة.