Automasi Pintar: Laluan yang Betul untuk Pelaksanaan AI dalam Pembuatan

Latar Belakang Industri

Industri pembuatan sedang mengalami gelombang baru AI. Gartner meramalkan bahawa perbelanjaan AI generatif global akan mencecah $644 bilion pada tahun 2025. Jurutera, pengendali kilang dan pemimpin teknologi sangat berharap AI dapat meningkatkan kualiti, mengurangkan kerja semula, dan meningkatkan hasil. Walau bagaimanapun, kebanyakan syarikat mendapati bahawa mengubah demonstrasi AI menjadi nilai perniagaan sebenar adalah jauh lebih sukar daripada yang dijangkakan — menambahkan antara muka sembang atau menghubungkan model bahasa ke pangkalan data sahaja tidak mencukupi.

Cabaran ini tidak asing lagi. Lebih sepuluh tahun lalu, gelombang pertama sains data dan pembelajaran mesin (DS/ML) perindustrian telah mendorong inisiatif Industri 4.0. Pada masa itu, pelaburan besar tertumpu pada pembinaan platform data, dengan projek analisis deskriptif, analisis eksploratori, dan analisis ramalan yang tidak terkira banyaknya. Namun, banyak projek gagal menghasilkan nilai operasi. Sebab utama adalah algoritma generasi pertama direka untuk tingkah laku internet probabilistik (seperti cadangan iklan), bukan untuk persekitaran perindustrian yang memerlukan kepastian, keselamatan dan keberkesanan fizikal.

Gelombang AI semasa mungkin mengulangi kesilapan yang sama. Walaupun AI generatif, pembantu, model asas dan agen industri sedang memudahkan proses automasi, cara penggunaannya serupa dengan pembelajaran mesin awal, dan pada skala yang lebih besar. Kilang memerlukan pembumian masa nyata, kekangan fizikal, jaminan keselamatan dan pematuhan, manakala AI moden cemerlang dalam bahasa, ringkasan dan penjanaan jawapan yang munasabah. Syarikat mula bertanya: "Kami sudah mempunyai semua data, sekarang beritahu kami bagaimana untuk menggunakannya."

Kepintaran Automasi: Merapatkan Jurang

Memahami cara AI berjaya digunakan dalam industri pembuatan memerlukan pengetahuan tentang teknologi itu sendiri, hubungannya dengan bidang sains data yang lebih luas, serta pengajaran daripada gelombang pertama Industri 4.0. Berasaskan ini, rangka kerja Kepintaran Automasi (Automation Intelligence) telah dibangunkan. Rangka kerja ini menggabungkan alat AI semasa dengan kekangan kejuruteraan untuk meningkatkan kadar kejayaan penyelesaian masalah perindustrian.

Kemajuan AI kontemporari terutamanya didorong oleh model bahasa besar (LLM). Teras LLM adalah mempelajari corak statistik dalam bahasa untuk meramalkan perkataan seterusnya. Dengan peningkatan kuasa pengiraan, mereka boleh menjana jawapan yang sangat koheren dan relevan dengan konteks. Namun, tanpa pembumian yang sesuai, sistem ini dalam senario perindustrian lebih mirip enjin carian dan sintesis lanjutan. AI mudah mengalami "halusinasi" — menjana jawapan yang tidak tepat secara fakta. Keterbatasan ini mengingatkan kita bahawa aplikasi berjaya DS/ML perindustrian gelombang pertama akhirnya dicapai melalui pengenalan kekangan kejuruteraan, peraturan domain dan kaedah penyesuaian output algoritma.

Walaupun AI semasa telah membuat kemajuan ketara dalam kesesuaian dan daya pemprosesan, output perindustriannya mesti memenuhi kekangan seperti ketepatan, keselamatan dan kestabilan, yang bukan sifat asli seni bina AI. Aliran kerja agen (Agentic Workflows) boleh mengurangkan halusinasi sedikit sebanyak dan mengenakan kekangan output, tetapi tanpa konteks proses dan peraturan kejuruteraan, ia mungkin masih gagal memenuhi keperluan perindustrian, di samping menimbulkan kerumitan pengiraan.Automasi pintar merapatkan jurang ini. Dengan menggunakan kekangan kejuruteraan pada input dan output AI, ia membolehkan tindakan yang terhasil daripada output AI berfungsi secara berkesan dalam sistem perindustrian. Pendekatan ini bukan sahaja membuka kunci nilai segera, tetapi juga meletakkan asas bagi organisasi untuk mengembangkan aplikasi AI semasa ke hadapan seterusnya—Model Penglihatan-Bahasa-Tindakan.

Kajian Kes Praktikal

• Pertimbangkan satu contoh mudah: tanya AI "Seberapa laju kereta itu?" Jawapan yang mungkin adalah anggaran kelajuan atau kaedah untuk mengira kelajuan, dan kecil kemungkinan untuk mengembalikan kuantiti yang tidak berkaitan. Ini sendiri bernilai: ia dapat mengurangkan masa penyahpepijatan, menyempitkan skop penyiasatan punca, dan membantu melatih pengendali baharu. Namun, memahami prinsip AI memberitahu kita bahawa jawapan berasal daripada corak bahasa yang dipelajari, bukan daripada persepsi langsung sistem fizikal. Automasi pintar menyediakan kekangan konteks kritikal untuk meningkatkan kebolehpercayaan, contohnya:
• Had laju: Kereta yang bergerak biasanya berhampiran julat had laju;
• Jarak dengan kenderaan di hadapan: Dengan andaian kenderaan di hadapan mematuhi had laju, jarak mengikut mengekang kelajuan yang mungkin;
• Had mekanikal kenderaan: Kelajuan dihadkan oleh had fizikal kenderaan.
• Peraturan-peraturan ini mewakili konteks proses, menyediakan kekangan untuk AI. Berbanding dengan pengesahan selepas fakta atau pasca-pemprosesan ejen, automasi pintar menggunakan kekangan kejuruteraan pada AI, menjadikannya sebagai lapisan disiplin yang disepadukan dengan sistem kawalan perindustrian.

Kesan Pasaran

Automasi pintar boleh mempercepatkan penggunaan AI dalam industri seperti makanan dan minuman, automotif dan tayar, semikonduktor, minyak dan gas, pembungkusan barangan pengguna, farmaseutikal, dan lain-lain. Aplikasi biasa dalam sektor menegak ini termasuk proses diskret dan berterusan (pengeringan, sintesis kimia, pemasangan, penyemperitan, pembungkusan, penggulungan, penulenan, pencampuran, dll.). Walaupun banyak proses telah dioptimumkan selama beberapa dekad, AI masih mencipta peluang nilai baharu. Automasi pintar memendekkan laluan kepada nilai perindustrian dan meningkatkan kadar kejayaan penggunaan.

Bagi penyedia infrastruktur AI (seperti NVIDIA, pembekal perkhidmatan awan), permintaan untuk AI yang boleh dipercayai dan boleh diterangkan dalam sektor perindustrian mungkin mendorong pembangunan cip penaakulan khusus dan penyelesaian pengkomputeran tepi. Bagi vendor perisian pembuatan (seperti Rockwell Automation, Siemens), produk yang menggabungkan automasi pintar akan mendapat kelebihan daya saing. Pelabur harus memberi perhatian kepada syarikat pemula yang dapat menggabungkan kekangan kejuruteraan dengan AI secara mendalam.

Landskap Persaingan

Dalam pasaran AI industri semasa, gergasi automasi tradisional (Rockwell, Siemens, ABB) sedang bersaing dengan syarikat asli AI (seperti C3.ai, Uptake). Rangka kerja automasi pintar yang dicadangkan oleh pakar dari Rockwell Automation menunjukkan bahawa vendor automasi industri tradisional secara aktif menggabungkan keupayaan AI ke dalam platform mereka. Model sumber terbuka (seperti Llama, Falcon) dan model sumber tertutup (seperti GPT-4, Claude) masih memerlukan pengesahan tentang kesesuaiannya dalam senario industri, tetapi penyelesaian tersuai berdasarkan kekangan kejuruteraan mungkin lebih berfaedah.

Implikasi PerusahaanPerusahaan pembuatan harus memberi perhatian kepada perkara berikut semasa menggunakan AI: 1. Jangan terlalu menilai AI umum: Persekitaran industri memerlukan kepastian, dan penyelesaian yang boleh mengenakan kekangan kejuruteraan harus diutamakan. 2. Belajar dari sejarah: Projek gelombang pertama AI mempunyai kadar kegagalan yang tinggi, pastikan output AI boleh disahkan dan dijelaskan. 3. Perhatikan model Agent dan VLA: Aliran kerja Agent boleh mengurangkan halusinasi, manakala model Vision-Language-Action adalah hala tuju masa depan. 4. Melabur dalam infrastruktur data: AI yang berasaskan bumi memerlukan data berkualiti tinggi dan berkonteks.

Prospek Masa Depan

Dalam 12-24 bulan akan datang, kecerdasan automasi akan digunakan secara meluas sebagai kaedah utama pelaksanaan AI industri. Dijangka aliran kerja Agent akan menjadi standard, manakala model Vision-Language-Action mungkin memasuki fasa perintis dalam tempoh 3 tahun. Dari segi infrastruktur AI, permintaan untuk pengkomputeran pinggir dan cip AI industri khusus akan meningkat. Dari segi kawal selia, keselamatan dan kebolehpercayaan AI industri mungkin menjadi tumpuan peraturan baharu. Syarikat harus membina keupayaan kekangan kejuruteraan lebih awal untuk menduduki kedudukan dalam gelombang persaingan seterusnya.