Искусственный интеллект набирает обороты и меняет окружающий мир. Физический ИИ, системы, способные воспринимать, отслеживать, принимать решения и действовать в реальном мире, привлекают все большее внимание, которое во многом обусловлено перспективами в плане максимизации эффективности и прибыли, а также его масштабируемости.
Однако нынешние дискуссии о потенциальной роли инновационных внедрений в производстве довольно поляризованы. Одна сторона предсказывает, что более сложные, автономные системы приведут к созданию самодостаточных, полностью автоматизированных заводских цехов. Другая сторона, более скептически настроенная, сомневается в том, что автономные системы «компьютерного разума» когда-либо достигнут таких возможностей. Тем не менее, внедрение автоматизации в процессы промышленных предприятий ускоряется. Планы развития пересматриваются. Бюджеты перераспределяются согласно этому планированию. Советы директоров требуют измеримых результатов от этих внедрений. Но за этим энтузиазмом скрывается неприятная правда: на протяжении десятилетий большинство компаний отходили от создания ценности и двигались в сторону процессов. Однако сейчас ИИ вынуждает к этим изменениям.
В будущем, скорее всего, речь пойдёт не о чем-то одном, а о сочетании этих подходов. Физический ИИ, несомненно, развивается и, вероятно, станет неотъемлемой частью производственного процесса, выполняя скорее активные, чем пассивные функции анализа. Однако до этого момента производителям необходимо учитывать ряд факторов. Физический ИИ отличается от генеративного тем, что он принимает решения, основываясь на данных из физического мира. Ставки, пожалуй, выше, а последствия более серьёзны. Роботы, управляемые большими узкопрофильными нейросетями, действуют на основе полученных данных от сервера дата-центра, в то время как традиционные модели ИИ просто обрабатывают информацию, на основе которой могут действовать люди. Неправильно управляемый роботизированный станок может повредить имущество или серьёзно навредить людям.
Крайне важно отметить, что ни одно решение не является «волшебной палочкой», способной полностью исключить присутствие человека в штатной или критической ситуации. Хотя технологии значительно развились, хорошо известно, что некоторые черты останутся присущими человеку от природы. Креативность, критическое и стратегическое мышление, а также этические соображения останутся в сфере человеческой деятельности. Фактически, треть рабочего времени работников требует социальных и эмоциональных навыков, которыми ИИ не обладает.
Эти факторы во многом определят траекторию развития физического ИИ на заводских площадках, который будет совершенствовать процессы, заполняя пробелы, подверженные человеческим ошибкам: например, ускорять операции и логистику, обеспечивать более точное ведение учёта, осуществлять более быструю и полную коммуникацию, а также более эффективный обмен знаниями.
Как правило, производительность повышается на зрелых автоматизированных процессах, постепенно расширяясь на новые области, методом проб и ошибок. При этом экономическая целесообразность выступает важным, но не основополагающим ориентиром. К тому же, сложность бэкэнда физического ИИ является серьёзным ограничением. Роботы, коботы, датчики и другое оборудование полагаются на точные данные в реальном времени для осуществления своей работы. Значительная часть этой информации, обычно поступает на сервер для обработки от систем машинного зрения и датчиков движения. Такие данные жизненно важны для того, чтобы системы могли интерпретировать окружающую среду и динамически корректировать своё поведение. Искусственный интеллект, работающий в физической среде, должен уметь контекстуализировать информацию в условиях быстрого изменения окружающей его среды. Реальные сценарии производства различаются в зависимости от ситуации, где требуется высокая степень и скорость адаптивности.
Данные должны быть одновременно высококачественными и достаточно полными, чтобы отражать реальную изменчивость ситуации. Статические наборы данных более осуществимы, но физический ИИ опирается на обучение с подкреплением, а непрерывные циклы обратной связи служат для достижения максимальной эффективности. К сожалению, в производственной сфере существуют огромные пробелы в этом сегменте, которые продолжают препятствовать внедрению автоматизации во все производственные процессы. В условиях многих производственных площадок, особенно в менее автоматизированных, чёткая и подробная информация о поведении работников-людей вообще отсутствует. Более того, большинство процессов не оцифрованы: всего пару лет назад 70% производителей по-прежнему собирали данные вручную. Даже дополнительное время, необходимое для выявления первопричин этих проблем, может потребовать множества проб, ошибок и, да, времени.
Заводы, как известно, представляют собой чрезвычайно сложную среду обработки данных, объём которых растёт экспоненциально. Даже с учётом использования генеративного и агентного ИИ, сохраняются пробелы в автоматическом сборе необходимой информации, что является серьёзным препятствием для внедрения и использования ИИ в физической среде. Практические последствия такого положения дел весьма значительны. Физический ИИ требует перестройки рабочих процессов и процедур, в которые он интегрирован. Сама природа обучения роботов кардинально отличается от традиционных аналогов. Такие подходы, как обучение с подкреплением для обеспечения надёжных действий в реальном мире, которые обеспечивают масштабируемость и адаптивную производительность, требуют иного подхода (изначально разработанного для внедрения необходимой модели управления в конкретную среду с её особенностями).
Помимо выявления пробелов в получении объективных полных данных и установления ограничений, производителям приходится создавать системы, связывающие действия с результатами. Наложение новых рабочих процессов на уже существующие не сработает. Перестройка этих процессов с нуля, после их сбора и структурирования, — это единственный путь для полномасштабной подготовки к внедрению физического ИИ. Именно эти аспекты, вероятно, увеличат сроки внедрения инноваций в промышленное производство на годы, если не на десятилетия. Сейчас речь идёт не только об автоматизации или повышении производительности, а о структурной перестройке того, как предприятия проектируют рабочие процессы, инвестируют в них финансы и усилия, фиксируя вклад человека в цепочку создания ценности. Наблюдаются три основных тенденции, которые определят, кто получит реальную отдачу от инвестиций в ИИ, а кто будет малоэффективно накладывать новые инструменты на старые, ограничивая максимальные возможности инновационных инструментов, либо вовсе потерпев неудачу в его внедрении.
По сути, цель физического ИИ — снять нагрузку с ручного труда, где он может заменить участие человека в определённых операциях/процессах (как правило, в тех, которые являются довольно повторяющимися, рутинными и структурированными). Уже достаточно значительное время можно наблюдать установку на конвейерные линии производств робототехнические комплексы, которые собирают и сваривают кузова автомобилей, или датчики, которые обнаруживают дефектные изделия, коллаборативных человекоподобных роботов, занимающихся самыми разными операциями по упаковке продукции или подаче деталей. Идея заключается в том, что физический ИИ улучшает существующую автоматизацию, расширяя её возможности за пределы пассивной обработки информации, позволяя принимать решения и совершать действия в реальном мире. Однако расширение возможностей происходит в менее структурированных системах. Более сложная сборка, например, соединение проводных жгутов в сложно-доступных местах или установка некоторых устройств при сборке автомобиля, требует человеческой ловкости.
ИИ может использоваться для улучшения этих процессов, обеспечивая мгновенную обратную связь, отправляя тестовую информацию, контролируя рекомендации и обнаруживая ошибки – эти меры одновременно повышают безопасность и стабильность качества выпускаемой продукции. Однако сама сборка невозможна без участия людей. Массовой замены персонала в производстве не произойдёт просто потому, что задачи в цехе сильно различаются, а также из-за недостатка данных при обучении разным ситуациям. В настоящее время высокая стоимость первоначальных инвестиций также является дополнительным фактором, замедляющим внедрение физического ИИ в практику производства.
Вероятно, системы искусственного интеллекта, такие как роботы или дроны, будут использоваться для решения конкретных задач, но не заменят целые роли сразу. Физический ИИ, как и традиционный, вероятно, продолжит быстро развиваться в уже и без того высокоавтоматизированных рабочих процессах, а оставшаяся динамика будет носить глубоко совместный характер. Необходим будет постоянный подход с участием человека, когда персонал обучен контролировать и использовать эти интеллектуальные инструменты. Такой подход задаёт тон стратегическим приоритетам со стороны руководства, закладывая основу для более взаимосвязанных пополняемых систем и рабочих процессов, которые повышают производительность и приносят пользу.
Также следует сосредоточиться на конкретных сценариях использования, где интеграция физического ИИ имеет смысл. Конечно, это потребует повышения квалификации, с кардинальным основательным обучением персонала для работы с этими инструментами в любой конкретной ситуации. Практический, имитационный подход к обучению, как физического ИИ, так и персонала является наилучшим из-за реального характера этих систем. Заводы должны стать более устойчивыми, прибыльными, эффективными и автоматизированными. Но до реализации будущего, в котором искусственный интеллект будет играть ключевую роль, ещё очень далеко.
