من الذكاء الاصطناعي الخبير إلى حل المشكلات الصناعية
تضع LG منصة EXAONE في موقع يتجاوز كونها نظامًا للذكاء الاصطناعي متعدد الأغراض، لتصبح مجموعة من النماذج المتخصصة حسب المجال، والمصممة لحل مشكلات علمية وتصنيعية وتجارية محددة.
خلال فعالية LG AI Talk Concert لعام 2026، عرضت LG AI Research تطبيقات طُوّرت عبر سنوات من العمل باستخدام بيانات صناعية حقيقية. وكان التركيز على التطبيق العملي: تقليل التجارب، وتفسير بيانات العمليات المعقدة، وتسريع الفحص، ودعم القرارات التي تعتمد تقليديًا على مهندسين ذوي تخصص عالٍ.
ويكتسب هذا التوجه أهمية خاصة بالنسبة إلى الأتمتة الصناعية، لأن كثيرًا من مشكلات المصانع لا تنتج عن نقص في معدات الأتمتة. بل يتمثل التحدي الأكبر غالبًا في القدرة على تفسير كميات كبيرة من بيانات العمليات غير المتسقة وتحويل تلك المعلومات إلى قرارات قابلة للتنفيذ في مجالي التحكم أو الهندسة.
اكتشاف الأدوية بمساعدة الذكاء الاصطناعي
في مجال البحث العلمي، أفادت LG AI Research بأنها عملت مع LG H&H لتقييم نحو 420,000 مادة مرشحة وتحديد المادة المرشحة لفعالية علاج تساقط الشعر Rhamsidil خلال يوم واحد.
ولا تكمن أهمية ذلك في سرعة الفحص فحسب. إذ يمكن للذكاء الاصطناعي تقليل عدد التجارب المادية المطلوبة عبر تضييق نطاق البحث قبل تخصيص موارد المختبر. وينشئ ذلك حلقة تغذية راجعة يؤثر فيها التحليل الحاسوبي والتجارب المادية باستمرار كل منهما في الآخر.
كما تعمل LG مع D&D Pharmatech على تطوير أدوية ببتيدية فموية من الجيل التالي. وقد أُدمج EXAONE 4.5 أيضًا في نظام للذكاء الاصطناعي لمراجعة الأدوية الجديدة لدى وزارة سلامة الغذاء والدواء في كوريا.
المختبرات الذاتية تنشئ حلقة هندسية مغلقة
تطوّر LG مختبرًا ذاتيًا يحلل فيه الذكاء الاصطناعي نتائج التجارب، ويحدد ما ينبغي اختباره لاحقًا، ويصمم التجارب التالية.
ومن المنظور الهندسي، يمثل ذلك انتقالًا من التحليل المدعوم بالذكاء الاصطناعي إلى التحسين ذي الحلقة المغلقة. فبدلًا من اتباع تسلسل تجريبي ثابت، يمكن للنظام اختيار الاختبار التالي وفقًا للمعلومات التي جُمعت من التجارب السابقة.
وينطوي المبدأ نفسه على آثار مهمة بالنسبة إلى الأتمتة الصناعية. فقد يتمكن نظام إنتاج مستقبلًا من تحليل انحرافات العمليات، وتحديد الأسباب المحتملة، واختيار إجراء تصحيحي، وتقييم النتيجة، من دون الحاجة إلى أن يحدد مهندس يدويًا كل خطوة وسيطة.
يستهدف EXAONE Tabular بيانات المصانع المعقدة
يُعد EXAONE Tabular أحد أبرز التطورات الصناعية لدى LG، وهو نموذج أساس خبير مصمم لفهم العلاقات بين ظروف عمليات التصنيع ومعلومات الجودة.
نادرًا ما تكون بيانات العمليات الصناعية نظيفة. فقد تتغير قيم المستشعرات، وظروف الإنتاج، وخصائص المنتجات، ونتائج الفحص بمرور الوقت. وقد تتطلب أنظمة التعلم الآلي التقليدية إعادة التدريب عندما تتغير الخصائص المرئية للمنتجات أو ظروف الإنتاج.
وتذكر LG أن EXAONE Tabular يمكنه مواصلة العمل رغم التغيرات في العمليات أو مظهر المنتج من دون إعادة تدريب، في حين يمكن أن يؤدي التدريب الإضافي المخصص إلى تحسين أدائه أكثر.
ويمثل هذا توجهًا تقنيًا مهمًا. ففي المصانع الحقيقية، قد تصبح صيانة النماذج مرهقة تقريبًا بقدر صعوبة نشر الذكاء الاصطناعي في الأصل. ولذلك، قد يكون تقليل الحاجة إلى إعادة التدريب أكثر قيمة من تحقيق تحسن هامشي في أداء الاختبارات المعيارية داخل المختبر.
يجب أن يتكيف الذكاء الاصطناعي التصنيعي مع ظروف العمليات المتغيرة
طُبّق EXAONE Tabular في البداية في منشأة تصنيع تابعة لشركة LG Innotek، وهو يجذب الآن اهتمام شركات الأدوية والمستشفيات. كما ترى LG إمكانات لتطبيقه في العمليات كثيفة استهلاك الطاقة، بما في ذلك المنشآت النووية والكهرومائية.
ويتمثل التحدي الأساسي المشترك بين هذه القطاعات في أن ظروف العمليات ديناميكية، بينما ترتفع تكلفة جمع البيانات الصناعية ووسمها.
وبالنسبة إلى مهندسي الأتمتة، يعني ذلك أن نماذج الذكاء الاصطناعي الصناعية الأكثر فائدة لن تكون بالضرورة تلك التي تتطلب مجموعات بيانات ضخمة. فقد يكون نشر النماذج القادرة على التعلم من معلومات محدودة خاصة بالموقع، مع دمج المعرفة الحالية بالعمليات، أسهل عبر بيئات إنتاج متعددة.
يتجه الفحص البصري نحو الإعداد الذاتي
تطوّر LG أيضًا وكيلًا للفحص البصري يمكنه تنفيذ أخذ عينات البيانات ووسمها وتدريب النماذج ذاتيًا.
تقليديًا، قد يتطلب إدخال منتج جديد إلى خط التصنيع جمع كميات كبيرة من الصور ووسمها قبل أن يصبح نموذج الفحص جاهزًا للإنتاج. وتقول LG إن نهجها يمكن أن يقلل مدة الإعداد هذه بدرجة كبيرة.
وتتضح القيمة الهندسية هنا: إذ يجب أن تواكب أنظمة الفحص تنوعات المنتجات وتغيرات العمليات من دون إجبار سير عمل الرؤية الآلية بأكمله على البدء من جديد في كل مرة يتغير فيها تكوين الإنتاج.
وإذا نُفّذ إعداد البيانات الذاتي بنجاح، فقد يصبح طبقة مهمة بين الكاميرات الصناعية وأنظمة تنفيذ التصنيع ذات المستوى الأعلى.
من الروبوتات الفردية إلى المصانع الذاتية
يتجاوز هدف LG طويل الأمد أتمتة الآلات أو الروبوتات الفردية. إذ تعمل الشركة على تطوير نماذج أساس للروبوتات وبنية للمصنع يمكن فيها للمنشأة أن تعمل كمنظومة ذكاء متكاملة.
ويمثل ذلك تغييرًا مفاهيميًا مهمًا.
تقسم الأتمتة التقليدية المصنع إلى وحدات تحكم منطقية قابلة للبرمجة، ومحركات، وروبوتات، وأنظمة رؤية، وأنظمة تحكم إشرافي واكتساب بيانات، وأنظمة تنفيذ التصنيع، وطبقات تحكم أخرى، مع بقاء التحكم الحتمي في المستويات الأدنى. ويُدمج الذكاء الاصطناعي بصورة متزايدة فوق هذه الأنظمة لتفسير البيانات وتحسين العمليات.
وقد تتضمن المرحلة التالية تنسيق الذكاء الاصطناعي للمعلومات عبر هذه الطبقات، مع استمرار وحدات التحكم الحتمية في إدارة وظائف التحكم الحساسة زمنيًا.
ومن وجهة نظري، سيظل هذا التمييز مهمًا. فالذكاء الاصطناعي ملائم للتنبؤ والتحسين والتصنيف ودعم القرار، لكن استبدال التحكم الحتمي بنموذج احتمالي لا يمثل تلقائيًا تحسينًا هندسيًا. وستتطلب المصانع الذاتية فصلًا واضحًا بين اتخاذ القرارات بالذكاء الاصطناعي ووظائف التحكم الحساسة للسلامة أو الزمن.
يتمثل العائق الرئيسي في اقتصاديات البيانات والنشر
تقر LG بأن بيانات التصنيع من المنشآت الحقيقية واسعة النطاق ويصعب تنظيمها. كما يجب مراعاة استهلاك وحدات معالجة الرسومات والقيمة الاقتصادية الناتجة عن نشر الذكاء الاصطناعي.
وهذه إحدى أكثر الملاحظات العملية أهمية في الإعلان. فلن يتحدد اعتماد الذكاء الاصطناعي الصناعي بذكاء النماذج وحده. بل يجب على المهندسين ومشغلي المصانع أيضًا مراعاة جمع البيانات، وجودة المستشعرات، وبنية الشبكات، والأمن السيبراني، وموارد الحوسبة، وصيانة النماذج، والفوائد الإنتاجية القابلة للقياس.
ومن ثم، فإن جهود LG لجعل EXAONE Tabular خفيفًا تمثل أهمية استراتيجية. فالنموذج الذي يتطلب بنية تحتية حاسوبية أقل يمكن نشره بالقرب من معدات الإنتاج واستخدامه في عدد أكبر من المنشآت.
ينتقل الذكاء الاصطناعي الصناعي من التنبؤ إلى الفعل
يُقال إن جهود LG الممتدة على مدى ست سنوات عالجت أكثر من 100 مشكلة صناعية صعبة. ويشير الاتجاه الحالي للشركة إلى انتقال من ذكاء اصطناعي يشرح الظروف الصناعية إلى ذكاء اصطناعي يمكنه تحديد الخطوة التالية وتنفيذها.
وسيتطلب هذا الانتقال أكثر من نماذج أساس أكبر حجمًا. إذ سيتطلب التكامل مع وحدات التحكم المنطقية القابلة للبرمجة، والروبوتات، والشبكات الصناعية، وأنظمة تسجيل البيانات التاريخية، ومنصات تنفيذ التصنيع، وأنظمة الرؤية، وقواعد البيانات الهندسية.
ولذلك، من المرجح أن يكون المسار الأكثر واقعية نحو التصنيع الذاتي تدريجيًا: إذ يراقب الذكاء الاصطناعي ويحلل أولًا، ثم يقدم التوصيات، ثم يعمل ضمن حدود محددة، ثم ينسق في النهاية قرارات أكثر تعقيدًا على مستوى المصنع.
الخلاصة
توضح تطورات EXAONE من LG كيف يتجاوز الذكاء الاصطناعي المتخصص مرحلة العروض التوضيحية إلى البحث العلمي والعمليات الصناعية. ويمثل اكتشاف الأدوية، والمختبرات الذاتية، وذكاء العمليات الجدولية، والفحص البصري تطبيقات مختلفة للمفهوم الأوسع نفسه: استخدام الذكاء الاصطناعي لتقليل الجهد الهندسي المطلوب لفهم الأنظمة المعقدة وتحديد ما ينبغي أن يحدث لاحقًا.
وبالنسبة إلى الأتمتة الصناعية، قد لا يكون التطور الأهم هو ظهور مصنع ذاتي بالكامل. بل يتمثل في الإنشاء التدريجي لطبقة من الذكاء الاصطناعي قادرة على فهم ظروف العمليات المتغيرة، مع العمل جنبًا إلى جنب مع الأتمتة الحتمية القائمة.
ومن المرجح أن تحقق الشركات التي تنجح في الجمع بين النهجين قيمة عملية أكبر من تلك التي تتعامل مع الذكاء الاصطناعي باعتباره بديلًا عن بنية التحكم الصناعية الحالية.
