От експертен ИИ към решаване на индустриални проблеми
LG позиционира своята платформа EXAONE не просто като универсална ИИ система, а като съвкупност от специализирани по области модели, предназначени да решават конкретни научни, производствени и бизнес проблеми.
На конференцията LG AI Talk Concert 2026 LG AI Research представи приложения, разработени в продължение на години работа с реални индустриални данни. Акцентът беше върху практическото внедряване: намаляване на необходимите експерименти, интерпретиране на сложни технологични данни, ускоряване на инспекциите и подпомагане на решения, които традиционно зависят от високоспециализирани инженери.
Тази посока е особено актуална за индустриалната автоматизация, тъй като много фабрични проблеми не са причинени от липса на хардуер за автоматизация. По-голямото предизвикателство често е способността да се интерпретират големи обеми непоследователни технологични данни и тази информация да се превърне в приложими решения за управление или инженерни решения.
Ускорено от ИИ откриване на лекарства
В областта на научните изследвания LG AI Research съобщи, че е работила с LG H&H за оценка на приблизително 420 000 кандидат-вещества и за идентифициране на кандидата Rhamsidil с ефект срещу косопад за един ден.
Значението не се състои просто в скоростта на скрининга. ИИ може да намали броя на необходимите физически експерименти, като стесни обхвата на търсенето, преди да бъдат ангажирани лабораторни ресурси. Така се създава обратна връзка, при която изчислителният анализ и физическите експерименти непрекъснато си влияят взаимно.
LG работи и с D&D Pharmatech по разработването на перорални пептидни лекарства от следващо поколение. EXAONE 4.5 допълнително е интегриран в система с ИИ за преглед на нови лекарства към корейското Министерство на храните и безопасността на лекарствата.
Автономните лаборатории създават затворен инженерeн цикъл
LG разработва автономна лаборатория, в която ИИ анализира експерименталните резултати, определя какво трябва да бъде тествано след това и проектира последващите експерименти.
От инженерна гледна точка това представлява преход от подпомаган от ИИ анализ към оптимизация със затворен цикъл. Вместо да следва фиксирана последователност от експерименти, системата потенциално може да избира следващия тест според информацията, получена от предишните експерименти.
Същият принцип има сериозни последици за индустриалната автоматизация. Производствена система би могла в крайна сметка да анализира отклоненията в процеса, да идентифицира вероятните причини, да избере коригиращо действие и да оцени резултата, без да е необходимо инженер ръчно да определя всяка междинна стъпка.
EXAONE Tabular е насочен към сложни фабрични данни
Една от по-значимите индустриални разработки на LG е EXAONE Tabular — базов експертен модел, проектиран да разбира връзките между условията на производствения процес и информацията за качеството.
Индустриалните технологични данни рядко са чисти. Стойностите от сензорите, производствените условия, характеристиките на продуктите и резултатите от инспекциите могат да се променят с течение на времето. Конвенционалните системи за машинно обучение може да изискват повторно обучение, когато визуалните характеристики на продуктите или производствените условия се променят.
LG посочва, че EXAONE Tabular може да продължи да работи при промени в процеса или външния вид на продукта без повторно обучение, а допълнителното персонализирано обучение може допълнително да подобри производителността му.
Това е важна техническа посока. В реалните предприятия поддръжката на модела може да стане почти толкова трудоемка, колкото първоначалното внедряване на ИИ. Следователно намаляването на необходимото повторно обучение може да бъде по-ценно от минимално подобрение в лабораторните показатели.
Производственият ИИ трябва да се адаптира към променящите се технологични условия
EXAONE Tabular първоначално е приложен в производствен обект на LG Innotek, а сега привлича интерес от фармацевтични компании и болници. LG вижда потенциални приложения и в енергоемки операции, включително в ядрени и водноелектрически съоръжения.
Основното предизвикателство е общо за всички тези сектори: технологичните условия са динамични, а разходите за събиране и етикетиране на индустриални данни са високи.
За инженерите по автоматизация това означава, че най-полезните индустриални ИИ модели не непременно ще бъдат тези, които изискват огромни набори от данни. Модели, способни да се обучават с ограничена информация, специфична за даден обект, като същевременно използват съществуващите технологични знания, може да са по-лесни за внедряване в различни производствени среди.
Визуалната инспекция преминава към автономно конфигуриране
LG разработва и агент за визуална инспекция, който може автономно да извършва вземане на проби от данни, етикетиране и обучение на модели.
Традиционно въвеждането на нов продукт в производствена линия може да изисква събиране и етикетиране на голям обем изображения, преди моделът за инспекция да е готов за производство. LG заявява, че нейният подход може значително да съкрати този подготвителен период.
Инженерната полза е ясна: системите за инспекция трябва да следват продуктовите варианти и промените в процеса, без да налагат цялостно рестартиране на работния процес за машинно зрение всеки път, когато производствената конфигурация се промени.
При успешно внедряване автономната подготовка на данни може да се превърне във важен слой между индустриалните камери и системите за управление на производството от по-високо ниво.
От отделни роботи към автономни фабрики
Дългосрочната цел на LG надхвърля автоматизирането на отделни машини или роботи. Компанията работи върху базови модели за роботика и фабрична архитектура, при която предприятието може да функционира като интегриран интелект.
Това е значителна концептуална промяна.
Традиционната автоматизация разделя предприятието на PLC, задвижвания, роботи, системи за машинно зрение, SCADA, MES и други контролни слоеве, като детерминистичното управление остава на по-ниските нива. Все по-често ИИ се въвежда над тези системи, за да интерпретира данните и да оптимизира операциите.
Следващият етап може да включва ИИ, който координира информацията между тези слоеве, докато детерминистичните контролери продължават да изпълняват критичните по време функции за управление.
Според мен това разграничение ще остане важно. ИИ е подходящ за прогнозиране, оптимизация, класификация и подпомагане на решенията, но замяната на детерминистичното управление с вероятностен модел не е автоматично инженерно подобрение. Автономните фабрики ще изискват ясно разделение между вземането на решения от ИИ и критичните за безопасността или времето функции за управление.
Основната пречка са данните и икономиката на внедряването
LG признава, че производствените данни от реални съоръжения са обширни и трудни за организиране. Трябва да се вземат предвид и потреблението на GPU ресурси и икономическата стойност, генерирана от внедряването на ИИ.
Това е едно от най-практичните наблюдения в съобщението. Внедряването на индустриален ИИ няма да се определя само от интелигентността на модела. Инженерите и операторите на предприятията трябва да вземат предвид също събирането на данни, качеството на сензорите, мрежовата архитектура, киберсигурността, изчислителните ресурси, поддръжката на модела и измеримите производствени ползи.
Затова усилията на LG да направи EXAONE Tabular лек са стратегически важни. Модел, който изисква по-малко изчислителна инфраструктура, потенциално може да бъде внедрен по-близо до производственото оборудване и да се използва в повече предприятия.
Индустриалният ИИ преминава от прогнозиране към действие
Съобщава се, че шестгодишните усилия на LG са обхванали повече от 100 сложни индустриални проблема. Настоящата посока на компанията предполага преход от ИИ, който обяснява индустриалните условия, към ИИ, който може да определи и изпълни следващата стъпка.
Този преход ще изисква повече от по-големи базови модели. Ще бъде необходима интеграция с PLC, роботи, индустриални мрежи, архиватори на данни, MES платформи, системи за машинно зрение и инженерни бази данни.
Следователно най-реалистичният път към автономното производство вероятно ще бъде постепенен: първо ИИ наблюдава и анализира, след това дава препоръки, после работи в определени граници и накрая координира все по-сложни решения на ниво предприятие.
Заключение
Разработките на LG в областта на EXAONE демонстрират как специализираният ИИ преминава отвъд демонстрациите и навлиза в научните изследвания и индустриалните операции. Откриването на лекарства, автономните лаборатории, табличният анализ на технологични данни и визуалната инспекция представляват различни приложения на една и съща по-широка концепция: използване на ИИ за намаляване на инженерните усилия, необходими за разбиране на сложни системи и определяне на следващото действие.
За индустриалната автоматизация най-важното развитие може да не бъде появата на напълно автономна фабрика. По-скоро това е постепенното създаване на ИИ слой, способен да разбира променящите се технологични условия, като същевременно работи заедно със съществуващата детерминистична автоматизация.
Компаниите, които успешно съчетаят тези два подхода, вероятно ще извлекат по-голяма практическа стойност от онези, които разглеждат ИИ като заместител на съществуващата архитектура за индустриално управление.
