Von Experten-KI zur industriellen Problemlösung
LG positioniert seine EXAONE-Plattform nicht einfach als KI-System für allgemeine Zwecke, sondern als Sammlung domänenspezialisierter Modelle, die darauf ausgelegt sind, spezifische wissenschaftliche, produktionstechnische und geschäftliche Probleme zu lösen.
Auf dem LG AI Talk Concert 2026 präsentierte LG AI Research Anwendungen, die über Jahre hinweg mit realen Industriedaten entwickelt wurden. Im Mittelpunkt stand der praktische Einsatz: weniger Experimente, die Interpretation komplexer Prozessdaten, schnellere Inspektionen und die Unterstützung von Entscheidungen, die traditionell hochspezialisierten Ingenieuren vorbehalten sind.
Diese Ausrichtung ist für die industrielle Automatisierung besonders relevant, da viele Probleme in Fabriken nicht durch einen Mangel an Automatisierungshardware verursacht werden. Die größere Herausforderung besteht häufig darin, große Mengen uneinheitlicher Prozessdaten zu interpretieren und diese Informationen in konkrete Steuerungs- oder Konstruktionsentscheidungen umzuwandeln.
KI-beschleunigte Arzneimittelentwicklung
In der wissenschaftlichen Forschung berichtete LG AI Research, gemeinsam mit LG H&H rund 420.000 Kandidatensubstanzen bewertet und innerhalb eines Tages den gegen Haarausfall wirksamen Kandidaten Rhamsidil identifiziert zu haben.
Die Bedeutung liegt nicht nur in der Geschwindigkeit des Screenings. KI kann die Anzahl physischer Experimente verringern, indem sie den Suchraum eingrenzt, bevor Laborressourcen eingesetzt werden. Dadurch entsteht eine Rückkopplungsschleife, in der sich computergestützte Analyse und physische Experimente kontinuierlich gegenseitig beeinflussen.
LG arbeitet außerdem mit D&D Pharmatech an der Entwicklung oraler Peptidmedikamente der nächsten Generation. EXAONE 4.5 wurde zudem in ein KI-System zur Prüfung neuer Arzneimittel beim koreanischen Ministerium für Lebensmittel- und Arzneimittelsicherheit integriert.
Autonome Labore schaffen einen geschlossenen Entwicklungsregelkreis
LG entwickelt ein autonomes Labor, in dem KI Versuchsergebnisse analysiert, bestimmt, was als Nächstes getestet werden sollte, und nachfolgende Experimente entwirft.
Aus ingenieurtechnischer Sicht stellt dies einen Wandel von der KI-gestützten Analyse hin zur Optimierung mit geschlossenem Regelkreis dar. Statt einer festen Versuchsabfolge zu folgen, kann das System den nächsten Test möglicherweise anhand der aus vorherigen Experimenten gewonnenen Informationen auswählen.
Dasselbe Prinzip hat erhebliche Auswirkungen auf die industrielle Automatisierung. Ein Produktionssystem könnte künftig Prozessabweichungen analysieren, wahrscheinliche Ursachen identifizieren, eine Korrekturmaßnahme auswählen und das Ergebnis bewerten, ohne dass ein Ingenieur jeden Zwischenschritt manuell definieren muss.
EXAONE Tabular zielt auf komplexe Fabrikdaten
Eine der bedeutenderen industriellen Entwicklungen von LG ist EXAONE Tabular, ein grundlegendes Expertenmodell, das darauf ausgelegt ist, Zusammenhänge zwischen Fertigungsprozessbedingungen und Qualitätsinformationen zu verstehen.
Industrielle Prozessdaten sind selten sauber. Sensorwerte, Produktionsbedingungen, Produkteigenschaften und Inspektionsergebnisse können sich im Laufe der Zeit verändern. Herkömmliche Systeme des maschinellen Lernens müssen möglicherweise neu trainiert werden, wenn sich die visuellen Eigenschaften von Produkten oder die Produktionsbedingungen ändern.
LG zufolge kann EXAONE Tabular bei Änderungen des Prozesses oder des Produktaussehens ohne erneutes Training weiterarbeiten, während ein zusätzliches, kundenspezifisches Training seine Leistung weiter verbessern kann.
Dies ist eine wichtige technische Entwicklung. In realen Anlagen kann die Modellpflege beinahe ebenso anspruchsvoll werden wie die ursprüngliche KI-Einführung. Eine Verringerung des erforderlichen Trainingsaufwands könnte daher wertvoller sein als eine geringfügige Verbesserung der Leistung bei Labor-Benchmarks.
Fertigungs-KI muss sich an veränderte Prozessbedingungen anpassen
EXAONE Tabular wurde zunächst an einem Fertigungsstandort von LG Innotek eingesetzt und stößt nun auf Interesse bei Pharmaunternehmen und Krankenhäusern. LG sieht außerdem potenzielle Anwendungen in energieintensiven Bereichen, darunter Kernkraftwerke und Wasserkraftanlagen.
Die zugrunde liegende Herausforderung ist in diesen Branchen ähnlich: Die Prozessbedingungen sind dynamisch, während die Erfassung und Kennzeichnung industrieller Daten kostenintensiv ist.
Für Automatisierungsingenieure bedeutet dies, dass die nützlichsten industriellen KI-Modelle nicht zwangsläufig diejenigen sein werden, die enorme Datensätze benötigen. Modelle, die aus begrenzten standortspezifischen Informationen lernen und vorhandenes Prozesswissen einbeziehen können, lassen sich möglicherweise leichter in mehreren Produktionsumgebungen einsetzen.
Visuelle Inspektion bewegt sich hin zur autonomen Konfiguration
LG entwickelt außerdem einen Agenten für die visuelle Inspektion, der Datensampling, Kennzeichnung und Modelltraining autonom durchführen kann.
Traditionell kann die Einführung eines neuen Produkts in eine Fertigungslinie eine umfangreiche Erfassung und Kennzeichnung von Bildern erfordern, bevor ein Inspektionsmodell produktionsbereit ist. LG zufolge kann sein Ansatz diese Vorbereitungszeit erheblich verkürzen.
Der ingenieurtechnische Nutzen liegt auf der Hand: Inspektionssysteme müssen Produktvarianten und Prozessänderungen abbilden können, ohne dass der gesamte Bildverarbeitungsablauf jedes Mal neu gestartet werden muss, wenn sich die Produktionskonfiguration ändert.
Bei erfolgreicher Umsetzung könnte die autonome Datenaufbereitung zu einer wichtigen Ebene zwischen Industriekameras und übergeordneten Fertigungsmanagementsystemen werden.
Von einzelnen Robotern zu autonomen Fabriken
Das langfristige Ziel von LG geht über die Automatisierung einzelner Maschinen oder Roboter hinaus. Das Unternehmen arbeitet auf grundlegende Robotikmodelle und eine Fabrikarchitektur hin, in der die Anlage als integrierte Intelligenz betrieben werden kann.
Dies stellt eine erhebliche konzeptionelle Veränderung dar.
Die traditionelle Automatisierung unterteilt eine Anlage in SPS, Antriebe, Roboter, Bildverarbeitungssysteme, SCADA, MES und weitere Steuerungsebenen, wobei die deterministische Steuerung auf den unteren Ebenen verbleibt. KI wird zunehmend oberhalb dieser Systeme eingeführt, um Daten zu interpretieren und Abläufe zu optimieren.
Die nächste Entwicklungsstufe könnte darin bestehen, dass KI Informationen über diese Ebenen hinweg koordiniert, während deterministische Steuerungen weiterhin zeitkritische Steuerungsfunktionen übernehmen.
Meiner Ansicht nach wird diese Unterscheidung weiterhin wichtig bleiben. KI eignet sich gut für Prognosen, Optimierung, Klassifizierung und Entscheidungsunterstützung. Der Ersatz deterministischer Steuerungen durch ein probabilistisches Modell ist jedoch nicht automatisch eine ingenieurtechnische Verbesserung. Autonome Fabriken erfordern eine klare Trennung zwischen KI-gestützter Entscheidungsfindung und sicherheits- oder zeitkritischen Steuerungsfunktionen.
Die größte Hürde sind Daten und Wirtschaftlichkeit der Einführung
LG räumt ein, dass Fertigungsdaten aus realen Anlagen umfangreich und schwer zu organisieren sind. Auch der GPU-Verbrauch und der durch den KI-Einsatz erzielte wirtschaftliche Nutzen müssen berücksichtigt werden.
Dies ist eine der praxisnahesten Aussagen der Ankündigung. Die Einführung industrieller KI wird nicht allein durch die Leistungsfähigkeit der Modelle bestimmt. Ingenieure und Anlagenbetreiber müssen außerdem Datenerfassung, Sensorqualität, Netzwerkarchitektur, Cybersicherheit, Rechenressourcen, Modellpflege und messbare Produktionsvorteile berücksichtigen.
LGs Bemühungen, EXAONE Tabular ressourcenschonend zu gestalten, sind daher strategisch relevant. Ein Modell, das weniger Recheninfrastruktur benötigt, kann möglicherweise näher an Produktionsanlagen eingesetzt und in mehr Anlagen genutzt werden.
Industrielle KI entwickelt sich von der Prognose zum Handeln
LGs sechsjährige Arbeit hat Berichten zufolge mehr als 100 schwierige industrielle Probleme behandelt. Die aktuelle Ausrichtung des Unternehmens deutet auf einen Übergang von KI hin, die industrielle Zustände erklärt, zu KI, die den nächsten Schritt bestimmen und ausführen kann.
Dieser Übergang wird mehr als größere grundlegende Modelle erfordern. Notwendig ist die Integration mit SPS, Robotern, industriellen Netzwerken, Historian-Systemen, MES-Plattformen, Bildverarbeitungssystemen und technischen Datenbanken.
Der realistischste Weg zur autonomen Fertigung wird daher wahrscheinlich schrittweise verlaufen: Zunächst beobachtet und analysiert die KI, anschließend gibt sie Empfehlungen, arbeitet dann innerhalb definierter Grenzen und koordiniert schließlich zunehmend komplexe Entscheidungen auf Anlagenebene.
Fazit
LGs EXAONE-Entwicklungen zeigen, wie sich spezialisierte KI über Demonstrationen hinaus in die wissenschaftliche Forschung und den industriellen Betrieb bewegt. Arzneimittelentwicklung, autonome Labore, tabellarische Prozessintelligenz und visuelle Inspektion sind unterschiedliche Anwendungen desselben übergeordneten Konzepts: KI soll den technischen Aufwand verringern, der erforderlich ist, um komplexe Systeme zu verstehen und zu bestimmen, was als Nächstes geschehen soll.
Für die industrielle Automatisierung ist die wichtigste Entwicklung möglicherweise nicht das Entstehen einer vollständig autonomen Fabrik. Entscheidend ist vielmehr die schrittweise Schaffung einer KI-Ebene, die veränderte Prozessbedingungen verstehen und gleichzeitig mit etablierter deterministischer Automatisierung zusammenarbeiten kann.
Unternehmen, die diese beiden Ansätze erfolgreich verbinden, werden wahrscheinlich einen größeren praktischen Nutzen erzielen als jene, die KI als Ersatz für bestehende industrielle Steuerungsarchitekturen betrachten.
