از هوش مصنوعی خبره تا حل مسائل صنعتی
الجی پلتفرم EXAONE خود را صرفاً بهعنوان یک سامانه هوش مصنوعی همهمنظوره معرفی نمیکند، بلکه آن را مجموعهای از مدلهای تخصصی حوزهای میداند که برای حل مسائل مشخص علمی، تولیدی و کسبوکاری طراحی شدهاند.
در رویداد LG AI Talk Concert 2026، مؤسسه پژوهش هوش مصنوعی الجی کاربردهایی را ارائه کرد که حاصل سالها کار با دادههای واقعی صنعتی بودند. تأکید اصلی بر استقرار عملی بود: کاهش آزمایشها، تفسیر دادههای پیچیده فرایندی، تسریع بازرسی و پشتیبانی از تصمیمهایی که بهطور سنتی به مهندسان بسیار متخصص وابستهاند.
این مسیر برای اتوماسیون صنعتی اهمیت ویژهای دارد، زیرا بسیاری از مشکلات کارخانهها ناشی از کمبود سختافزار اتوماسیون نیستند. چالش بزرگتر اغلب توانایی تفسیر حجم زیادی از دادههای ناسازگار فرایندی و تبدیل این اطلاعات به تصمیمهای عملیاتی یا مهندسی قابل اجراست.
تسریع کشف دارو با هوش مصنوعی
در پژوهشهای علمی، مؤسسه پژوهش هوش مصنوعی الجی اعلام کرد که با LG H&H برای ارزیابی حدود ۴۲۰٬۰۰۰ ماده نامزد همکاری کرده و در یک روز، ماده نامزد مؤثر برای درمان ریزش مو با نام Rhamsidil را شناسایی کرده است.
اهمیت این موضوع فقط در سرعت غربالگری نیست. هوش مصنوعی میتواند با محدود کردن فضای جستوجو پیش از اختصاص منابع آزمایشگاهی، تعداد آزمایشهای فیزیکی موردنیاز را کاهش دهد. این کار حلقه بازخوردی ایجاد میکند که در آن تحلیل محاسباتی و آزمایش فیزیکی بهطور مستمر بر یکدیگر اثر میگذارند.
الجی همچنین با D&D Pharmatech روی توسعه نسل بعدی داروهای پپتیدی خوراکی همکاری میکند. افزون بر این، EXAONE 4.5 در سامانه هوش مصنوعی بررسی داروهای جدید در وزارت ایمنی غذا و داروی کره جنوبی به کار گرفته شده است.
آزمایشگاههای خودمختار حلقه مهندسی بسته ایجاد میکنند
الجی در حال توسعه آزمایشگاهی خودمختار است که در آن هوش مصنوعی نتایج آزمایشها را تحلیل میکند، تعیین میکند چه چیزی باید بعداً آزمایش شود و آزمایشهای بعدی را طراحی میکند.
از دیدگاه مهندسی، این موضوع نشاندهنده گذار از تحلیلِ کمکگرفته از هوش مصنوعی به سوی بهینهسازی حلقهبسته است. بهجای دنبال کردن یک توالی ثابت آزمایشها، سامانه میتواند آزمایش بعدی را بر اساس اطلاعات بهدستآمده از آزمایشهای قبلی انتخاب کند.
همین اصل پیامدهای مهمی برای اتوماسیون صنعتی دارد. یک سامانه تولیدی در نهایت میتواند انحرافهای فرایندی را تحلیل کند، علل محتمل را شناسایی کند، اقدام اصلاحی را برگزیند و نتیجه را ارزیابی کند؛ بدون آنکه مهندس مجبور باشد هر مرحله میانی را بهصورت دستی تعریف کند.
EXAONE Tabular دادههای پیچیده کارخانه را هدف میگیرد
یکی از مهمترین دستاوردهای صنعتی الجی، EXAONE Tabular است؛ یک مدل پایه خبره که برای درک روابط میان شرایط فرایند تولید و اطلاعات کیفیت طراحی شده است.
دادههای فرایندهای صنعتی بهندرت پاک و منظم هستند. مقادیر حسگرها، شرایط تولید، ویژگیهای محصول و نتایج بازرسی ممکن است در طول زمان تغییر کنند. سامانههای متعارف یادگیری ماشین هنگام تغییر ویژگیهای ظاهری محصولات یا شرایط تولید، ممکن است به آموزش مجدد نیاز داشته باشند.
الجی اعلام میکند که EXAONE Tabular میتواند در شرایط تغییر فرایند یا ظاهر محصول، بدون آموزش مجدد به کار خود ادامه دهد؛ در حالی که آموزش تکمیلی سفارشی میتواند عملکرد آن را بیش از پیش بهبود دهد.
این مسیر فنی اهمیت زیادی دارد. در کارخانههای واقعی، نگهداری مدل میتواند تقریباً به اندازه استقرار اولیه هوش مصنوعی دشوار باشد. بنابراین کاهش میزان آموزش مجدد موردنیاز ممکن است ارزشمندتر از بهبود جزئی عملکرد در آزمونهای معیار آزمایشگاهی باشد.
هوش مصنوعی تولید باید با شرایط متغیر فرایند سازگار شود
EXAONE Tabular ابتدا در یکی از سایتهای تولیدی LG Innotek به کار گرفته شد و اکنون توجه شرکتهای داروسازی و بیمارستانها را جلب کرده است. الجی همچنین کاربردهای بالقوهای برای آن در عملیات انرژیبر، از جمله تأسیسات هستهای و برقآبی، میبیند.
چالش اصلی در همه این حوزهها مشترک است: شرایط فرایند پویا هستند، در حالی که هزینه جمعآوری و برچسبگذاری دادههای صنعتی بالاست.
برای مهندسان اتوماسیون، این بدان معناست که مفیدترین مدلهای هوش مصنوعی صنعتی الزاماً مدلهایی نیستند که به مجموعهدادههای عظیم نیاز دارند. مدلهایی که بتوانند از اطلاعات محدود و مختص هر سایت یاد بگیرند و در عین حال دانش موجود فرایند را به کار گیرند، ممکن است استقرار آسانتری در محیطهای تولیدی متعدد داشته باشند.
بازرسی بینایی به سوی پیکربندی خودمختار حرکت میکند
الجی همچنین در حال توسعه عامل بازرسی بینایی است که میتواند نمونهبرداری از دادهها، برچسبگذاری و آموزش مدل را بهصورت خودمختار انجام دهد.
بهطور سنتی، وارد کردن محصولی جدید به خط تولید ممکن است پیش از آماده شدن مدل بازرسی برای تولید، به جمعآوری و برچسبگذاری گسترده تصاویر نیاز داشته باشد. الجی میگوید رویکرد آن میتواند این دوره آمادهسازی را به میزان قابل توجهی کاهش دهد.
ارزش مهندسی این رویکرد روشن است: سامانههای بازرسی باید بتوانند تغییرات محصول و فرایند را دنبال کنند، بدون آنکه هر بار با تغییر پیکربندی تولید، کل گردشکار بینایی ماشین از ابتدا آغاز شود.
اگر آمادهسازی خودمختار دادهها با موفقیت اجرا شود، میتواند به لایهای مهم میان دوربینهای صنعتی و سامانههای سطح بالاتر اجرای تولید تبدیل شود.
از رباتهای منفرد تا کارخانههای خودمختار
هدف بلندمدت الجی فراتر از خودکارسازی ماشینها یا رباتهای منفرد است. این شرکت در حال حرکت به سوی مدلهای پایه رباتیک و معماری کارخانهای است که در آن کارخانه بتواند مانند یک هوش یکپارچه عمل کند.
این تغییر، مفهومی اساسی به شمار میرود.
اتوماسیون سنتی، کارخانه را به PLCها، درایوها، رباتها، سامانههای بینایی، SCADA، MES و دیگر لایههای کنترلی تقسیم میکند و کنترل قطعی در سطوح پایینتر باقی میماند. هوش مصنوعی نیز بهطور فزایندهای در بالای این سامانهها قرار میگیرد تا دادهها را تفسیر و عملیات را بهینه کند.
مرحله بعدی ممکن است شامل هماهنگسازی اطلاعات میان این لایهها توسط هوش مصنوعی باشد، در حالی که کنترلرهای قطعی همچنان وظایف کنترلی حساس از نظر زمان را انجام میدهند.
از نظر من، این تمایز همچنان اهمیت خواهد داشت. هوش مصنوعی برای پیشبینی، بهینهسازی، طبقهبندی و پشتیبانی از تصمیمگیری مناسب است، اما جایگزین کردن کنترل قطعی با یک مدل احتمالی، بهطور خودکار بهبود مهندسی محسوب نمیشود. کارخانههای خودمختار به جداسازی روشنی میان تصمیمگیری هوش مصنوعی و عملکردهای کنترلی حساس از نظر ایمنی یا زمان نیاز خواهند داشت.
مانع اصلی، اقتصاد داده و استقرار است
الجی اذعان دارد که دادههای تولیدی از تأسیسات واقعی گسترده و سازماندهی آنها دشوار است. میزان مصرف GPU و ارزش اقتصادی ایجادشده از استقرار هوش مصنوعی نیز باید در نظر گرفته شود.
این یکی از کاربردیترین نکات مطرحشده در این اعلامیه است. پذیرش هوش مصنوعی صنعتی تنها بر اساس هوشمندی مدل تعیین نخواهد شد. مهندسان و اپراتورهای کارخانه باید جمعآوری داده، کیفیت حسگرها، معماری شبکه، امنیت سایبری، منابع محاسباتی، نگهداری مدل و مزایای قابلاندازهگیری تولید را نیز در نظر بگیرند.
بنابراین تلاش الجی برای سبکسازی EXAONE Tabular از نظر راهبردی اهمیت دارد. مدلی که به زیرساخت محاسباتی کمتری نیاز داشته باشد، میتواند در نزدیکی تجهیزات تولید مستقر شود و در تأسیسات بیشتری به کار رود.
هوش مصنوعی صنعتی از پیشبینی به اقدام حرکت میکند
گزارشها حاکی از آن است که تلاش ششساله الجی بیش از ۱۰۰ مسئله دشوار صنعتی را پوشش داده است. مسیر کنونی این شرکت نشان میدهد که هوش مصنوعی از توضیح شرایط صنعتی به سوی تعیین و اجرای گام بعدی در حال حرکت است.
این گذار به چیزی فراتر از مدلهای پایه بزرگتر نیاز دارد. یکپارچهسازی با PLCها، رباتها، شبکههای صنعتی، سامانههای ثبت سوابق داده، پلتفرمهای MES، سامانههای بینایی و پایگاههای داده مهندسی نیز ضروری خواهد بود.
بنابراین واقعبینانهترین مسیر به سوی تولید خودمختار احتمالاً تدریجی است: هوش مصنوعی ابتدا مشاهده و تحلیل میکند، سپس پیشنهاد میدهد، بعد در محدودههای تعریفشده عمل میکند و در نهایت تصمیمهای پیچیدهتر در سطح کارخانه را هماهنگ میسازد.
نتیجهگیری
دستاوردهای EXAONE الجی نشان میدهد که هوش مصنوعی تخصصی از مرحله نمایشهای آزمایشی فراتر رفته و وارد پژوهش علمی و عملیات صنعتی شده است. کشف دارو، آزمایشگاههای خودمختار، هوش فرایندی جدولی و بازرسی بینایی، کاربردهای متفاوتی از یک مفهوم گستردهتر هستند: استفاده از هوش مصنوعی برای کاهش تلاش مهندسی لازم جهت درک سامانههای پیچیده و تعیین اینکه گام بعدی چه باید باشد.
برای اتوماسیون صنعتی، مهمترین تحول شاید ظهور یک کارخانه کاملاً خودمختار نباشد. مهمتر از آن، ایجاد تدریجی یک لایه هوش مصنوعی است که بتواند شرایط متغیر فرایند را درک کند و همزمان در کنار اتوماسیون قطعی موجود کار کند.
شرکتهایی که این دو رویکرد را با موفقیت ترکیب کنند، احتمالاً ارزش عملی بیشتری به دست خواهند آورد تا شرکتهایی که هوش مصنوعی را جایگزینی برای معماری کنترلی موجود در صنعت میدانند.
نتیجهگیری
توسعههای EXAONE الجی نشان میدهند که هوش مصنوعی تخصصی از نمایشهای آزمایشی فراتر رفته و وارد پژوهش علمی و عملیات صنعتی شده است. کشف دارو، آزمایشگاههای خودمختار، هوش فرایندی جدولی و بازرسی بینایی، کاربردهای متفاوت یک مفهوم گستردهتر هستند: استفاده از هوش مصنوعی برای کاهش تلاش مهندسی لازم جهت درک سامانههای پیچیده و تعیین گام بعدی.
برای اتوماسیون صنعتی، مهمترین تحول شاید ظهور کارخانهای کاملاً خودمختار نباشد. مهمتر، ایجاد تدریجی لایهای از هوش مصنوعی است که بتواند شرایط متغیر فرایند را درک کند و در کنار اتوماسیون قطعی موجود کار کند.
شرکتهایی که این دو رویکرد را با موفقیت ترکیب کنند، احتمالاً ارزش عملی بیشتری نسبت به شرکتهایی به دست خواهند آورد که هوش مصنوعی را جایگزینی برای معماری کنترلی صنعتی موجود میدانند.
