Daripada AI Pakar kepada Penyelesaian Masalah Industri
LG meletakkan platform EXAONE bukan sekadar sebagai sistem AI serba guna, tetapi sebagai himpunan model khusus domain yang direka untuk menyelesaikan masalah saintifik, pembuatan dan perniagaan tertentu.
Dalam LG AI Talk Concert 2026, LG AI Research membentangkan aplikasi yang dibangunkan melalui usaha bertahun-tahun menggunakan data industri sebenar. Penekanannya adalah pada penggunaan praktikal: mengurangkan eksperimen, mentafsir data proses yang kompleks, mempercepat pemeriksaan dan menyokong keputusan yang secara tradisinya bergantung pada jurutera yang sangat khusus.
Arah ini amat relevan kepada automasi industri kerana banyak masalah kilang bukan disebabkan kekurangan perkakasan automasi. Cabaran yang lebih besar selalunya ialah keupayaan untuk mentafsir sejumlah besar data proses yang tidak konsisten dan menukarkan maklumat itu kepada keputusan kawalan atau kejuruteraan yang boleh diambil tindakan.
Penemuan Ubat Dipercepatkan AI
Dalam penyelidikan saintifik, LG AI Research melaporkan bahawa pihaknya bekerjasama dengan LG H&H untuk menilai kira-kira 420,000 bahan calon dan mengenal pasti calon berkesan untuk keguguran rambut, Rhamsidil, dalam tempoh sehari.
Kepentingannya bukan semata-mata pada kelajuan saringan. AI boleh mengurangkan bilangan eksperimen fizikal yang diperlukan dengan mengecilkan ruang carian sebelum sumber makmal digunakan. Ini mewujudkan gelung maklum balas yang membolehkan analisis pengiraan dan eksperimen fizikal terus mempengaruhi satu sama lain.
LG juga bekerjasama dengan D&D Pharmatech dalam pembangunan ubat peptida oral generasi akan datang. EXAONE 4.5 turut disepadukan ke dalam sistem AI semakan ubat baharu di Kementerian Keselamatan Makanan dan Ubat Korea.
Makmal Autonomi Mewujudkan Gelung Kejuruteraan Tertutup
LG sedang membangunkan makmal autonomi yang membolehkan AI menganalisis keputusan eksperimen, menentukan perkara yang perlu diuji seterusnya dan mereka bentuk eksperimen berikutnya.
Dari perspektif kejuruteraan, ini menandakan peralihan daripada analisis berbantukan AI kepada pengoptimuman gelung tertutup. Daripada mengikuti urutan eksperimen yang tetap, sistem berpotensi memilih ujian seterusnya berdasarkan maklumat yang diperoleh daripada eksperimen sebelumnya.
Prinsip yang sama mempunyai implikasi besar terhadap automasi industri. Sistem pengeluaran akhirnya boleh menganalisis penyimpangan proses, mengenal pasti punca yang mungkin, memilih tindakan pembetulan dan menilai hasilnya tanpa memerlukan jurutera mentakrifkan setiap langkah perantaraan secara manual.
EXAONE Tabular Menyasarkan Data Kilang yang Kompleks
Salah satu pembangunan industri LG yang lebih penting ialah EXAONE Tabular, model asas pakar yang direka untuk memahami hubungan antara keadaan proses pembuatan dengan maklumat kualiti.
Data proses industri jarang bersih. Nilai penderia, keadaan pengeluaran, ciri produk dan keputusan pemeriksaan boleh berubah dari semasa ke semasa. Sistem pembelajaran mesin konvensional mungkin memerlukan latihan semula apabila ciri visual produk atau keadaan pengeluaran berubah.
LG menyatakan bahawa EXAONE Tabular boleh terus beroperasi apabila proses atau rupa produk berubah tanpa latihan semula, manakala latihan tambahan yang disesuaikan boleh meningkatkan lagi prestasinya.
Ini merupakan hala tuju teknikal yang penting. Di kilang sebenar, penyelenggaraan model boleh menjadi hampir sama mencabar seperti pelaksanaan AI asal. Oleh itu, mengurangkan keperluan latihan semula mungkin lebih bernilai daripada mencapai peningkatan kecil dalam prestasi penanda aras makmal.
AI Pembuatan Mesti Menyesuaikan Diri dengan Keadaan Proses yang Berubah
EXAONE Tabular pada mulanya digunakan di tapak pembuatan LG Innotek dan kini menarik minat syarikat farmaseutikal serta hospital. LG turut melihat potensi penggunaan dalam operasi yang intensif tenaga, termasuk kemudahan nuklear dan hidroelektrik.
Cabaran asasnya sama merentasi sektor-sektor ini: keadaan proses bersifat dinamik, manakala kos mengumpul dan melabel data industri adalah tinggi.
Bagi jurutera automasi, ini bermakna model AI industri yang paling berguna tidak semestinya model yang memerlukan set data yang sangat besar. Model yang mampu belajar daripada maklumat khusus tapak yang terhad sambil menggabungkan pengetahuan proses sedia ada mungkin lebih mudah digunakan merentasi pelbagai persekitaran pengeluaran.
Pemeriksaan Penglihatan Menuju Konfigurasi Autonomi
LG juga sedang membangunkan ejen pemeriksaan penglihatan yang boleh melaksanakan pensampelan data, pelabelan dan latihan model secara autonomi.
Secara tradisional, memperkenalkan produk baharu ke dalam barisan pembuatan boleh memerlukan pengumpulan dan pelabelan imej yang meluas sebelum model pemeriksaan bersedia untuk pengeluaran. LG menyatakan bahawa pendekatannya boleh mengurangkan tempoh persediaan ini dengan ketara.
Nilai kejuruteraannya jelas: sistem pemeriksaan mesti mengikuti variasi produk dan perubahan proses tanpa memaksa keseluruhan aliran kerja penglihatan mesin dimulakan semula setiap kali konfigurasi pengeluaran berubah.
Jika berjaya digunakan, penyediaan data autonomi boleh menjadi lapisan penting antara kamera industri dengan sistem pelaksanaan pembuatan peringkat lebih tinggi.
Daripada Robot Individu kepada Kilang Autonomi
Objektif jangka panjang LG melangkaui automasi mesin atau robot individu. Syarikat itu sedang berusaha ke arah model asas robotik dan seni bina kilang yang membolehkan kilang beroperasi sebagai satu kecerdasan bersepadu.
Ini merupakan perubahan konsep yang ketara.
Automasi tradisional membahagikan kilang kepada PLC, pemacu, robot, sistem penglihatan, SCADA, MES dan lapisan kawalan lain, dengan kawalan deterministik kekal pada peringkat bawah. AI semakin diperkenalkan di atas sistem-sistem ini untuk mentafsir data dan mengoptimumkan operasi.
Peringkat seterusnya mungkin melibatkan AI yang menyelaraskan maklumat merentasi lapisan-lapisan ini, sementara pengawal deterministik terus mengendalikan fungsi kawalan yang kritikal dari segi masa.
Pada pandangan saya, perbezaan ini akan kekal penting. AI amat sesuai untuk ramalan, pengoptimuman, pengelasan dan sokongan keputusan, tetapi menggantikan kawalan deterministik dengan model kebarangkalian tidak semestinya merupakan penambahbaikan kejuruteraan. Kilang autonomi memerlukan pemisahan yang jelas antara pembuatan keputusan AI dengan fungsi kawalan yang kritikal dari segi keselamatan atau masa.
Halangan Utama ialah Ekonomi Data dan Pelaksanaan
LG mengakui bahawa data pembuatan daripada kemudahan sebenar adalah banyak dan sukar disusun. Penggunaan GPU dan nilai ekonomi yang dijana oleh pelaksanaan AI juga perlu dipertimbangkan.
Ini merupakan salah satu pemerhatian paling praktikal daripada pengumuman tersebut. Penerimaan AI industri tidak akan ditentukan oleh kecerdasan model semata-mata. Jurutera dan pengendali kilang juga perlu mempertimbangkan pemerolehan data, kualiti penderia, seni bina rangkaian, keselamatan siber, sumber pengkomputeran, penyelenggaraan model dan manfaat pengeluaran yang boleh diukur.
Oleh itu, usaha LG untuk menjadikan EXAONE Tabular ringan adalah penting dari segi strategi. Model yang memerlukan kurang infrastruktur pengkomputeran berpotensi digunakan lebih dekat dengan peralatan pengeluaran dan di lebih banyak kemudahan.
AI Industri Beralih daripada Ramalan kepada Tindakan
Usaha LG selama enam tahun dilaporkan telah menangani lebih daripada 100 masalah industri yang sukar. Arah semasa syarikat itu menunjukkan peralihan daripada AI yang menerangkan keadaan industri kepada AI yang boleh menentukan dan melaksanakan langkah seterusnya.
Peralihan itu memerlukan lebih daripada model asas yang lebih besar. Ia memerlukan integrasi dengan PLC, robot, rangkaian industri, sistem sejarah data, platform MES, sistem penglihatan dan pangkalan data kejuruteraan.
Oleh itu, laluan paling realistik ke arah pembuatan autonomi berkemungkinan bersifat berperingkat: AI mula-mula memerhati dan menganalisis, kemudian memberikan cadangan, selepas itu beroperasi dalam sempadan yang ditetapkan, dan akhirnya menyelaraskan keputusan peringkat kilang yang semakin kompleks.
Kesimpulan
Perkembangan EXAONE oleh LG menunjukkan bagaimana AI khusus bergerak melangkaui demonstrasi dan memasuki penyelidikan saintifik serta operasi industri. Penemuan ubat, makmal autonomi, kecerdasan proses tabular dan pemeriksaan penglihatan merupakan aplikasi berbeza bagi konsep yang lebih luas: menggunakan AI untuk mengurangkan usaha kejuruteraan yang diperlukan bagi memahami sistem kompleks dan menentukan perkara yang perlu berlaku seterusnya.
Bagi automasi industri, perkembangan yang paling penting mungkin bukan kemunculan kilang yang sepenuhnya autonomi. Sebaliknya, ia ialah penciptaan beransur-ansur lapisan AI yang mampu memahami keadaan proses yang berubah sambil bekerja bersama automasi deterministik sedia ada.
Syarikat yang berjaya menggabungkan kedua-dua pendekatan ini berkemungkinan memperoleh nilai praktikal yang lebih besar berbanding syarikat yang menganggap AI sebagai pengganti seni bina kawalan industri sedia ada.
