От экспертного ИИ к решению промышленных задач
LG позиционирует свою платформу EXAONE не просто как универсальную систему ИИ, а как набор специализированных отраслевых моделей, предназначенных для решения конкретных научных, производственных и бизнес-задач.
На конференции LG AI Talk Concert 2026 компания LG AI Research представила приложения, разработанные за годы работы с реальными промышленными данными. Основное внимание уделялось практическому применению: сокращению объема экспериментов, интерпретации сложных технологических данных, ускорению инспекции и поддержке решений, которые традиционно зависят от высококвалифицированных инженеров.
Это направление особенно актуально для промышленной автоматизации, поскольку многие проблемы на производстве вызваны не нехваткой оборудования для автоматизации. Более серьезная задача часто заключается в способности интерпретировать большие объемы неоднородных технологических данных и преобразовывать эту информацию в практические решения в области управления или инженерного проектирования.
Ускоренное с помощью ИИ открытие лекарственных препаратов
В сфере научных исследований LG AI Research сообщила, что совместно с LG H&H оценила около 420 000 веществ-кандидатов и за один день выявила кандидат Rhamsidil, обладающий эффективностью против выпадения волос.
Значение имеет не только скорость скрининга. ИИ может сократить количество необходимых физических экспериментов, сузив область поиска до привлечения лабораторных ресурсов. Это создает цикл обратной связи, в котором вычислительный анализ и физические эксперименты непрерывно влияют друг на друга.
LG также сотрудничает с D&D Pharmatech над разработкой пероральных пептидных препаратов нового поколения. Кроме того, EXAONE 4.5 интегрирована в систему ИИ для экспертизы новых лекарственных препаратов в Министерстве по безопасности пищевых продуктов и лекарственных средств Республики Корея.
Автономные лаборатории создают замкнутый инженерный цикл
LG разрабатывает автономную лабораторию, в которой ИИ анализирует результаты экспериментов, определяет, что следует проверить дальше, и проектирует последующие эксперименты.
С инженерной точки зрения это означает переход от анализа с поддержкой ИИ к оптимизации по замкнутому циклу. Вместо следования фиксированной последовательности экспериментов система потенциально может выбирать следующий тест на основе информации, полученной в ходе предыдущих экспериментов.
Тот же принцип имеет большое значение для промышленной автоматизации. Производственная система в перспективе сможет анализировать отклонения процесса, выявлять вероятные причины, выбирать корректирующее действие и оценивать результат без необходимости ручного определения инженером каждого промежуточного шага.
EXAONE Tabular предназначена для работы со сложными производственными данными
Одной из наиболее значимых промышленных разработок LG является EXAONE Tabular — экспертная базовая модель, предназначенная для понимания взаимосвязей между параметрами производственного процесса и данными о качестве.
Промышленные технологические данные редко бывают чистыми. Значения датчиков, условия производства, характеристики продукции и результаты инспекции могут со временем меняться. Традиционные системы машинного обучения могут требовать повторного обучения при изменении визуальных характеристик продукции или условий производства.
LG утверждает, что EXAONE Tabular может продолжать работу при изменениях процесса или внешнего вида продукции без повторного обучения, а дополнительное специализированное обучение может еще больше повысить ее производительность.
Это важное техническое направление. На реальных предприятиях обслуживание модели может стать почти таким же сложным, как ее первоначальное внедрение. Поэтому сокращение объема необходимого повторного обучения может оказаться ценнее, чем небольшое улучшение результатов на лабораторных тестах.
Промышленный ИИ должен адаптироваться к меняющимся условиям процесса
Изначально EXAONE Tabular была применена на производственной площадке LG Innotek, а теперь привлекает интерес фармацевтических компаний и больниц. LG также видит потенциал для применения в энергоемких отраслях, включая атомные и гидроэлектростанции.
Общая для этих отраслей проблема заключается в том, что условия процесса динамичны, а сбор и разметка промышленных данных обходятся дорого.
Для инженеров по автоматизации это означает, что наиболее полезными промышленными моделями ИИ не обязательно будут модели, требующие огромных наборов данных. Модели, способные обучаться на ограниченном объеме информации, специфичной для конкретного предприятия, и одновременно учитывать существующие знания о процессе, могут быть проще в развертывании в различных производственных средах.
Визуальная инспекция движется к автономной настройке
LG также разрабатывает агент визуальной инспекции, способный автономно выполнять выборку данных, разметку и обучение модели.
Традиционно внедрение нового продукта на производственной линии может требовать обширного сбора и разметки изображений, прежде чем модель инспекции будет готова к эксплуатации. LG заявляет, что ее подход способен существенно сократить этот подготовительный период.
Инженерная ценность очевидна: системы инспекции должны поддерживать различные варианты продукции и изменения процесса, не заставляя полностью перезапускать рабочий процесс машинного зрения при каждом изменении производственной конфигурации.
При успешном внедрении автономная подготовка данных может стать важным уровнем между промышленными камерами и вышестоящими системами управления производством.
От отдельных роботов к автономным фабрикам
Долгосрочная цель LG выходит за рамки автоматизации отдельных машин или роботов. Компания работает над базовыми моделями для робототехники и архитектурой фабрики, в которой предприятие сможет функционировать как единая интеллектуальная система.
Это существенное концептуальное изменение.
Традиционная автоматизация разделяет предприятие на ПЛК, приводы, роботов, системы машинного зрения, SCADA, MES и другие уровни управления, при этом детерминированное управление остается на нижних уровнях. ИИ все чаще внедряется поверх этих систем для интерпретации данных и оптимизации операций.
Следующий этап может включать координацию ИИ информации между этими уровнями, тогда как детерминированные контроллеры продолжат выполнять функции управления, критичные по времени.
На мой взгляд, это различие останется важным. ИИ хорошо подходит для прогнозирования, оптимизации, классификации и поддержки принятия решений, однако замена детерминированного управления вероятностной моделью не обязательно является инженерным улучшением. Автономным фабрикам потребуется четкое разделение между принятием решений ИИ и функциями управления, критичными с точки зрения безопасности или времени.
Главный барьер — экономика данных и внедрения
LG признает, что производственные данные с реальных объектов имеют большой объем и сложны для организации. Также необходимо учитывать потребление графических процессоров и экономическую ценность, создаваемую внедрением ИИ.
Это одно из наиболее практичных наблюдений в заявлении компании. Внедрение промышленного ИИ будет определяться не только интеллектуальными возможностями модели. Инженерам и операторам предприятий также необходимо учитывать сбор данных, качество датчиков, сетевую архитектуру, кибербезопасность, вычислительные ресурсы, обслуживание модели и измеримый эффект для производства.
Поэтому стремление LG сделать EXAONE Tabular легковесной имеет стратегическое значение. Модель, требующая меньшей вычислительной инфраструктуры, потенциально может быть развернута ближе к производственному оборудованию и использоваться на большем количестве предприятий.
Промышленный ИИ переходит от прогнозирования к действиям
Сообщается, что шестилетняя работа LG была посвящена более чем 100 сложным промышленным задачам. Текущее направление компании указывает на переход от ИИ, который объясняет состояние промышленных систем, к ИИ, способному определить и выполнить следующий шаг.
Для этого потребуется нечто большее, чем базовые модели увеличенного размера. Необходима интеграция с ПЛК, роботами, промышленными сетями, системами архивирования данных, платформами MES, системами машинного зрения и инженерными базами данных.
Поэтому наиболее реалистичный путь к автономному производству, вероятно, будет постепенным: сначала ИИ наблюдает и анализирует, затем выдает рекомендации, после чего работает в заданных пределах и в конечном итоге координирует все более сложные решения на уровне предприятия.
Заключение
Разработки LG в области EXAONE демонстрируют, как специализированный ИИ выходит за рамки демонстраций и внедряется в научные исследования и промышленные операции. Открытие лекарственных препаратов, автономные лаборатории, табличный анализ технологических процессов и визуальная инспекция — это разные применения одной более широкой концепции: использование ИИ для сокращения инженерных усилий, необходимых для понимания сложных систем и определения следующего шага.
Для промышленной автоматизации наиболее важным событием может быть не появление полностью автономной фабрики. Гораздо важнее постепенное создание уровня ИИ, способного понимать меняющиеся условия процесса и работать вместе с существующей детерминированной автоматизацией.
Компании, которым удастся успешно объединить эти два подхода, вероятно, получат больше практической пользы, чем те, кто рассматривает ИИ как замену существующей архитектуре промышленного управления.
