จาก AI ผู้เชี่ยวชาญสู่การแก้ปัญหาในภาคอุตสาหกรรม
LG กำลังวางตำแหน่งแพลตฟอร์ม EXAONE ไม่ใช่เพียงในฐานะระบบ AI อเนกประสงค์ แต่เป็นกลุ่มโมเดลเฉพาะทางที่ออกแบบมาเพื่อแก้ปัญหาเฉพาะด้านวิทยาศาสตร์ การผลิต และธุรกิจ
ในงาน LG AI Talk Concert 2026 ฝ่ายวิจัย AI ของ LG ได้นำเสนอแอปพลิเคชันที่พัฒนาจากการทำงานกับข้อมูลอุตสาหกรรมจริงเป็นเวลาหลายปี โดยเน้นการใช้งานจริง ได้แก่ การลดจำนวนการทดลอง การตีความข้อมูลกระบวนการที่ซับซ้อน การเร่งการตรวจสอบ และการสนับสนุนการตัดสินใจที่โดยปกติต้องอาศัยวิศวกรผู้เชี่ยวชาญเฉพาะทาง
แนวทางนี้มีความเกี่ยวข้องอย่างยิ่งกับระบบอัตโนมัติในภาคอุตสาหกรรม เนื่องจากปัญหาในโรงงานจำนวนมากไม่ได้เกิดจากการขาดแคลนฮาร์ดแวร์ระบบอัตโนมัติ ความท้าทายที่ใหญ่กว่ามักอยู่ที่ความสามารถในการตีความข้อมูลกระบวนการจำนวนมากที่ไม่สอดคล้องกัน และเปลี่ยนข้อมูลเหล่านั้นให้เป็นการตัดสินใจด้านการควบคุมหรือวิศวกรรมที่นำไปปฏิบัติได้
การค้นพบยาด้วย AI ที่เร่งความเร็ว
ในการวิจัยทางวิทยาศาสตร์ ฝ่ายวิจัย AI ของ LG รายงานว่าได้ร่วมมือกับ LG H&H เพื่อประเมินสารที่มีศักยภาพประมาณ 420,000 ชนิด และระบุสาร Rhamsidil ซึ่งเป็นสารที่มีประสิทธิผลต่อภาวะผมร่วงได้ภายในหนึ่งวัน
ความสำคัญไม่ได้อยู่ที่ความเร็วในการคัดกรองเพียงอย่างเดียว AI สามารถลดจำนวนการทดลองทางกายภาพที่จำเป็นได้ด้วยการจำกัดขอบเขตการค้นหาก่อนจัดสรรทรัพยากรในห้องปฏิบัติการ ทำให้เกิดวงจรป้อนกลับที่การวิเคราะห์ด้วยคอมพิวเตอร์และการทดลองจริงส่งผลต่อกันอย่างต่อเนื่อง
LG ยังร่วมมือกับ D&D Pharmatech ในการพัฒนายาเปปไทด์ชนิดรับประทานรุ่นใหม่ นอกจากนี้ EXAONE 4.5 ยังถูกนำไปใช้ในระบบ AI สำหรับทบทวนยาชนิดใหม่ของกระทรวงความปลอดภัยอาหารและยาของเกาหลีใต้
ห้องปฏิบัติการอัตโนมัติสร้างวงจรวิศวกรรมแบบปิด
LG กำลังพัฒนาห้องปฏิบัติการอัตโนมัติที่ AI สามารถวิเคราะห์ผลการทดลอง กำหนดสิ่งที่ควรทดสอบต่อไป และออกแบบการทดลองครั้งถัดไป
จากมุมมองด้านวิศวกรรม นี่แสดงถึงการเปลี่ยนผ่านจากการวิเคราะห์ที่มี AI ช่วยสนับสนุนไปสู่การปรับให้เหมาะสมแบบวงจรปิด แทนที่จะดำเนินการทดลองตามลำดับที่กำหนดไว้ตายตัว ระบบอาจเลือกการทดสอบครั้งถัดไปตามข้อมูลที่ได้รับจากการทดลองก่อนหน้า
หลักการเดียวกันนี้มีนัยสำคัญต่อระบบอัตโนมัติในภาคอุตสาหกรรม ระบบการผลิตอาจสามารถวิเคราะห์ความเบี่ยงเบนของกระบวนการ ระบุสาเหตุที่เป็นไปได้ เลือกวิธีแก้ไข และประเมินผลลัพธ์ได้ในท้ายที่สุด โดยไม่จำเป็นต้องให้วิศวกรกำหนดทุกขั้นตอนระหว่างทางด้วยตนเอง
EXAONE Tabular มุ่งเป้าข้อมูลโรงงานที่ซับซ้อน
หนึ่งในพัฒนาการด้านอุตสาหกรรมที่สำคัญของ LG คือ EXAONE Tabular ซึ่งเป็นโมเดลพื้นฐานสำหรับผู้เชี่ยวชาญที่ออกแบบมาเพื่อทำความเข้าใจความสัมพันธ์ระหว่างเงื่อนไขของกระบวนการผลิตกับข้อมูลคุณภาพ
ข้อมูลกระบวนการอุตสาหกรรมแทบไม่เคยสะอาดสมบูรณ์ ค่าจากเซนเซอร์ เงื่อนไขการผลิต คุณลักษณะของผลิตภัณฑ์ และผลการตรวจสอบสามารถเปลี่ยนแปลงไปตามเวลา ระบบแมชชีนเลิร์นนิงแบบดั้งเดิมอาจต้องฝึกใหม่เมื่อคุณลักษณะทางภาพของผลิตภัณฑ์หรือเงื่อนไขการผลิตเปลี่ยนแปลง
LG ระบุว่า EXAONE Tabular สามารถทำงานต่อไปได้เมื่อกระบวนการหรือลักษณะภายนอกของผลิตภัณฑ์เปลี่ยนแปลง โดยไม่ต้องฝึกใหม่ ขณะที่การฝึกเพิ่มเติมแบบกำหนดเฉพาะสามารถช่วยเพิ่มประสิทธิภาพได้
นี่เป็นทิศทางทางเทคนิคที่สำคัญ ในโรงงานจริง การบำรุงรักษาโมเดลอาจกลายเป็นงานที่มีความต้องการสูงเกือบเท่ากับการติดตั้ง AI ครั้งแรก ดังนั้นการลดปริมาณการฝึกใหม่ที่จำเป็นอาจมีคุณค่ามากกว่าการเพิ่มประสิทธิภาพเพียงเล็กน้อยในการทดสอบมาตรฐานในห้องปฏิบัติการ
AI ภาคการผลิตต้องปรับตัวตามเงื่อนไขกระบวนการที่เปลี่ยนแปลง
EXAONE Tabular ถูกนำไปใช้ครั้งแรกที่โรงงานผลิตของ LG Innotek และขณะนี้กำลังได้รับความสนใจจากบริษัทเภสัชกรรมและโรงพยาบาล LG ยังมองเห็นศักยภาพในการใช้งานกับการดำเนินงานที่ใช้พลังงานสูง รวมถึงโรงไฟฟ้านิวเคลียร์และโรงไฟฟ้าพลังน้ำ
ความท้าทายพื้นฐานมีร่วมกันในทุกภาคส่วนเหล่านี้ นั่นคือเงื่อนไขของกระบวนการเปลี่ยนแปลงอยู่เสมอ ขณะที่ต้นทุนการรวบรวมและติดป้ายกำกับข้อมูลอุตสาหกรรมนั้นสูง
สำหรับวิศวกรระบบอัตโนมัติ นี่หมายความว่าโมเดล AI ภาคอุตสาหกรรมที่มีประโยชน์สูงสุดอาจไม่ใช่โมเดลที่ต้องใช้ชุดข้อมูลขนาดมหาศาลเสมอไป โมเดลที่สามารถเรียนรู้จากข้อมูลเฉพาะสถานที่ซึ่งมีจำกัด พร้อมผสานความรู้เกี่ยวกับกระบวนการที่มีอยู่เดิม อาจนำไปใช้งานในสภาพแวดล้อมการผลิตหลายแห่งได้ง่ายกว่า
การตรวจสอบด้วยภาพกำลังมุ่งสู่การกำหนดค่าแบบอัตโนมัติ
LG ยังพัฒนาเอเจนต์ตรวจสอบด้วยภาพที่สามารถสุ่มตัวอย่างข้อมูล ติดป้ายกำกับ และฝึกโมเดลได้โดยอัตโนมัติ
โดยทั่วไป การนำผลิตภัณฑ์ใหม่เข้าสู่สายการผลิตอาจต้องรวบรวมและติดป้ายกำกับภาพจำนวนมากก่อนที่โมเดลตรวจสอบจะพร้อมใช้งานจริง LG ระบุว่าแนวทางของบริษัทสามารถลดระยะเวลาเตรียมการนี้ได้อย่างมาก
คุณค่าด้านวิศวกรรมมีความชัดเจน ระบบตรวจสอบต้องรองรับผลิตภัณฑ์หลายรูปแบบและการเปลี่ยนแปลงของกระบวนการ โดยไม่ทำให้กระบวนการทำงานด้านแมชชีนวิชันทั้งหมดต้องเริ่มต้นใหม่ทุกครั้งที่การกำหนดค่าการผลิตเปลี่ยนแปลง
หากนำไปใช้งานได้สำเร็จ การเตรียมข้อมูลแบบอัตโนมัติอาจกลายเป็นชั้นสำคัญระหว่างกล้องอุตสาหกรรมกับระบบบริหารการผลิตระดับสูง
จากหุ่นยนต์แต่ละตัวสู่โรงงานอัตโนมัติ
เป้าหมายระยะยาวของ LG ไม่ได้จำกัดอยู่ที่การทำให้เครื่องจักรหรือหุ่นยนต์แต่ละตัวทำงานโดยอัตโนมัติ บริษัทกำลังมุ่งสู่โมเดลพื้นฐานด้านหุ่นยนต์และสถาปัตยกรรมโรงงานที่ทำให้โรงงานสามารถทำงานเป็นระบบอัจฉริยะแบบบูรณาการ
นี่คือการเปลี่ยนแปลงในเชิงแนวคิดที่สำคัญ
ระบบอัตโนมัติแบบดั้งเดิมแบ่งโรงงานออกเป็น PLC, ไดรฟ์, หุ่นยนต์, ระบบวิชัน, SCADA, MES และชั้นควบคุมอื่น ๆ โดยการควบคุมแบบกำหนดแน่นอนยังคงอยู่ในระดับล่าง AI กำลังถูกนำมาใช้เพิ่มขึ้นเหนือระบบเหล่านี้เพื่อแปลความหมายข้อมูลและเพิ่มประสิทธิภาพการดำเนินงาน
ระยะถัดไปอาจเกี่ยวข้องกับการที่ AI ประสานข้อมูลระหว่างชั้นต่าง ๆ เหล่านี้ ขณะที่ตัวควบคุมแบบกำหนดแน่นอนยังคงจัดการฟังก์ชันควบคุมที่ต้องตอบสนองตามเวลาอย่างเคร่งครัด
ในมุมมองของฉัน ความแตกต่างนี้จะยังคงมีความสำคัญ AI เหมาะอย่างยิ่งกับการพยากรณ์ การเพิ่มประสิทธิภาพ การจำแนกประเภท และการสนับสนุนการตัดสินใจ แต่การแทนที่การควบคุมแบบกำหนดแน่นอนด้วยโมเดลเชิงความน่าจะเป็นไม่ได้หมายความว่าจะเป็นการปรับปรุงทางวิศวกรรมโดยอัตโนมัติ โรงงานอัตโนมัติจะต้องมีการแยกอย่างชัดเจนระหว่างการตัดสินใจของ AI กับฟังก์ชันควบคุมที่เกี่ยวข้องกับความปลอดภัยหรือเวลาที่มีความสำคัญอย่างยิ่ง
อุปสรรคหลักคือข้อมูลและเศรษฐศาสตร์ของการนำไปใช้งาน
LG ยอมรับว่าข้อมูลการผลิตจากโรงงานจริงมีปริมาณมากและจัดระเบียบได้ยาก นอกจากนี้ยังต้องพิจารณาการใช้ GPU และมูลค่าทางเศรษฐกิจที่เกิดจากการนำ AI ไปใช้งาน
นี่เป็นข้อสังเกตที่เป็นประโยชน์อย่างยิ่งจากประกาศดังกล่าว การนำ AI ภาคอุตสาหกรรมมาใช้จะไม่ได้ขึ้นอยู่กับความฉลาดของโมเดลเพียงอย่างเดียว วิศวกรและผู้ปฏิบัติงานโรงงานยังต้องพิจารณาการเก็บข้อมูล คุณภาพของเซนเซอร์ สถาปัตยกรรมเครือข่าย ความปลอดภัยทางไซเบอร์ ทรัพยากรประมวลผล การบำรุงรักษาโมเดล และประโยชน์ด้านการผลิตที่วัดผลได้
ดังนั้น ความพยายามของ LG ในการทำให้ EXAONE Tabular มีน้ำหนักเบาจึงมีความเกี่ยวข้องเชิงกลยุทธ์ โมเดลที่ต้องการโครงสร้างพื้นฐานด้านการประมวลผลน้อยกว่าอาจนำไปใช้งานใกล้กับอุปกรณ์การผลิตมากขึ้น และใช้งานได้ในโรงงานจำนวนมากขึ้น
AI ภาคอุตสาหกรรมกำลังเปลี่ยนจากการพยากรณ์สู่การลงมือปฏิบัติ
มีรายงานว่าความพยายามตลอดหกปีของ LG ได้จัดการกับปัญหาอุตสาหกรรมที่ซับซ้อนมากกว่า 100 รายการ ทิศทางปัจจุบันของบริษัทแสดงให้เห็นถึงการเปลี่ยนผ่านจาก AI ที่อธิบายสภาวะทางอุตสาหกรรมไปสู่ AI ที่สามารถกำหนดและดำเนินการขั้นตอนถัดไป
การเปลี่ยนผ่านดังกล่าวต้องการมากกว่าโมเดลพื้นฐานที่มีขนาดใหญ่ขึ้น แต่ต้องอาศัยการผสานรวมกับ PLC หุ่นยนต์ เครือข่ายอุตสาหกรรม ระบบจัดเก็บประวัติข้อมูล แพลตฟอร์ม MES ระบบวิชัน และฐานข้อมูลทางวิศวกรรม
ดังนั้น เส้นทางสู่การผลิตอัตโนมัติจึงมีแนวโน้มที่จะค่อยเป็นค่อยไปมากที่สุด โดย AI จะเริ่มจากการสังเกตและวิเคราะห์ จากนั้นให้คำแนะนำ แล้วจึงทำงานภายในขอบเขตที่กำหนด และท้ายที่สุดประสานการตัดสินใจระดับโรงงานที่มีความซับซ้อนเพิ่มขึ้นเรื่อย ๆ
บทสรุป
การพัฒนา EXAONE ของ LG แสดงให้เห็นว่า AI เฉพาะทางกำลังก้าวพ้นระยะการสาธิตไปสู่การวิจัยทางวิทยาศาสตร์และการดำเนินงานในภาคอุตสาหกรรม การค้นพบยา ห้องปฏิบัติการอัตโนมัติ ความอัจฉริยะด้านกระบวนการแบบตาราง และการตรวจสอบด้วยภาพ ล้วนเป็นการประยุกต์ใช้แนวคิดเดียวกันในรูปแบบต่าง ๆ นั่นคือการใช้ AI เพื่อลดความพยายามทางวิศวกรรมที่จำเป็นต่อการทำความเข้าใจระบบที่ซับซ้อน และกำหนดสิ่งที่ควรเกิดขึ้นต่อไป
สำหรับระบบอัตโนมัติในภาคอุตสาหกรรม พัฒนาการที่สำคัญที่สุดอาจไม่ใช่การมาถึงของโรงงานอัตโนมัติเต็มรูปแบบ แต่คือการสร้างชั้น AI อย่างค่อยเป็นค่อยไป ซึ่งสามารถทำความเข้าใจเงื่อนไขกระบวนการที่เปลี่ยนแปลง พร้อมทำงานร่วมกับระบบอัตโนมัติแบบกำหนดแน่นอนที่มีอยู่เดิม
บริษัทที่สามารถผสานสองแนวทางนี้เข้าด้วยกันได้สำเร็จ มีแนวโน้มจะได้รับคุณค่าในทางปฏิบัติมากกว่าบริษัทที่มอง AI เป็นสิ่งทดแทนสถาปัตยกรรมการควบคุมอุตสาหกรรมที่มีอยู่
