چرا رباتهای انساننما به چیزی فراتر از سختافزار رباتیک نیاز دارند
رباتهای انساننما از نمایشهای فناورانه بهسوی کاربردهای عملی صنعتی در حرکت هستند. برای تولیدکنندگان، بهویژه آنهایی که با کمبود نیروی کار، افزایش هزینههای تولید و تنوع فزاینده محصولات پیچیده مواجهاند، جذابیت آنها روشن است: یک ربات انساننما میتواند بالقوه وظایفی را انجام دهد که بر اساس فضاهای کاری موجودِ طراحیشده برای انسان شکل گرفتهاند، بدون آنکه لازم باشد هر فرایند تولیدی از نو و بر مبنای یک ربات متعارف طراحی شود.
بااینحال، ارزش صنعتی یک ربات انساننما تنها با قابلیتهای مکانیکی آن تعیین نمیشود. پرسش مهمتر این است که ربات با چه سرعت و ایمنیای میتواند یک وظیفه را یاد بگیرد، خود را با تغییرات وفق دهد و درون یک سیستم تولیدی موجود فعالیت کند.
اینجاست که هوش مصنوعی و دوقلوهای دیجیتال اهمیت پیدا میکنند. از دیدگاه من، جهش واقعی صنعت صرفاً از قرار دادن یک ربات انساننما در محیط کارخانه حاصل نخواهد شد؛ بلکه از ایجاد محیطی مهندسی حاصل میشود که در آن ربات پیش از استقرار فیزیکی، آموزش ببیند، آزمایش شود و اعتبارسنجی شود.
از هوش مصنوعی فیزیکی تا هوشمندی صنعتی
یک ربات انساننما که در کارخانه فعالیت میکند باید با شرایطی مواجه شود که بهندرت کاملاً قابلپیشبینی هستند. ممکن است قطعات دقیقاً در موقعیت مورد انتظار قرار نگرفته باشند، کارکنان وارد همان فضای کاری شوند، مواد تغییر کنند و برنامههای تولید نیز دستخوش تغییر شوند.
اتوماسیون سنتی معمولاً تلاش میکند این تغییرپذیری را از طریق برنامهنویسی قطعی حذف کند. رباتهای انساننما به رویکردی متفاوت نیاز دارند.
هوش مصنوعی فیزیکی، بینایی، ادراک، بازخورد حسگرها و تصمیمگیری را با هم ترکیب میکند تا ربات بتواند به شرایط متغیر پاسخ دهد. ربات بهجای اجرای صرفاً یک توالی ثابت از فرمانها، میتواند محیط اطراف خود را تفسیر کند و اقدام مناسب را انتخاب کند.
برای مهندسان اتوماسیون صنعتی، این موضوع نشاندهنده تغییری اساسی در معماری است. چالش دیگر فقط کنترل حرکت نیست؛ بلکه ادراک، مدلهای تصمیمگیری، همجوشی حسگرها، دادههای شبیهسازی و اعتبارسنجی مستمر را نیز دربرمیگیرد.
چرا آموزش ربات نمیتواند فقط به محیط کارخانه متکی باشد
آموزش مستقیم یک ربات انساننما در محیط تولید، فرایندی مهندسی و پرهزینه است. هر آزمایش فیزیکی از زمان تولید مصرف میکند، خطرات عملیاتی به همراه دارد و به منابع مهندسی نیازمند است.
زیمنس برآورد میکند که آموزش یک ربات انساننما ممکن است بیش از دو هفته طول بکشد. بدون فناوریهای هوش مصنوعی و دوقلوی دیجیتال، با افزایش تعداد شرایط عملیاتی ممکن، زمان موردنیاز برای آموزش میتواند بهطور قابلتوجهی بیشتر شود.
یک کارخانه همچنین نمیتواند بهطور واقعبینانه همه ترکیبهای ممکنِ خرابیها، موقعیت قطعات، تعاملات کارکنان و شرایط محیطی را برای آزمایش فیزیکی فراهم کند.
این امر یک محدودیت اساسی ایجاد میکند: کارخانه فیزیکی مکان ارزشمندی برای اعتبارسنجی یک ربات است، اما لزوماً کارآمدترین مکان برای آموزش آن نیست.
دوقلوهای دیجیتال یک محیط آموزشی مجازی ایجاد میکنند
دوقلوی دیجیتال با ارائه نمایشی مجازی از کارخانه، خط تولید، تجهیزات و فرایندهای عملیاتی، این معادله را تغییر میدهد.
رباتهای انساننما را میتوان پیش از ورود به محیط فیزیکی تولید، در برابر موقعیتهای شبیهسازیشده متعدد آموزش داد و ارزیابی کرد. مهندسان میتوانند توالیهای مختلف کارها را آزمایش کنند، شرایط منجر به خطا را شناسایی کنند و بدون ایجاد وقفه در عملیات تولید، جریانهای کاری را تغییر دهند.
مزیت فقط آزمایش سریعتر نیست. شبیهسازی اقتصاد آزمایشوخطا را تغییر میدهد.
یک آزمایش فیزیکی ممکن است به در دسترس بودن تجهیزات، نظارت مهندسی و توقف تولید نیاز داشته باشد. یک آزمایش مجازی را میتوان با بسامد بسیار بیشتری تکرار کرد و ربات را در معرض موقعیتهایی قرار داد که بازتولید فیزیکی آنها دشوار یا ناایمن است.
برای استقرار صنعتی، این امر یک لایه میانی مهم میان توسعه هوش مصنوعی و عملیات در دنیای واقعی فراهم میکند.
هوش مصنوعی و شبیهسازی در کنار هم عملکرد بهتری دارند
هوش مصنوعی بهتنهایی مشکل استقرار صنعتی را حل نمیکند. ممکن است یک ربات بتواند از تجربه یاد بگیرد، اما جمعآوری تجربه کافی در دنیای واقعی میتواند زمانبر و پرهزینه باشد.
شبیهسازی مقیاس لازم را فراهم میکند.
هوش مصنوعی میتواند از محیطهای شبیهسازیشده برای یادگیری نحوه واکنش به موقعیتهای مختلف استفاده کند، در حالی که دوقلوی دیجیتال، زمینه عملیاتی مجازیای را فراهم میکند که در آن میتوان این تصمیمها را ارزیابی کرد. جریان کاری حاصل، بیشتر به یک چرخه مهندسی پیوسته شبیه است:
شبیهسازی -> آموزش -> ارزیابی -> شناسایی خطا -> اصلاح -> اعتبارسنجی -> استقرار
این رویکرد همچنین امکان قرار دادن یک ربات انساننما در معرض هزاران سناریوی مجازی را فراهم میکند، بهجای آنکه به تعداد نسبتاً کمی آزمایش فیزیکی متکی باشد.
از نظر من، این یکی از مهمترین تفاوتها میان برنامهنویسی متعارف رباتها و هوش مصنوعی فیزیکی است. خودکارسازی متعارف تمرکز زیادی بر تعریف کاری دارد که ماشین باید انجام دهد. هوش مصنوعی فیزیکی، بیش از پیش بر آموزش واکنش ماشین در شرایطی تمرکز میکند که دقیقاً مطابق انتظار نیستند.
جنوبشرق آسیا یک مورد آزمایشی عملی ارائه میدهد
جنوب شرق آسیا برای این تحول اهمیت ویژهای دارد، زیرا این منطقه سرمایهگذاری قدرتمند در تولید را با فشار فزاینده بر دسترسی به نیروی کار، بهرهوری تولید و انعطافپذیری تولید ترکیب میکند.
بستر آزمایشی هوش مصنوعی فیزیکی برنامهریزیشده سنگاپور در منطقه دیجیتال پونگول نمونهای از ارزیابی سامانههای خودمختار در محیطی زنده و چندمنظوره است، بهجای آنکه این ارزیابی به نمایشهای آزمایشگاهی محدود شود.
همزمان، افزایش سرمایهگذاری در تولید الکترونیک، نیمهرساناها و خودرو، نیاز به سامانههای اتوماسیون انعطافپذیری را افزایش میدهد که بتوانند چرخههای تولید کوتاهتر و تنوع بیشتر محصولات را پوشش دهند.
این محیط میتواند جنوب شرق آسیا را به میدان آزمون مهمی برای رباتهای انساننمای صنعتی تبدیل کند.
رباتهای انساننما جایگزین همه رباتهای صنعتی نخواهند شد
مهم است که رباتهای انساننما را جایگزینی همگانی برای اتوماسیون موجود تلقی نکنیم.
یک ربات صنعتی اختصاصی اغلب برای کاری تکراری با حرکت کاملاً کنترلشده، نرخ چرخه بالا و ابزارآلات قابلپیشبینی مناسبتر است. ربات انساننما زمانی جذابتر میشود که محیط بر اساس حضور نیروی کار انسانی طراحی شده باشد و وظایف آنقدر بهطور مکرر تغییر کنند که توجیه اتوماسیون ثابت دشوار شود.
این تمایز اهمیت دارد.
آینده محتمل صنعت، کارخانهای نیست که منحصراً از رباتهای انساننما پر شده باشد. بلکه محیطی ترکیبی خواهد بود که شامل PLCها، رباتهای صنعتی، رباتهای متحرک خودمختار، سامانههای بینایی، ماشینآلات متعارف و رباتهای انساننماست و همه از طریق معماریهای نرمافزاری هرچه هوشمندتر به یکدیگر متصلاند.
چالش واقعی مهندسی، یکپارچهسازی است
استقرار موفق یک ربات انساننما به چیزی بیش از هوشمندی ربات نیاز دارد. این کار مستلزم یکپارچهسازی با سامانه اتوماسیون موجود است.
ربات باید با تجهیزات تولید، سامانههای اجرای تولید، سامانههای ایمنی، فرایندهای لجستیک و اپراتورهای انسانی تعامل داشته باشد. عملکرد آن همچنین باید با محدودیتهای عملیاتی کارخانه سازگار باشد.
به همین دلیل، دوقلوهای دیجیتال ارزش ویژهای دارند. آنها محیط مهندسی مشترکی فراهم میکنند که در آن میتوان رفتار مکانیکی، فرایندهای تولید، عملکرد ربات و شرایط کارخانه را همزمان ارزیابی کرد.
بنابراین، پرسش از «آیا ربات انساننما میتواند این کار را انجام دهد؟» به «آیا ربات انساننما میتواند این کار را بهصورت ایمن و پایدار، در چارچوب کل سامانه تولید، انجام دهد؟» تغییر میکند.
این پرسشی صنعتی و بسیار معنادارتر است.
اعتبارسنجی بهاندازه آموزش اهمیت خواهد یافت
با توانمندتر شدن هوش مصنوعی، اعتبارسنجی به بخش بزرگتری از مهندسی رباتیک صنعتی تبدیل خواهد شد.
ربات انساننمایی که از دادهها یاد میگیرد، ممکن است با موقعیتهایی مواجه شود که مهندس صراحتاً آنها را برنامهریزی نکرده است. بنابراین تولیدکنندگان به سازوکارهایی برای ارزیابی این موضوع نیاز دارند که آیا تصمیمهای ربات همچنان در محدودههای عملیاتی قابلقبول باقی میمانند یا نه.
دوقلوهای دیجیتال میتوانند با فراهمکردن محیطهای تکرارپذیر برای آزمودن حالتهای مرزی و شرایط غیرعادی، کمککننده باشند.
بااینحال، در عملیات حیاتی از نظر ایمنی، نباید شبیهسازی را جایگزین اعتبارسنجی فیزیکی دانست. این دو باید مکمل یکدیگر باشند. آزمایش مجازی میتواند تعداد آزمونهای فیزیکی را کاهش دهد و مشکلات را زودتر شناسایی کند، درحالیکه راهاندازی فیزیکی رفتار واقعی سامانه را تأیید میکند.
از راهاندازی تا بهینهسازی پیوسته
پروژههای سنتی اتوماسیون معمولاً مرحله راهاندازی مشخصی دارند که پس از آن، عملکرد نسبتاً پایدار دنبال میشود. رباتیک مبتنی بر هوش مصنوعی، مدل توسعه پیوستهتری را معرفی میکند.
پس از استقرار ربات انساننما، دادههای عملیاتی میتوانند شرایط و حالتهای خرابی جدیدی را آشکار کنند. این مشاهدات را میتوان در محیطهای شبیهسازی و آموزش وارد کرد تا رفتار ربات پیش از بازگرداندن مدلهای بهروزشده به خط تولید، اصلاح شود.
این امر حلقه بازخوردی میان کارخانه فیزیکی و همتای دیجیتال آن ایجاد میکند.
برای تولیدکنندگان، این امر در نهایت میتواند استقرار ربات را از نصب یک ماشین تکمیلشده، بیشتر شبیه نگهداری از یک سامانه نرمافزاری صنعتیِ در حال تکامل کند.
کارخانه آینده هم فیزیکی خواهد بود و هم مجازی
ازاینرو ظهور رباتهای انساننما صرفاً فصل دیگری از رباتیک صنعتی نیست. این تحول بخشی از گذار گستردهتر به سوی تولید مبتنی بر نرمافزار و مجهز به هوش مصنوعی است.
کارخانه فیزیکی همچنان محل تولید محصولات است، اما بخش فزایندهای از کارهای مهندسی میتواند در همتای مجازی آن انجام شود. آموزش ربات، اعتبارسنجی تولید، بهینهسازی گردش کار و تحلیل خرابی میتوانند بیش از پیش پیش از اعمال تغییرات در سامانه واقعی انجام شوند.
برای تولیدکنندگان جنوبشرق آسیا، این قابلیت ممکن است از خود ربات انساننما ارزشمندتر باشد.
مزیت رقابتی بلندمدت از ساخت زیرساختی حاصل خواهد شد که به ماشینهای مجهز به هوش مصنوعی اجازه میدهد سریعتر یاد بگیرند، در چارچوب محدودیتهای مهندسی تعریفشده کار کنند و بدون ایجاد اختلال مکرر در تولید، پیوسته بهبود یابند.
ممکن است رباتهای انساننما توجهها را جلب کنند، اما این هوش مصنوعی، شبیهسازی و دوقلوهای دیجیتال هستند که تعیین میکنند آیا آنها به داراییهای صنعتی واقعاً مفید تبدیل میشوند یا نه.
