ИИ в производстве: как заводы внедряют агентов и что из этого выходит

На производственном форуме Alibaba назвала неудобные цифры. По её оценке, около 95% компаний ИИ реально не используют, а 60% опасаются за безопасность данных. В чиповой отрасли проникновение ИИ меньше 30%. Ответ Alibaba звучит как лозунг: «ИИ идёт к данным, а не данные рискуют». На практике это частное облако прямо на площадке клиента и выездные инженеры, которые делают пилот у заказчика за две недели. По оценке компании, размещение у клиента снимает около 80% опасений.

Архитектор Alibaba Cloud Цзя Чаохуэй сформулировал главную трудность точнее всех. Сгенерировать ответ модель умеет. Трудно выстроить цепочку ответственности за результат: решение должно быть исполнимым и проверяемым, и должно быть понятно, кто за него отвечает. Он видит четыре дефицита: данных с площадки, знаний компании, профильной экспертизы и замкнутого цикла от решения до результата.

Гун Цзядун из центра ИИ компании CATL добавил свою оговорку: общие языковые модели сильны в цифровом мире, но не понимают физику, причинность и цех. Поэтому Alibaba предлагает заводам связку моделей. Малые модели ловят дефекты за миллисекунды, большая ищет причины и предлагает поправки к техпроцессу, а в систему управления запись попадает после подтверждения человеком.

Эту шкалу показал промышленный институт TCL. Я бы распечатал её для каждого проекта на производстве, а на старте ставил бы L1, даже если очень хочется L3.

Самое прикладное на автомобильном саммите показал государственный автоконцерн FAW (бренд Hongqi). Вместе с Alibaba Cloud они выпустили систему корпоративных агентов OpenMind 2.0. Данные собраны вокруг бизнес-объектов: клиент, заказ, продукт, сотрудник, VIN автомобиля. Разработка у них превратилась из «эстафеты многих людей» в схему «один эксперт и несколько агентов», а итерации стали ежедневными вместо двухнедельных.

««Углеродным» сотрудникам - штатные единицы и премии, «кремниевым» - токены и вычислительные ресурсы.»

Звучит как шутка, но за ней стоит рабочий принцип: агенту выделяют бюджет, как отделу, и спрашивают за результат. В «дата-центре» FAW сейчас «работают» семь таких кремниевых сотрудников. Для малого производства я бы взял из этого одну вещь: у каждого агента должен быть месячный лимит расходов и владелец, который за него отвечает. Как это технически ограничить, я разбирал в статье о безопасности ИИ-агентов.

Форум по роботам с ИИ (embodied AI) пришёл к выводу, который полезно услышать всем, кто мечтает о гуманоиде в цеху. Узкое место - не модель, а конвейер данных: сбор, очистка, обучение, симуляция, робот, ошибки обратно в данные. Ни один источник данных не закрывает всё: нужны записи с реального робота, видео с камеры на голове человека, симуляция и синтетика.

Цена проверки тоже кусается. По оценке Lightwheel, испытание на реальном роботе занимает 2-3 недели и стоит 500 тыс.+ юаней (≈6,5 млн ₽), а в симуляции - часы и на 90%+ дешевле (методику они не показали). Компания Sudo называет порог универсального робота в 99% успешных операций. Вместе с крупным производителем тяговых батарей Sudo учит робота собирать батарейные модули, причём под новую линию его обычно перенастраивают без сбора новых данных. Цифр эффекта не раскрыли. Для российского среднего завода это пока горизонт нескольких лет, а не план на квартал.