Промышленный ИИ за последние два года, по оценке AVEVA, прибавил в распространении почти 78%. Новые модели уже не только предсказывают поломку насоса, но и способны собирать данные, предлагать действия и управлять роботами в опасных зонах. Для российских ИТ-команд это означает смену привычной задачи: недостаточно обучить модель — нужно заранее определить, где ей разрешено действовать самой, а где решение остаётся за человеком.
О новом этапе автоматизации сообщает MIT Technology Review в партнёрском выпуске подкаста с разработчиком промышленного ПО AVEVA. Главный технолог компании Арти Гарг называет ключевой проблемой сочетание возможностей генеративных, агентных и физических ИИ-систем с требованиями к безопасности критической инфраструктуры. В цехе или на электростанции неверный ответ модели — не испорченный текст в чате, а потенциальный простой, повреждённое оборудование или риск для людей.
До недавнего времени промышленный ИИ в основном решал узкие задачи: прогнозировал отказ агрегатов, искал отклонения в телеметрии, помогал планировать обслуживание. Теперь к нему добавились foundation-модели общего назначения, агентные системы для автоматизации программных процессов и physical AI — алгоритмы, работающие вместе с роботами и автономными устройствами. Эти технологии позволяют автоматизировать более сложные сценарии, но хуже поддаются объяснению и не всегда ведут себя строго предсказуемо.
На практике проблема начинается с данных. Информация о производственном объекте обычно расползается по телеметрии оборудования, журналам ремонтов, инженерной документации и системам управления. Оператору, который пытается понять, почему насос или смеситель работает не так, как должен, приходится сопоставлять показания датчиков с историей обслуживания и исходными требованиями к агрегату. Гарг считает, что графовые базы данных и ИИ для сопоставления разнородных наборов данных могут заметно ускорить такую диагностику.
Следующий шаг — перенос этой логики в физический мир. Робот или дрон может осмотреть опасный участок, собрать показания и передать их специалисту без отправки человека туда, где есть высокая температура, токсичные вещества или риск аварии. Но автономность в этом случае нельзя измерять количеством функций в демо-ролике. Чем ближе система к исполнительным механизмам, тем важнее права доступа, журналирование действий, киберзащита и понятный сценарий остановки.
AVEVA предлагает строить ответственное внедрение вокруг трёх принципов: безопасности, эффективности и человеческого контроля. Смысл не в том, чтобы убрать инженера из контура, а в том, чтобы избавить его от поиска по десяткам систем и рутинной проверки данных. Автоматике можно поручить сбор информации, ранжирование сигналов и действия в заранее заданных границах. Решения, способные повлиять на надёжность производства или безопасность людей, должны оставаться подтверждаемыми человеком.
Это особенно важный сигнал для разработчиков корпоративных ИИ-решений. В промышленности недостаточно подключить языковую модель к внутренней базе знаний и назвать это цифровым помощником. Нужны разграничение ролей, проверяемые источники ответов, тестирование на аварийных сценариях и чёткая карта ответственности. Агент, который формирует заявку на обслуживание, и агент, который меняет параметры технологического процесса, — два принципиально разных уровня риска, даже если в интерфейсе они выглядят одинаково.
Отдельная тема — экологический след автоматизации. ИИ может помогать балансировать энергосистемы по мере роста доли возобновляемой генерации и оптимизировать работу сложных производственных объектов. Одновременно сами вычисления требуют электричества, воды и оборудования. Гарг участвует в рабочей группе IEEE, которая разрабатывает методику оценки воздействия ИИ по потреблению электроэнергии и ресурсов, использованию воды и выбросам углерода. Пока индустрия активно считает эффект от внедрения, но значительно реже — цену инфраструктуры, которая этот эффект обеспечивает.
Промышленный ИИ, похоже, станет не отдельным классом аналитики, а слоем между инженерной экспертизой, данными и физическими активами. Выиграют не компании, которые быстрее поставят автономного робота на площадку, а те, кто сумеет описать допустимые границы его решений. Главный вопрос ближайших лет звучит достаточно приземлённо: кто и как нажмёт стоп, когда уверенная в себе модель ошибётся рядом с реальным оборудованием?