Промышленный ИИ ускоряется: от генеративного к агентному и физическому

По словам Стюарта Карло, президента и управляющего директора ABI Research, для развертывания ИИ на реальном производстве одной модели необходимо понимать 147 различных машинных языков. Эта цифра наглядно демонстрирует, почему многие производители чувствуют себя подавленными сложностью промышленного искусственного интеллекта.

Эволюция ИИ: от описательного к физическому

Карло отмечает стремительную смену этапов: «Два года назад мы находились на стадии описательного ИИ. В прошлом году речь шла о генеративном ИИ. Сейчас мы говорим об агентном ИИ, и уже начинаем обсуждать физический ИИ». Технологические вендоры переходят от одного прорыва к другому, но производственники зачастую застревают на первой передаче.

Проблемы внедрения: разрыв между вендорами и пользователями

Пока поставщики решений соревнуются в инновациях, заводы решают фундаментальные вопросы: «Можем ли мы выстроить архитектуру данных? Можем ли нормализовать и очистить данные? Можем ли создать среду, в которой ИИ-приложения будут реально работать?» Карло называет это «золотой ловушкой» — компании бросаются внедрять ИИ без должной основы.

Линда Крумбхольц, старший вице-президент по экосистеме и маркетплейсу Siemens Xcelerator, выделяет три волны эволюции ИИ: машинное обучение решало отдельные задачи с помощью единичных решений; генеративный ИИ обеспечил общие возможности (автоматическая генерация текста, синтез изображений); промышленный ИИ требует глубокой связи с реальным миром, надежности и объяснимости результатов. «Нам нужно привнести возможности ИИ в промышленность. Он должен быть надежным, объяснимым и целенаправленным», — подчеркивает Крумбхольц.

Ключевые условия успеха

Прежде чем переходить к агентному или физическому ИИ, предприятиям необходимо:

• Выстроить архитектуру данных: нормализовать и очистить массивы информации, создать графы знаний, которые связывают данные с точками их применения.
• Определить измеримый ROI: Карло предупреждает о «чистилище POC» (proof-of-concept), куда попадают проекты без четких бизнес-показателей.
• Обеспечить объяснимость решений: операторы должны доверять результатам работы ИИ.

Перспективы применения в России

В условиях российской промышленности ускоренное развитие ИИ открывает возможности для модернизации производств, особенно в машиностроении, металлургии и нефтегазовом секторе. Однако ключевым барьером остается фрагментарность данных на устаревшем оборудовании и нехватка стандартизированных протоколов. Для успешного внедрения агентного ИИ российским предприятиям потребуется сначала решить задачу цифровизации цехов — от унификации языков ЧПУ до построения сквозной аналитики. Партнерство с платформами вроде Siemens Xcelerator может ускорить этот переход, но только при условии локальной адаптации решений к специфике ГОСТ и отраслевых регламентов.