Från akademisk forskning till produktionslinjer: utveckling, vändpunkter, begränsningar och konkreta användningsområden för AI inom modern tillverkning såväl som i små och medelstora företag

När vi är i företaget pratar vi om Artificiell intelligens tillämpad på prediktivt underhåll av växter, den automatiserad kvalitetskontroll av tillverkningsprocesser eller attanalys av produktionsdata, händer det ofta att vi inser hur lite vi egentligen vet om dess historia. Detta intryck, som underblåses av den snabba spridningen av generativa verktyg Under senare år har AI ibland dykt upp nästan plötsligt, som en direkt följd av stora språkliga modeller och plattformar som har blivit tillgängliga för allmänheten.

Faktum är att det vi kallar idag "AI" det är resultatet av en mycket längre resa, präglad av teoretiska insikter, entusiasmer, motgångar, tekniska begränsningar, nya datorarkitekturer och progressiva ökningar av bearbetningskapaciteten. Bakom ett system som kan identifiera en defekt på en komponent, förutsäga en anomali i en maskin eller hjälpa ett företag att hantera information, finns det årtionden av matematisk och datavetenskaplig forskning, men också innovationer som fötts inom till synes avlägsna områden, såsom digital grafik och L 'videospelsindustrin.

Detta historiska perspektiv är särskilt viktigt när AI kommer in i fabrikenAtt separera det som är tekniskt möjligt från det som fortfarande hör till förväntningar eller kommersiella berättelser gör att vi kan välja lämpliga verktyg, förstå deras begränsningar och utvärdera dem mer exakt. kostnader, fördelar, risker och ansvar.

Ändå hjälper det framför allt att förstå var artificiell intelligens kommer ifrån vad den realistiskt kan göra idag, och vad den inte kan, även inom en konkret sektor som tillverkning. Att känna till dess ursprung innebär därför inte bara att rekonstruera en teknologisk historia, utan att skaffa sig bättre verktyg för att avgöra hur den ska introduceras i produktionsprocesser utan att förvandla en kraftfull teknologi till ett otydligt löfte.

Alan Turing och Dartmouth: Frågan som antände en disciplinär process

Allt började 1950, när den brittiske matematikern Alan Turing publicerade artikeln "Computing Machinery and Intelligence", där han tog upp frågan om maskiner kunde tänka. I den föreslog han vad som skulle bli känt som Turings test, baserat på idén att utvärdera en maskin utifrån dess förmåga att upprätthålla en språklig interaktion som för en mänsklig samtalspartner inte kan skiljas från den med en annan person.

Den verkliga födelsen av artificiell intelligens som disciplin kom sex år senare. Sommaren 1956, vid Dartmouth College, organiserade John McCarthy, tillsammans med Marvin Minsky, Nathaniel Rochester från IBM och Claude Shannon från Bell Labs, ett forskningsprojekt som skulle bli en milstolpe i datavetenskapens historia. Det var i förslaget som utarbetades för det initiativet som McCarthy använde termen "artificiell intelligens":

"Varje aspekt av lärande eller någon annan egenskap hos intelligens kan i princip beskrivas med sådan precision att en maskin kan simulera den."

Initiala löften, minskad finansiering, växande skepticism

Den inledande entusiasmen kolliderade snart med tidens tekniska begränsningar och förväntningar som tillgängliga funktioner inte kunde möta. År 1969 publicerade Marvin Minsky och Seymour Papert "Perceptrons", ett verk som belyste viktiga begränsningar hos neurala nätverk med en lager och bidrog till det minskade intresset för denna forskningslinje.

Det var dock inte en enda bok som utlöste den första "AI-vintern". Under 1970-talet uppstod otillräcklig datorkraft, svårigheter att hantera komplexa problem, resultat under förväntan och växande skepticism från finansiärer. I Storbritannien Lighthill-rapporten från 1973 uttrycker en starkt kritisk åsikt om de framsteg som gjorts inom disciplinen och bidrar till att minska det offentliga stödet för forskning.

På 1980-talet började intresset växa igen, särskilt tack vare expertsystem, program utformade för att reproducera specialiserade beslutsprocesser genom kunskapsbaser och definierade regler. Dessa verktyg fann även tillämpningar inom industrin, men höga kostnader, stelhet, svårigheter att uppdatera och återigen överdrivna förväntningar ledde, mellan slutet av decenniet och början av 1990-talet, till en andra fas av desillusionering.

Videospel, GPU:er, parallella matriser: detta är vändpunkten inom djupinlärning.

Den stora accelerationen under de senaste decennierna härrör också från en utveckling som har mognat inom den digitala grafik- och videospelsindustrin. För att generera alltmer komplexa tredimensionella scenarier i realtid utvecklar hårdvarutillverkare GPUGrafikprocessor , processorer specialiserade på parallell exekvering av stora mängder matematiska operationer, med stöd av dedikerade höghastighetsminnen.

Denna arkitektur skiljer sig från traditionella processorer. De senare är utformade för att hantera mycket olika instruktionssekvenser med stor flexibilitet; GPU:er, å andra sidan, kan samtidigt utföra enorma mängder liknande beräkningar. Denna funktion är särskilt lämpad för matrismultiplikationer och andra numeriska operationer som krävs för att träna neurala nätverk.

Spridningen av GPU:er åtföljs gradvis av verktyg som gör det möjligt att använda dem för beräkningar som inte uteslutande är grafiska, tillsammans med tillväxten av tillgängliga datamängder, ökningen av minneskapaciteten och förfiningen av inlärningsalgoritmer.

Bland dessa har följande grundläggande betydelse: felåterpropagering, eller bakåtpropagering. Tekniken har matematiska antecedenter som går tillbaka till 1980-talet, men arbetet som publicerades 1986 av David Rumelhart, Geoffrey Hinton och Ronald Williams bidrog avgörande till dess inflytelserika användning för att träna flerskiktade neurala nätverk.

Den symboliska vändpunkten kommer 2012 med AlexNetTränat med hjälp av GPU:er överträffade det neurala nätverket avsevärt många konkurrerande metoder i ImageNet-tävlingen, vilket visade hur kombinationen av parallell beräkning, stora mängder data och djupa nätverk radikalt skulle kunna förändra datorseende. GPU:er har sedan dess blivit en central komponent i infrastrukturen för djupinlärning.

År 2017 publicerade en grupp forskare ”Uppmärksamhet är allt du behöver", introducerar arkitektur transformatorDess uppmärksamhetsmekanism gör det möjligt för modellen att relatera olika delar av en sekvens utan att nödvändigtvis behöva bearbeta dem efter varandra enligt uppbyggnaden av traditionella återkommande nätverk.

Denna arkitektur skulle bli en av de tekniska grunden för stora språkmodeller och, fem år senare, även för ChatGPT, vilket skulle bidra till att föra in generativ AI i vardagsspråket för miljontals människor.

Probabilistisk inferens bortom den klassiska datavetenskapens determinism

En annan ofta missförstådd aspekt gäller hur dessa system "resonerar". Traditionella datorer exekverar formellt bestämda instruktioner och producerar, allt annat lika, repeterbara resultat. Moderna, storskaliga språkmodeller, å andra sidan, fungerar genom statistiska mekanismer som, baserat på parametrar som lärs in under träning, uppskattar vilka element som är mest sannolikt att förekomma i det sammanhang som bearbetas.

Av denna anledning kan de, med en viss förenkling, beskrivas som probabilistiska inferensmotorerNär en text genereras utvärderar en språkmodell sannolikhetsfördelningar associerade med möjliga efterföljande element och konstruerar progressivt utdata.

Därför finns det inte nödvändigtvis ett enda förberäknat svar. Resultatet kan variera beroende på sammanhanget, de mottagna instruktionerna, de data som tillhandahålls och de parametrar som används vid genereringen. Detta är en betydande avvikelse från traditionell deterministisk programvara och bidrar till att förklara både den extraordinära flexibiliteten och inneboende felbarheten hos dessa system.

Ett viktigt exempel på spridningen av stora språkliga modeller är Lama, Stor språkmodell Meta AI, en familj utvecklad av Meta sedan 2023. Meta har gjort vikterna från flera modeller tillgängliga genom sina egna licenser, vilket avsevärt utökar möjligheterna för forskare, utvecklare och företag att använda och specialisera dessa system.

Att definiera LLaMA enbart som "öppen källkod" kräver dock försiktighet: de relaterade licenserna inkluderar villkor och begränsningar som inte helt motsvarar definitionen av öppen källkodsprogramvara som antagits av Open Source Initiative. Det är därför mer korrekt att tala om modeller. öppen vikt, det vill säga med tillgängliga vikter, vilket i vilket fall som helst har gynnat omfattande experiment med anpassningsbara system som potentiellt är intressanta även för små tillverkningsföretag.

ANI, AGI, ASI: gränser mellan nuvarande verktyg och framtida teoretiska scenarier

För att orientera sig i debatten är det bra att urskilja tre traditionella kategorier.Artificiell smal intelligens (ANI), även kallad "svag", inkluderar system utformade för att utföra specifika uppgifter eller klasser av uppgifter, såsom taligenkänning, datorseende, dataanalys, processoptimering och innehållsgenerering.

Även extremt sofistikerade system kan falla in i denna kategori när de inte besitter en generell och autonom förmåga att överföra sina färdigheter till vilket tänkbart område som helst.

L 'Artificiell generell intelligens, AGI, skulle istället indikera en maskin som är kapabel att lära sig, förstå och tillämpa sina förmågor på ett extremt brett spektrum av problem, med en generalitet jämförbar med människors. Det finns dock ingen universellt delad definition av AGI eller ett system som är konsensuellt erkänt av forskarsamhället som tillhörande denna kategori.

Slutligen, den Artificiell superintelligens, ASI (Artificiell superintelligens), beskriver en hypotetisk form av artificiell intelligens som kan överträffa mänskliga förmågor inom ett flertal kognitiva områden. För närvarande är det fortfarande ett teoretiskt scenario.

Cybersäkerhet, styrning och ansvarsskyldighet inför sårbarheter

Framväxten av generativ AI introducerar nya attackytor. Modeller kan ta emot instruktioner via dokument, meddelanden, databaser, webbplatser och andra externa källor, vilket skapar möjligheter till manipulation som tidigare inte existerade på samma sätt i traditionella datorsystem.

År 2024 visade vissa forskare experimentellt möjligheten att förverkliga självreplikerande motståndaruppmaningar kapabel att spridas mellan sammankopplade generativa AI-baserade applikationer. Beviset för konceptet, kallat Morris II, visade hur indirekta snabbinjektionstekniker kan orsaka maskliknande spridning och, i vissa experimentella arkitekturer, orsaka oönskade åtgärder eller informationsutvinning.

Detta betyder inte att maskar av detta slag redan systematiskt sprider sig över företagssystem. Det betyder dock att en klass av sårbarheter har påvisats som bör tas på allvar när olika AI-baserade komponenter är sammankopplade och auktoriserade att komma åt externa data eller verktyg.

För små och medelstora företag som integrerar generativa modeller i sina lednings- och produktionssystem måste säkerhet, dataisolering, inmatningskontroll, auktoriseringshantering och utmatningsövervakning därför betraktas som arkitekturkomponenter redan från designstadiet.

Långt före den nuvarande digitala revolutionen hade Isaac Asimov redan introducerat problemet med förhållandet mellan maskiners autonomi, ansvar och skydd för människor genom den berömda Tre lagar inom robotik.

De formuleringarna tillhör science fiction, men de underliggande frågorna har blivit konkreta: vem sätter gränserna för ett system, vem är ansvarig för dess fel, vilka beslut kan delegeras och vilka garantier måste följa med användningen av algoritmer som kan påverka människor?

Det är kring den här typen av frågor som reglering och styrning av AI utvecklas idag, från den europeiska förordningen om artificiell intelligens till internationella initiativ inriktade på modellers säkerhet, transparens och tillförlitlighet.

Tillverkning, små och medelstora företag, digitala fabriker: tillämpningar utan ersättningsmyter

Som chef för ett litet eller medelstort företag är lärdomen enkel: AI som effektivt kan implementeras idag består främst av specialiserade verktyg. Den kan hjälpa till att utveckla snabbare och mer riktade säljerbjudanden, stödja CRM-aktiviteter, förutse fel genom prediktivt underhåll, optimera produktionscykler, analysera stora mängder data och automatisera delar av kvalitetskontrollen.

Ett datorseendesystem kan identifiera tillverkningsfel; en prediktiv modell kan upptäcka avvikelser i en anläggnings parametrar innan de leder till fel; generativa verktyg kan hjälpa till att förbereda dokumentation, offerter och säljkommunikation; optimeringsalgoritmer kan hjälpa till vid produktionsplanering och resursutnyttjande.

Detta betyder inte att man har en generell intelligens som urskillningslöst kan ersätta mänskligt omdöme. Snarare betyder det att man använder mycket kraftfulla verktyg inom definierade uppgifter, data, procedurer och ansvarsområden.

Att förstå dess historia – full av spänning, upp- och nedgångar, återfödelser, oväntade hårdvaruinnovationer och nya datorparadigm – är det första steget mot att omfamna artificiell intelligens med det självförtroende som krävs för att omvandla den från ett teknologiskt löfte till ett verkligt användbart affärsverktyg.

Humanoida robotar och fysisk AI: Hur BMW Groups fabrik förändras

DAMA Tecnopolo: data, superdatorer och AI för verklig innovation i Bologna

Liechtenstein och Public AI: Ansvarsfull innovation i Landesverwaltung

Här är tre insikter som kan intressera dig:

"Multivacs liv och tider" och modern artificiell intelligens
Generativ AI: Vad det är och hur det förändrar oss
Hur Dallara och IBM kommer att ta in AI i vindtunneln