كيف يُحوّل الذكاء الاصطناعي التوليدي التصنيع نحو كفاءةٍ أعلى

المشهد الحالي

كتبت مجلة Industry Week مؤخرًا: «تشاؤمُ قطاع التصنيع سجّل قفزة حادّة في أبريل، بينما يتعامل المنتجون الصناعيون مع تغيّر خطط الرسوم الجمركية ويحاولون تقييم أثر سياسات التجارة العالمية على تكاليفهم وعملياتهم في الأشهر المقبلة»، مستندةً إلى عدة استطلاعات ومعلّقين مؤثرين. شهدت ثقة الأعمال تقلباتٍ كبيرة، مع عددٍ أقل من الشركات التي تُبدي نية لزيادة الإنفاق الرأسمالي مقارنة بأي وقت منذ أزمة 2009 المالية—باستثناء وجيز عند ذروة التضخم في 2023. ويُعدّ عدم اليقين بشأن ما إذا كانت الرسوم ستُفرض ومتى، المصدرَ الرئيسي للتشاؤم في الولايات المتحدة، مع آثارٍ ارتداديةٍ في أماكن أخرى.

وتلوح تحديات أخرى. يكابد المصنّعون الأوروبيون نقص إنتاج الرقائق في المنطقة؛ إذ أفاد «ديوان المحاسبة الأوروبي» (ECA) بأن الاتحاد الأوروبي «من غير المرجح جدًا» أن يلبّي هدف 2030 بتأمين 20% من رقائق العالم، في وقتٍ يشهد فيه الطلب العالمي على أشباه الموصلات ازدهارًا لتلبية احتياجات الدفاع والتقنيات الخضراء والذكاء الاصطناعي. بالإضافة إلى ذلك، أدى انهيار شركة البطاريات الناشئة «نورثفولت» إلى قيام مُصنّعين آخرين بتقليص خطط النمو والبحث عن شراكات، ما يبرز تحديات القطاع.

وتبدو الصورة أكثر إشراقًا في قوى التصنيع الصاعدة. يشهد قطاع التصنيع في الهند نموًا قويًا وتفاؤلًا استثماريًا. ووفقًا لمسح FICCI، أفاد 83% من المصنّعين بارتفاع مستويات الإنتاج أو استقرارها في الربع الثالث من السنة المالية 2024–2025، مع تخطيط 42% للاستثمار خلال الأشهر الستة المقبلة. ويُتوقّع أن يبلغ حجم القطاع تريليون دولار في 2025–2026، بدفعٍ من مبادرات مثل «صنع في الهند» وبرنامج «الحوافز المرتبطة بالإنتاج» (PLI).

أمّا في الصين، فرغم صعوبة الحصول على معلومات موثوقة، تُبدي القيادة ثقةً بقدرتها على تجاوز الرسوم الأميركية، وبعض القطاعات التقنية مزدهرة. ومن المتوقع أن تتجاوز الصينُ تايوانَ كأكبر مُصنّعٍ للرقائق في العالم بحلول 2030 بحصة 22% من السوق.

الذكاء الاصطناعي التوليدي وصلته بالتصنيع

بينما يكافح القطاع للتعامل مع حالة عدم اليقين الراهنة، يغدو الذكاء الاصطناعي التوليدي (GenAI) أصلًا ثمينًا، يساعد على أتمتة عملياتٍ عديدة وتحسينها—وأحيانًا تحويلها بالكامل. تمتد حالات الاستخدام عبر دورة حياة المنتج: من تصميم المنتجات إلى تحسين سلاسل الإمداد إلى التوائم الرقمية والصيانة التنبؤية. لا يكتفي GenAI بجعل العمليات أكثر كفاءة، بل يُطلق أيضًا شرارة أفكار وابتكارات جديدة ويقدّم رؤى سوقية تعزّز الربحية.

ما هو الذكاء الاصطناعي التوليدي في التصنيع؟

الذكاء الاصطناعي التوليدي هو ذكاءٌ يُنشئ بيانات أو محتوى جديدًا استنادًا إلى البيانات التي تدرب عليها. وتُولِّد الصناعةُ الحديثة كمياتٍ هائلة من البيانات من الحساسات والمعدات وخطوط الإنتاج. وباستخدام GenAI، يستطيع المصنّعون توظيف هذه البيانات لاكتشاف أنماط وتوليد رؤى قيّمة كان من الصعب—أو المستحيل—الحصول عليها بالأساليب التقليدية. يمكن لـGenAI توقّع المشكلات المحتملة، واقتراح التحسينات، بل والتكيّف ذاتيًا مع العمليات في الزمن الحقيقي.

يعرف الناس أكثر فأكثر التقنياتِ الأساسية وراء الذكاء التوليدي: تعلّم الآلة، ورؤية الحاسوب، ومعالجة اللغة الطبيعية. لكن لفهم GenAI في سياق التصنيع تحديدًا، نحتاج إلى تعمّقٍ أكبر

النماذج التأسيسية

يرتكز GenAI في التصنيع على نماذج اللغة الضخمة (LLMs)، والنماذج متعددة الوسائط، ونماذج متخصصة بالقطاع. فنماذج مثل GPT-4 وClaude والبدائل مفتوحة المصدر تعالج الاستعلامات اللغوية حول العمليات التصنيعية وتولّد ردودًا بصياغة بشرية. وتعالج النماذج متعددة الوسائط وتولّد بياناتٍ عبر أنواع متعددة (نصوص، صور، تصاميم ثلاثية الأبعاد) لتطبيقاتٍ شاملة. أما النماذج المتخصصة فتُدرَّب على بيانات تصنيعية (مواصفات معدات، سجلات صيانة، تقارير جودة)، ثم تُضبَط أثناء التشغيل.

بُنى البيانات وتقنيات المعالجة

تتطلب أنظمة GenAI في التصنيع قدراتٍ متينة لإدارة البيانات. تخزّن قواعدُ بياناتٍ متجهية متخصصة (مثل Pinecone وWeaviate وPGvector) تمثيلاتٍ رقميةً للبيانات لتسريع البحث التشابهي. وتُنشر أنظمةُ خطوط البيانات لالتقاط وتنظيف وهيكلة تدفّقاتٍ متنوّعة من الحساسات وERP وأنظمة ضبط الجودة. وتُستخدم نماذجُ التضمين لتحويل البيانات النصية غير المُنظَّمة (كتقارير الصيانة والمواصفات) إلى متجهاتٍ رقمية تعالجها نماذجُ GenAI.

طبقات الأوركسترة (التنسيق)

تشمل طبقاتُ البرمجيات الحيوية وراء GenAI في التصنيع منصاتِ أوركسترة مثل ZBrain لإدارة تدفّقات العمل المعقّدة بين LLMs وقواعد البيانات وتطبيقات التصنيع، مع واجهات APIs وملحقات تصل GenAI بأنظمةٍ مثل أنظمة تنفيذ التصنيع (MES) وبمصادر بياناتٍ خارجية. وتخزّن أنظمة مثل Redis وGPTCache الاستعلامات المتكررة لخفض الكمون في البيئات الصناعية.

البنية التحتية الداعِمة

يشكّل العمودَ الفقري التشغيلي منصّاتُ السحابة مثل AWS وGCP وAzure. وتُعدّ الحوسبة الطرفية ضروريةً للمعالجة الفورية في المصانع حيث انخفاض الكمون أمرٌ حاسم. وتُستخدم أنظمةُ «عمليات النماذج اللغوية الكبيرة» (LLMOps) لنشر LLMs ومراقبتها وإدارتها وتحسينها في بيئات الإنتاج—على غرار MLOps لِنماذج التعلّم التقليدية ولكن مع تحديات LLMs الخاصة.

طبقات التحقق والسلامة

تُستخدم تقنياتٌ متعددة لضمان موثوقية GenAI في التصنيع، منها أدواتُ تحققٍ من المخرجات مثل Guardrail وRebuff لضمان التوافق مع المعايير، وأنظمةُ رصد التحيّز للتخفيف من توصياتٍ توليدية متحيّزة، وتقنياتُ «إرساء المعرفة» لربط المخرجات التوليدية بمصادر بياناتٍ موثوقة في التصنيع.

تطبيقاتٌ متخصصة بالتصنيع

تشمل التقنياتُ الخاصة بالقطاع: «التوأم الرقمي» (نماذج افتراضية للأصول الفيزيائية مُعزَّزة بمحاكاةٍ توليدية)، وأنظمةَ رؤيةٍ حاسوبية للفحص النوعي—غالبًا تُدعَم ببياناتٍ اصطناعية من نماذج توليدية—وأنظمةَ الصيانة التنبؤية التي تجمع ML التقليدي مع قدراتٍ توليدية لإنتاج تعليمات الصيانة.

تعمل هذه التقنيات معًا لتمكين حالات الاستخدام الآتية.

تطبيقات الذكاء التوليدي في التصنيع

تحسين التصميم

يتزايد استخدام GenAI في جوانب تصميم المنتج. تستخدم أدواتُ تحسين الشكل الطوبولوجي المدفوعة بالذكاء الاصطناعي—مثل Autodesk Fusion 360 وPTC Creo Generative Design—الذكاءَ لتوليد بدائل تصميمٍ متعددة وفق قيود (الوزن، المتانة، المادة). مثلًا: استخدمت «إيرباص» التصميم التوليدي لصناعة حاجزٍ أخف للطائرة (خفض وزنٍ بنسبة 45%) مع الحفاظ على السلامة الهيكلية. وتُصمّم شركات السيارات قطعًا أخف تلبي معايير اختبارات التصادم وتقلّل هدر المواد. يساعد GenAI في ذلك بمحاكاة آلاف التكرارات لتحقيق توازنٍ بين أهدافٍ متعددة.

محاكاة الأداء والتوائم الرقمية

يستخدم المصنّعون GenAI لتنبؤ نقاط الإجهاد والسلوك الحراري أو ديناميكيات الموائع قبل النمذجة الفيزيائية. يدمج Siemens’ Simcenter الذكاءَ لتحسين التصميمات من حيث الضوضاء والاهتزاز والديناميكيات الهوائية. وتُحسّن التوائمُ الرقمية المقترنة بنماذج توليدية التصميماتِ باستمرار بناءً على بيانات حساساتٍ واقعية.

التخصيص الفائق

يمكن لنماذج GenAI ابتكار آلاف المتغيرات التصميمية بناءً على مدخلات العميل (الطراز، المقاس، الوظيفة). كما تُحلّل تاريخ الشراء والسلوك والتفضيلات لاقتراح تخصيصاتٍ قبل أن يطلبها العميل. تساعد «شخصيات» مولّدة بالذكاء في تفصيل العروض لشرائح دقيقة. أمثلةٌ وفيرة في الأزياء والسيارات والأثاث:

• Adidas – Futurecraft 4D تستخدم التصميم التوليدي والطباعة ثلاثية الأبعاد لإنتاج نِعالٍ وسطى مخصّصة وفق ميكانيكا جري كل مستخدم، مستندةً إلى تحليل المشية وخريطة ضغط القدم.
• BMW تتيح تخصيص عناصر داخلية بواسطة مكوّناتٍ مُساعَدة بالذكاء تضمن تركيباتٍ قابلة للتنفيذ وتغذيةً بصريةً فورية.
• Herman Miller تستخدم التصميم التوليدي لصنع كراسي مكتبية مريحة تتكيّف مع بنية جسم المستخدم ووضعياته، مسترشِدةً بآراء المستخدمين وبيانات حساسات الضغط.

ويُعدّ التصنيع الطبي من أكثر المجالات تأثيرًا للتخصيص الفائق المدفوع بالذكاء التوليدي—خصوصًا في تصميم وإنتاج الغرسات والأطراف الصناعية وأدلة الجراحة.

تحسين العمليات

يُحوّل GenAI تحسينَ عمليات التصنيع عبر توقّع مواطن اللاكفاءة، وأتمتة اتخاذ القرار، وكشف التحسينات الخفية عبر خطوط الإنتاج، ما يسرّع الإنتاج ويقضي على الهدر.

مع الجدولة الديناميكية، يولّد GenAI جداولَ إنتاجٍ مُثلى في الزمن الحقيقي آخذًا في الحسبان جاهزيةَ الآلات، ونوباتَ العمل، وتجنّبَ تأخيرات سلسلة الإمداد. وقد استخدمت BMW الذكاءَ لخفض زمن جدولة الإنتاج بنسبة 30%. وتستطيع التطبيقاتُ التوليدية تحديدَ عنق الزجاجة وحلّه بمحاكاة سيناريوهات «ماذا لو» (مثل إعادة تخصيص الموارد للمهام ذات الأولوية).

ويُستخدم الذكاءُ التوليدي أكثر فأكثر لإعادة تصميم سير العمل بالكامل—كحذف خطواتٍ زائدة أو تحسين مخططات المصانع. وتطوّر شركات مثل Flexcitron (فليكسسترون) أدواتَ جدولةٍ بالذكاء لمصانع الرقائق لتقليل أزمنة الدورة وزيادة الإنتاجية.

ضبط الجودة

تُحلّل نماذجُ اللغة تقاريرَ ضمان الجودة وسجلاتِ الحساسات وبياناتَ ERP لتوليد فرضيات عن الأسباب الجذرية لعيوبٍ مثل تباينات الحرارة، كما توصي بإجراءات تصحيحية (مثل معايراتٍ أكثر تكرارًا لأفران التسخين).

الصيانة التنبؤية

يُحدِث الذكاءُ التوليدي نقلةً في الصيانة التنبؤية بتحسين تحليل بيانات الحساسات، وتوليد مجموعات بياناتٍ اصطناعية، وتمكين توقّعات أعطالٍ أدقّ. تُنتج تطبيقاتُ الصيانة التنبؤية التوليدية تنبؤاتٍ بالأعطال (مثل تآكل محامل المحركات) وتُولِّد تلقائيًا تعليمات الصيانة (تحوّل LLMs تنبيهاتِ الحساسات إلى خطوات إصلاح). النتيجة: جداولُ صيانة مُثلى، وتوقفٌ أقل، وتكاليف تشغيلٍ أدنى.

التحديات—وحلولها

يوفّر نشرُ الذكاء التوليدي في التصنيع فوائدَ كبيرة: ابتكارٌ وسرعةٌ وتقليلُ هدرٍ وغيرها؛ لكن الشركات تواجه عوائقَ معتبرة عبر محاور التقنية والعمليات والامتثال والموارد البشرية—يمكن في معظم الحالات تجاوزُها والتخفيفُ من آثارها.

عوائق تقنية

أكبر التحديات: بياناتٌ ناقصة أو غير متّسقة أو معزولة—تُضعف تدريبَ النماذج وموثوقيةَ المخرجات التوليدية. وغالبًا ما تختزن الأنظمةُ الموروثة بياناتِ التصميم والإنتاج والجودة بصيغٍ غير متوافقة؛ ما يصعّب ربطَ أدوات GenAI بأنظمة ERP أو MES أو CAD القديمة. وقد لا تتوافر واجهاتُ APIs أو خطوطُ البيانات، أو تتطلب تطويرًا مُكلِفًا.

للتغلّب على تحديات البيانات، على المؤسسات إجراءُ تدقيقٍ للبيانات والاستثمارُ في تنظيفها ووسمِها وهيكلتها. ويمكن استخدام بحيرات البيانات أو طبقات وسيطة لتوحيد المصادر المعزولة. ويُفضَّل اختيار مزوّدين يقدّمون موصلاتٍ جاهزةً لأنظمة CAD وERP وPLM الشائعة.

كما تتطلب النماذجُ التوليدية (لتحسين التصميم أو المحاكاة) قدرةً حاسوبية عالية—غالبًا عبر السحابة أو حوسبةٍ عالية الأداء—قد لا تتوافر داخل الموقع. ومن الجيد استخدامُ التوائم الرقمية لمحاكاة النتائج والتحقق منها قبل الإنتاج الفيزيائي.

ويُدخل GenAI مخاطرَ أمنٍ سيبراني جديدة: سرقةُ الملكية الفكرية، والعبثُ بتصميماتٍ مولّدة، أو هجماتٌ خصمية على النماذج—وذلك مقلقٌ خصوصًا في القطاعات المنظمة كالدفاع والفضاء والأجهزة الطبية. المطلوب: استثماراتٌ في دفاعاتٍ متينة.

عوائق مرتبطة بالعمليات

تفتقر مؤسساتٌ كثيرة إلى عملياتٍ متكاملةٍ واضحة لكيفية مواءمة GenAI مع مراحل التصميم والنمذجة والتحقق والإنتاج. وغالبًا ما تكون عمليةُ التحقق من المخرجات التوليدية يدويةً وبطيئةً أو غير مُعرَّفة جيدًا.

ويكون GenAI أكثر فاعلية عندما يُدرَّب باستمرار على بيانات الأداء والاستخدام—وهو ما لا تجمعه أو تُغذّيه بكفاءةٍ شركاتٌ كثيرة.

وفي التخصيص الشامل، حتى لو أمكن تخصيص التصميمات، قد لا تكون خطوطُ الإنتاج مرنةً بما يكفي (قوالب، مواد، إجراءات QA) لإنتاج مخرجاتٍ متغيّرة بكفاءة.

تُخفَّف هذه التحديات بتعديل خطوات العملية (مثل نقاط وجود الإنسان ضمن الحلقة HITL لمراجعة المهندسين واعتماد التصميمات). ويمكن اعتماد التصنيع بالإضافة (الطباعة ثلاثية الأبعاد) للإنتاج القصير أو المنتجات المخصّصة—وهو شائعٌ في الغرسات الطبية.

عوائق مرتبطة بالموارد البشرية

تعاني دولٌ كثيرة نقصًا في كوادر تجمع بين فهم عمليات التصنيع المتخصصة وتقنيات GenAI. سيصعب على الشركات استقطاب مهندسين يجسرون بين التصميم وعلوم البيانات والتصنيع الرقمي.

وقد توجد مقاومةٌ ثقافية: يشكّ المهندسون والمشغّلون في المخرجات التوليدية أو يرفضونها—خصوصًا إن بدت مناقضةً للخبرة التقليدية. قد تُبطئ مقاومةُ سير العمل الجديد والتدريب وإرهاصاتُ فقدان الوظائف وتيرةَ التبنّي.

للتغلب على نقص المهارات، ينبغي التعاونُ مع الكليات التقنية والحكومات لابتكار برامجَ عابرة للتخصصات—تدريبُ المهندسين على مبادئ الذكاء، وتدريبُ علماء البيانات على أساسيات التصنيع. كما يلزم الاستثمارُ في إدارة التغيير وشرحُ الفوائد بوضوح (مثل تسريع الوصول إلى السوق وتقليل إعادة التصميم). وقد أسّس روّاد الصناعة فرقَ حوكمةٍ للذكاء تضمّ تكنولوجيا المعلومات والعمليات والامتثال والموارد البشرية للإشراف على أخلاقيات الذكاء وسلامته ودمجه.

عوائق الامتثال والتنظيم

لا تزال هيئاتٌ مثل FDA وEMA أو معايير ISO تطوّر أطرًا للمنتجات الطبية أو الحرجة المولَّدة بالذكاء. وعلى المصنّعين إثبات قابلية التتبّعوقابلية الشرح وقابلية التكرار. وغالبًا ما يوصي الذكاءُ بإجراءٍ ما دون أن «يشرح لماذا»؛ لذا يظل الإشرافُ البشري ضروريًا، وكذلك إشراكُ الجهات التنظيمية مبكرًا. ينبغي تبنّي معايير مثل ISO/IEC 22989 (مصطلحات الذكاء الاصطناعي) وISO/IEC 24029 (موثوقية الذكاء الاصطناعي).

وتبرز قضايا الملكية والمسؤولية: من يملك التصميمات المولَّدة؟ ومن يتحمّل المسؤولية إذا فشل جزءٌ مُخصَّص؟ المزوّد البرمجي أم المصمّم أم المصنّع الأصلي (OEM) أم العميل؟ على الشركات وضعُ سياساتٍ لملكية المحتوى المولَّد وتحديدُ المسؤولية عن الأخطاء أو الإخفاقات.

مستقبل الذكاء التوليدي في التصنيع

ما دامت العوائقُ قابلةً للتذليل، نتوقع أن يصبح GenAI جزءًا أكثر تكاملًا في عمليات التصنيع، دافعًا مزيدًا من الابتكار والكفاءة. سيمكن الذكاءُ المصنّعين من إنتاج منتجاتٍ مُخصّصة على نطاقٍ واسع، وتحسين سلاسل الإمداد، واتخاذ قراراتٍ أذكى قائمةٍ على البيانات.

ستستجيب الأنظمةُ المدفوعة بـGenAI لتغيرات السوق في الزمن الحقيقي، ما يساعد الشركات على البقاء تنافسية وتلبية احتياجات اجتماعية مثل الطعام والملبس المتكيّفين مع احتياجات الأفراد. وسيلعب الذكاء دورًا محوريًا في تحقيق أهداف الاستدامة عبر تقليل الهدر واستهلاك الطاقة والانبعاثات الكربونية.

مستقبلُ التصنيع: مصانعُ ذكية بعملياتٍ مؤتمتة—وفي بعض الحالات مستقلةٍ بالكامل وقابلةٍ للتحسّن الذاتي. هذه الرؤية لا تزال على بُعد مسافةٍ من الواقع، لكنها بلا ريبٍ تلوح في الأفق.

الخلاصة

من المرجّح أن تُسرّع حالةُ عدم اليقين الراهنة حول التجارة العالمية وسلاسل الإمداد—ومِن ضمنها احتمالاتُ مزيدٍ من الرسوم والإجراءات الحمائية—اعتمادَ تقنيات GenAI. وقد يتزايد الضغط لإعادة التوطين والمحلية؛ ولن يكون ذلك منطقيًا في الدول مرتفعة التكلفة إلا باعتماد GenAI. فالتغيّرات في السياسات التجارية تخلق هياكل تكاليف متقلبة (مثل الرسوم على مواد خام أو مكوّنات بعينها). وفي هذا السياق، تُمكّن أدواتُ التصميم التوليديُ المهندسين من التسريع في التكرار والمحاكاة لتصميماتٍ بديلة مُحسّنة لقيودٍ جديدة (توافر المواد، السماحات، سقوف التكلفة). كما سيمكّن GenAI الشركاتَ من تعزيز مرونة سلاسل الإمداد مع خفض التكاليف.

ستوفّر السياساتُ الحكومية—مثل السعي إلى السيادة التكنولوجية—حافزًا إضافيًا في قطاعاتٍ كالدفاع والصناعات الدوائية.