قمار بزرگ بلک لیک روی هوش مصنوعی صنعتی: وقتی ایجنت‌ها فوت‌وفن مهندسان کارخانه را یاد می‌گیرند!

هشت سال پس از ماجراجویی و آزمون‌وخطا با فناوری بلاکچین، استارتاپ بلک لیک (Black Lake) حالا تمام توانش را روی هوش مصنوعی صنعتی متمرکز کرده است؛ قماری بزرگ برای محک زدن این فرضیه که آیا ترکیب داده‌های خط تولید و فوت‌وفن مهندسان باسابقه می‌تواند به تصمیم‌گیری‌های سریع‌تر و پایدارتر در کارخانه‌های چین و سراسر جهان ختم شود یا خیر.

تبدیل یک نقشه فنی به قطعه‌ای واقعی که خط تولید کارخانه بتواند آن را بسازد، چقدر باید زمان ببرد؟

سناریوی آشنایی است: مشتری یک فایل طراحی صنعتی یا همان CAD ارسال می‌کند. در این نقطه، حتماً باید یک نفر مشخص کند که این قطعه چطور باید ساخته شود، کدام دستگاه‌ها به کار گرفته شوند، فرایند چقدر زمان می‌برد، هزینه تمام‌شده چقدر آب می‌خورد و آیا ضرب‌الاجل تعیین‌شده اصلاً واقع‌بینانه هست یا نه.

در بسیاری از کارخانه‌های کوچک و متوسطی که بازار هدف استارتاپ شانگهایی بلک لیک تکنالوجیز (Black Lake Technologies) را تشکیل می‌دهند، این قبیل تصمیم‌های حیاتی همیشه روی دوش مهندسان باتجربه و کارگران کهنه‌کار بوده و به دیدگاه شخصی آن‌ها وابسته است.

اما اگر این دانش و تجربه ارزشمند فقط در ذهن یک نفر بماند، چه پیش می‌آید؟ از نگاه بلک لیک، پاسخ به همین چالش کلیدی، گام بعدی دیجیتالی‌سازی کارخانه‌ها را رقم می‌زند: تبدیل تجربه و فوت‌وفن ارزشمند انسانی به دانشی دیجیتال که نرم‌افزار بتواند آن را استخراج کند، بارها به کار بگیرد و بر اساس آن تصمیم‌گیری کند.

ایجنت‌های هوش مصنوعی صنعتی بلک لیک وظایف متنوعی را بر عهده دارند؛ از تحلیل نقشه‌های مهندسی و برنامه‌ریزی فرایند تولید گرفته تا استعلام قیمت، زمان‌بندی سفارش‌ها و کنترل کیفیت. ایجنت اختصاصی این شرکت برای تحلیل نقشه‌ها (CAD-to-Process Agent) می‌تواند یک نقشه مهندسی را تنها در عرض یک دقیقه و با دقت بیش از ۹۵ درصد تجزیه‌وتحلیل کند؛ کاری که در روش‌های دستی سنتی معمولاً ساعت‌ها از وقت مهندسان زبده را می‌گرفت.

این ایده کاملاً به حال‌وهوای سال ۲۰۲۶ می‌خورد، اما مشکلی که حل می‌کند اصلاً چیز تازه‌ای نیست و ریشه‌ای قدیمی دارد.

هشت سال پیش، بلک لیک دقیقاً روی چالشی دست گذاشت که هنوز هم هویت کسب‌وکارش را تعریف می‌کند: تبدیل اتفاقات کف کارخانه به داده‌های کاربردی، و سپس استفاده از این داده‌ها برای تصمیم‌گیری‌های هوشمندانه‌تر.

در سال ۲۰۱۸، این استارتاپ اهل شانگهای در حال توسعه پلتفرمی برای ثبت و تحلیل داده‌های خطوط تولید بود. پس از جذب سرمایه در مرحله سری A، بلک لیک به شتاب‌دهنده مایکروسافت در شانگهای پیوست و با بهره‌گیری از فناوری‌های ابری مایکروسافت آژور (Azure)، زیرساخت‌های پشتیبان سیستم خود را تقویت کرد.

در همان دوران، بلک لیک سراغ آزمون‌وخطا با بلاکچین رفت تا رهگیری و قابلیت اطمینان سوابق تولید را ارتقا دهد و هم‌زمان از فناوری تشخیص تصویر برای کنترل کیفیت در خطوط تولید بهره ببرد.

امروز اما فناوری‌ها چهره متفاوتی به خود گرفته‌اند. بلک لیک حالا ایجنت‌های هوش مصنوعی صنعتی را برای اموری مثل برنامه‌ریزی تولید، قیمت‌گذاری خودکار و زمان‌بندی دقیق به خدمت گرفته است.

با این حال، از دوران بلاکچین گرفته تا عصر حاضر و جولان ایجنت‌های هوش مصنوعی، سؤال اساسی صنعت تولید بدون تغییر باقی مانده است: چطور می‌توان داده‌های پراکنده کارخانه‌ها و مهارت‌های فردی را به دانشی منسجم تبدیل کرد که بتوان آن را به اشتراک گذاشت، مجدداً مصرف کرد و بر مبنای آن تصمیم گرفت؟

پیش از هوشمندی، داده‌ها حرف اول را می‌زنند

بلک لیک در سال ۲۰۱۶ متولد شد؛ آن هم بعد از این‌که تلاش‌های اولیه بنیان‌گذار و مدیرعامل شرکت، ژو یوکسیانگ (Zhou Yuxiang)، برای راه‌اندازی کسب‌وکار تحلیلی حوزه تولید با مانعی ابتدایی اما بزرگ روبه‌رو شد. ژو اخیراً در گفت‌وگو با نشریه Fortune اعتراف کرد بسیاری از کارخانه‌هایی که استارتاپ قبلی‌اش با آن‌ها وارد مذاکره شده بود، اصلاً داده‌ای ثبت نکرده بودند که بتوان آن را تحلیل کرد!

او مدتی بعد شخصاً در محیط کارخانه مشغول به کار شد و از نزدیک شاهد تغییر خط‌های طولانی، گلوگاه‌های اطلاعاتی و تصمیم‌هایی بود که به‌شدت به تجربه افراد متکی بودند.

همین مشاهدات می‌دانی جهت‌گیری اولیه بلک لیک را شکل داد: ایجاد روشی منسجم و سیستماتیک برای ثبت اطلاعات تولید و هماهنگی کار‌ها در کارخانه‌ها. تا سال ۲۰۱۹، تمرکز اصلی این استارتاپ روی انعطاف‌پذیرتر کردن کارخانه‌ها قرار گرفت، چرا که تقاضای مصرف‌کنندگان به سمت تنوع بسیار بالا‌تر محصولات تغییر جهت داده بود.

این پافشاری بر اصل انعطاف‌پذیری، هنوز هم هسته اصلی استراتژی هوش مصنوعی بلک لیک را تشکیل می‌دهد.

کارخانه‌ای که میلیون‌ها قطعه کاملاً یکسان می‌سازد، با مسئله‌ای نسبتاً پایدار و مشخص روبه‌رو است؛ اما تأمین‌کننده‌ای که مدام سفارش‌های خرد، نقشه‌های جدید و ضرب‌الاجل‌های متغیر تحویل می‌گیرد، با شرایطی به‌مراتب آشفته‌تر دست‌وپنجه نرم می‌کند. در چنین محیطی، ماشین‌آلات، مواد اولیه، نیروی کار، فرایندها و ظرفیت‌های خالی کارخانه باید بارها و بارها از نو با یکدیگر هماهنگ و بازچینی شوند.

بلک لیک نرم‌افزار خود را بیش از پیش در مراحل آغازین چرخه تولید مستقر کرده است؛ یعنی نقطه‌ای که تولیدکنندگان باید پیش از رسیدن کار به خط تولید، درباره نحوه پاسخ به یک سفارش تصمیم بگیرند. این تحول در سراسر صنعت فناوری‌های کارخانه‌ای در حال رخ دادن است، اما هر شرکتی از زاویه متفاوتی به آن نزدیک می‌شود.

برای نمونه، شرکت آمریکایی تولیپ (Tulip) در بوستون، روی برنامه‌های کاربردی قابل‌تنظیم برای نیروهای عملیاتی، تجهیزات متصل و گردش‌کارهای منعطفی تمرکز دارد که کارخانه‌ها می‌توانند در سایت‌های مختلف با شرایط خود وفق دهند.

شرکت آگوری (Augury) در نیویورک نیز که کارش را با نرم‌افزارهای پایش سلامت ماشین‌آلات و نگهداری پیش‌بینانه آغاز کرده بود، اکنون با توسعه ایجنت‌های هوشمند برای قابلیت اطمینان، تعمیرات و امور عملیاتی در حال پیشروی است.

در این میان، غول آلمانی زیمنس (Siemens) در حال یکپارچه‌سازی هوش مصنوعی در سبد جامع محصولات مهندسی، اتوماسیون و نرم‌افزارهای صنعتی گسترده خود است.

اما استارتاپ بلک لیک (Black Lake) ریشه در نرم‌افزارهای مدیریت تولید دارد. محصولات هوش مصنوعی آن بر اساس گردش‌کارهای کارگاهی و محدودیت‌های عملیاتی واقعی خطوط تولید توسعه یافته‌اند، در حالی که استراتژی تجاری‌اش در کنار کارخانه‌های بزرگ و زنجیره‌های تأمین، تولیدکنندگان کوچک و متوسط چین را هدف قرار داده است.

آیا این فرمول در کارخانه‌های خارجی هم جواب می‌دهد؟

بلک لیک حالا به دنبال آزمودن این ایده است که آیا تجربیات به‌دست‌آمده در کارخانه‌های پرشتاب چین، در کارگاه‌های خارج از این کشور هم کارایی دارد یا نه.

این استارتاپ در حال حاضر به بیش از ۱۰۰ مشتری خارجی در مناطقی نظیر جنوب شرق آسیا، آمریکای لاتین و اروپای شرقی سرویس می‌دهد. این شرکت مقر منطقه‌ای خود را در سنگاپور مستقر کرده و ردپای بین‌المللی آن به بیش از ۱۰ کشور از جمله اندونزی، ویتنام و مکزیک کشیده شده است.

یک نمونه اخیر در پوئبلا واقع در مکزیک به ثبت رسیده؛ جایی که در سال ۲۰۲۶ سیستم دیجیتال بلک لیک در یک کارخانه قطعه‌سازی خودرو با موفقیت پیاده‌سازی شد.

البته شیوه‌های تولید در کشور‌های مختلف تفاوت‌های زیادی دارد؛ کارخانه‌های غربی و خارجی ممکن است از قبل به نرم‌افزارهای یکپارچه سازمانی (ERP)، سیستم‌های اجرای تولید (MES) و پلتفرم‌های اتوماسیون قدیمی‌تر وابسته باشند، ضمن این‌که قوانین داده‌ای و الزامات یکپارچه‌سازی نیز در هر کشوری ساز جداگانه‌ای می‌زند.

بنابراین، هرچند تجربه انباشته‌شده در اکوسیستم متنوع و چندتکه تأمین‌کنندگان چین یک مزیت بزرگ محسوب می‌شود، اما نمی‌توان کورکورانه تصور کرد که این مدل بدون کوچک‌ترین تغییری در خارج از مرزها کار خواهد کرد.

خوشبختانه بلک لیک سرمایه تازه‌ای برای محک زدن این برنامه در اختیار دارد. در ماه آوریل، این شرکت نزدیک به یک میلیارد یوان (حدود ۱۴۰ میلیون دلار) در دور سرمایه‌گذاری سری D جذب کرد. این بودجه عمدتاً برای تسریع پیاده‌سازی هوش مصنوعی صنعتی و گسترش جهانی اختصاص خواهد یافت. طبق اعلام شرکت، بلک لیک اکنون به سوددهی رسیده است و درآمد سالانه‌اش رشدی بیش از ۶۰ درصدی را تجربه می‌کند.

چهره بی‌زرق‌وبرق کارخانه‌های مبتنی بر هوش مصنوعی

تصویرسازی‌های تبلیغاتی معمولاً هوش مصنوعی صنعتی را با روبات‌های انسان‌نما، ماشین‌های خودمختار یا کارخانه‌های تاریک بدون حضور انسان نشان می‌دهند. اما واقعیت این است که نخستین کاربردهای سرنوشت‌ساز و پول‌ساز هوش مصنوعی، چهره‌ای به‌مراتب ساده‌تر و بی‌زرق‌وبرق‌تر دارند.

این فناوری در عمل شاید مثل دریافت یک فایل PDF در ایمیل باشد؛ یا استعلام قیمتی که باید پیش از پیشنهاد رقبا برای مشتری فرستاده شود؛ یا ماشینی که ناگهان از مدار خارج می‌شود؛ یا حتی مهندس کارکشته‌ای که با یک نگاه به نقشه، تقریباً به‌صورت شهودی می‌داند قطعه چطور باید ساخته شود.

چالش بزرگ اینجاست که تصمیم‌گیری‌های صنعتی، اصلاً مثل گپ زدن با چت‌بات‌ها اهل گذشت و مدارا نیستند! یک پاسخ اشتباه در چت‌بات با زدن دکمه بازتولید برطرف می‌شود؛ اما یک برنامه‌ریزی اشتباه در فرایند تولید، کوهی از مواد اولیه را هدر می‌دهد، یک قیمت‌گذاری غلط حاشیه سود را به باد می‌دهد و یک خطای کوچک در زمان‌بندی می‌تواند کل سفارش را با تأخیر و خسارت سنگین روبه‌رو کند.

از طرفی، کیفیت داده‌های زیربنایی این تصمیم‌ها همچنان مانعی جدی به حساب می‌آید. در یک نظرسنجی در سال ۲۰۲۶ با همکاری IndustryWeek، شرکت آگوری دریافت که کیفیت ضعیف داده‌ها، اصلی‌ترین مانع بر سر راه بلوغ هوش مصنوعی است؛ موضوعی که ۴۷ درصد از رهبران ارشد تولید به آن اشاره کرده‌اند.

همین مسائل است که مسیر پیشرفت بلک لیک از ۲۰۱۸ تا ۲۰۲۶ را به نمونه‌ای خواندنی و ارزشمند از چگونگی نزدیک شدن هوش مصنوعی به جریان‌های کاری واقعی خطوط تولید تبدیل می‌کند.

هشت سال پیش، بلک لیک تمام تمرکزش را روی جمع‌آوری و سازمان‌دهی داده‌های خام کارخانه‌ها گذاشته بود؛ اما امروز در حال کشف این است که هوش مصنوعی چطور می‌تواند با کمک همین داده‌ها، بار تصمیم‌گیری‌های حساس صنعتی را به دوش بکشد.

فناوری‌ها در گذر زمان دستخوش تغییر شده‌اند—از بلاکچین تا ایجنت‌های پیشرفته هوش مصنوعی—اما پرسش‌های بنیادین بدون تغییر مانده‌اند. صاحبان صنایع همچنان باید تجربه و دانش عملیاتی را به اطلاعاتی قابل‌فهم برای نرم‌افزار تبدیل کنند، مرز اعتماد به تصمیم‌های خودکار را مشخص نمایند و این سیستم‌ها را با محیط‌های گوناگون تولید وفق دهند.

رویکرد نوآورانه بلک لیک تنها به توسعه محصول محدود نمانده، بلکه به شیوه توزیع و فروش هم سرایت کرده است. ژو به‌تازگی حتی پیک‌های دلیوری غذا را به کار گرفته تا به فروش محصولات هوش مصنوعی به کارخانه‌ها کمک کنند؛ ابتکاری جالب برای دسترسی به کارگاه‌های تولیدی کوچکتری که تیم‌های سنتی فروش نرم‌افزارهای سازمانی معمولاً سراغشان نمی‌روند.

برای بلک لیک، فصل بعدی این ماجراجویی هم در داخل چین و هم در بازارهای بین‌المللی رقم خواهد خورد؛ جایی که این استارتاپ محک خواهد زد که مدل هوش مصنوعی صنعتی‌اش تا چه اندازه قابلیت انطباق و گسترش در کارخانه‌ها، محیط‌های تولیدی و بازارهای متنوع دنیا را دارد.