شتاب در توسعه کارخانه‌های تمام‌خودکار؛ چگونه هوش مصنوعی چهره تولید صنعتی را دگرگون می‌کند؟

شرکت‌های بزرگ صنعتی در حال عبور از پروژه‌های پراکنده رباتیک و هوش مصنوعی به‌سوی سیستم‌های تولیدی یکپارچه‌ای هستند که می‌توانند با حداقل دخالت انسانی، کیفیت محصولات را به‌طور مداوم پایش کنند، عملیات را تطبیق دهند و فرآیندهای پیچیده تولید را هماهنگ سازند. طی روزهای اخیر، شرکت‌های Siemens و Procter & Gamble از گسترش جهانی یک سامانه بازرسی هوشمند خبر دادند. هم‌زمان، Unilever از توسعه دوقلوهای دیجیتال مبتنی بر هوش مصنوعی برای بهینه‌سازی خطوط تولید خود پرده برداشت، PepsiCo با استفاده از شبیه‌سازی هوشمند ظرفیت کارخانه‌هایش را افزایش داده و BMW نیز در حال آزمایش ربات‌های انسان‌نما در خطوط مونتاژ خودرو است.

در همین حال، شرکت‌های داروسازی نیز به‌دنبال توسعه آزمایشگاه‌های کاملاً خودکار هستند؛ دستاوردی که می‌تواند فرآیند کشف، توسعه و تولید داروهای نوین را متحول کند. این تحولات در کنار یکدیگر نشان می‌دهند که چگونه هوش مصنوعی صنعتی از ابزارهای جزیره‌ای و جدا از هم، به‌سمت سیستم‌های عملیاتیِ هوشمند، تطبیق‌پذیر و خودکار در کارخانه‌های سرتاسر جهان حرکت می‌کند.

برای تولیدکنندگان، پیامدهای این جهش فراتر از افزایش راندمان عملیاتی است. کمبود مداوم نیروی کار متخصص، فشارهای ژئوپلیتیک برای بازگرداندن زنجیره تأمین به بازارهای داخلی و چرخه‌های فشرده رقابت در توسعه محصولات، اقتصاد اتوماسیون را به‌کلی متحول کرده است.

سازمان‌هایی که در گذشته به رباتیک صرفاً به‌عنوان ابزاری برای کاهش هزینه‌های دستمزد نگاه می‌کردند، اکنون به این نتیجه رسیده‌اند که تولید خودکار و هوشمند می‌تواند عامل تعیین‌کننده‌ای در توان رقابتی آن‌ها در بازار باشد. این فرصت از صنایع کالاهای مصرفی و خودروسازی تا داروسازی، دفاعی و سایر حوزه‌هایی که سرعت و ظرفیت تولید در آن‌ها اولویت تجاری است، گسترش یافته است. به‌این‌ترتیب، تولید خودکار به‌زودی از یک امکان فنی، به یک ضرورت اقتصادی بدل خواهد شد.

گذر تولید صنعتی از کاربردهای منفرد هوش مصنوعی

شرکت‌های Siemens و Procter & Gamble (به‌اختصار P&G) از گسترش سراسری سامانه بازرسی مبتنی بر هوش مصنوعی خبر داده‌اند که موفق شده ضایعات خطوط تولید را بین ۱۰ تا ۲۰ درصد کاهش دهد. به گفته این دو شرکت، راه‌اندازی تأسیسات جدید با این فناوری، بین ۵ تا ۱۰ برابر سریع‌تر از سیستم‌های سنتی و سفارشی بینایی ماشین انجام می‌شود.

کریس استیونز (Chris Stevens)، مدیر بخش اتوماسیون شعبه آمریکای Siemens، معتقد است زیرساخت‌های لازم برای راه‌اندازی کارخانه‌های کاملاً خودکار در برخی از حوزه‌ها هم‌اکنون در دسترس است. او در حاشیه کنفرانس Ai4 2026 در لاس‌وگاس اشاره کرد که مشتریان متعددی با درخواست طراحی و پیاده‌سازی کامل خطوط تولید خودکار به Siemens مراجعه می‌کنند.

سرعت پذیرش این فناوری‌ها از سوی شرکت‌ها و سرنوشت تولیدکنندگانی که توان مالی یا زیرساختی پیوستن به این موج را ندارند، ممکن است حتی پیامدهایی عمیق‌تر از خودِ اتوماسیون به همراه داشته باشد.

همکاری میان Siemens و P&G نمایانگر تغییری کلیدی در رویکرد تولیدکنندگان به هوش مصنوعی صنعتی است. شرکت P&G ابتدا فناوری بازرسی مبتنی بر یادگیری عمیق اختصاصی خود را توسعه داد و آن را در بیش از ۱۵۰ بخش داخلی به کار گرفت؛ سپس با همکاری Siemens تلاش کرد قابلیت‌های آن را توسعه داده و زمینه به‌کارگیری سراسری آن را در مقیاس وسیع‌تر فراهم کند.

سامانه توسعه‌یافته با نام Visual Inspection Cockpit تصاویر زنده دوربین‌ها را هنگام حرکت محصولات در طول خط تولید تحلیل می‌کند. این ابزار قادر است نقص‌ها و ایرادات موجود در مواد انعطاف‌پذیر، سطوح دارای بافت و بسته‌بندی‌های پیچیده را که سیستم‌های متداول بینایی ماشین از تشخیص آن‌ها عاجزند، شناسایی کند.

داده‌های بازرسی روی تجهیزات رایانشی مستقر در نزدیکی خطوط تولید (رایانش لبه‌ای یا Edge Computing) پردازش می‌شوند؛ رویکردی که سیستم را قادر می‌سازد بدون ایجاد اختلال یا توقف در خط تولید، هشدارهای لازم را صادر کرده یا اقلام معیوب را به‌صورت خودکار از مدار خارج سازد. در این پروژه، Siemens پلتفرم سخت‌افزاری صنعتی، زیرساخت نرم‌افزاری و ابزارهای لازم را تأمین می‌کند تا P&G بتواند این فناوری را در سرتاسر زنجیره تولید خود شبیه‌سازی و اجرا کند.

استفاده از بینایی ماشین در مونتاژ و کنترل کیفیت، فناوری باسابقه‌ای به شمار می‌رود. نوآوری اصلی در پروژه اخیر این است که P&G پیش‌تر توانایی یادگیری عمیق در حل چالش‌های پیچیده بازرسی را به اثبات رسانده بود و اکنون این همکاری، چالش تجاری پیاده‌سازی و مقیاس‌پذیری این راهکار را در شبکه‌ای بین‌المللی حل می‌کند.

دیگر تولیدکنندگان کالاهای تندمصرف نیز سرمایه‌گذاری‌های مشابهی انجام داده‌اند.

شرکت Unilever با همکاری Accenture در حال گسترش کاربرد دوقلوهای دیجیتال مجهز به هوش مصنوعی است. این مجموعه قصد دارد طی ۱۸ ماه، بیش از ۴۰ دوقلوی دیجیتال جدید راه‌اندازی کند تا تیم‌های فنی بتوانند وضعیت ماشین‌آلات را رصد کرده، سناریوهای مختلف تولید را شبیه‌سازی نمایند و موانع عملیاتی را پیش از وقوع شناسایی کنند.

در کارخانه تولید محصولات بهداشتی Unilever در ریفورد، کارولینای شمالی، دوقلوی دیجیتال توانسته ۹۵ درصد از گلوگاه‌ها و محدودیت‌های فرآیند تولید را پیش‌بینی کند که این امر به کاهش ۲۰ درصدی ضایعات و افزایش ۱۰ درصدی ظرفیت تولید منجر شده است.

آدام ریبرن-جیمز (Adam Raeburn-James)، معاون ارشد عملیات دیجیتال Unilever، توسعه هوش مصنوعی در کارخانه‌های این شرکت را گامی اساسی در جهت تضمین کیفیت محصول، پایداری زیست‌محیطی و ارتقای مهارت‌های نیروی کار دانست.

این حجم از سرمایه‌گذاری بیانگر تحولی فراگیر در کل صنعت است. تولیدکنندگان اکنون هوش مصنوعی را نه یک اپلیکیشن نرم‌افزاری مجزا، بلکه یک سیستم‌عامل جامع برای اتصال تجهیزات تولید، کنترل کیفیت و اتخاذ تصمیمات مدیریتی تلقی می‌کنند.

از تولید تطبیقی تا کارخانه‌های کاملاً خودکار

استیونز سیر تکامل فناوری‌های صنعتی را در سه مرحله مشخص تعریف می‌کند.

اتوماسیون سنتی که وظایف از پیش‌تعیین‌شده و ثابتی مانند جابه‌جایی قطعات میان ایستگاه‌های کاری را انجام می‌دهد؛ تولید تطبیقی (Adaptive Manufacturing) که سیستم‌هایی با توانایی واکنش به تغییرات محیطی معرفی می‌کند (نظیر دوربین‌های بازرسی که با تشخیص کالای معیوب، فرمان خروج آن را صادر می‌کنند)؛ و در نهایت، تولید کاملاً خودکار (Autonomous Manufacturing) که با هماهنگ‌سازی ماشین‌آلات، جریان مواد و فرآیندهای تولید از طریق سیستم‌های مرکزی، نیاز به نظارت مستمر انسان را به حداقل می‌رساند.

استیونز در این زمینه می‌گوید: «ساخت یک کارخانه کاملاً خودکار همین امروز هم امکان‌پذیر است.»

بااین‌حال، او تأکید می‌کند که میزان خودکارسازی به نوع محصول و ماهیت خط تولید بستگی دارد. درحالی‌که برخی فرآیندها در حال حاضر به حداکثر خودکارسازی رسیده‌اند، هزینه‌های سنگین سرمایه‌گذاری، پیچیدگی فنی و محدودیت‌های عملیاتی مانع از اجرای اقتصادی آن در تمامی بخش‌ها می‌شود.

این گذار اکنون فراتر از کالاهای مصرفی، در سایر صنایع نیز به چشم می‌خورد.

شرکت BMW در خطوط خودروسازی خود در حال سنجش ربات‌های انسان‌نما است. در طول یک طرح آزمایشی در سال ۲۰۲۵ در کارخانه اسپارتانبورگ در کارولینای جنوبی، ربات انسان‌نمای توسعه‌یافته توسط Figure AI در فرآیند تولید بیش از ۳۰ هزار دستگاه خودروی BMW X3 مشارکت کرد و بیش از ۹۰ هزار قطعه را جابه‌جا نمود. در سال ۲۰۲۶، BMW برنامه ربات‌های انسان‌نمای خود را به کارخانه لایپزیگ گسترش داد تا کارایی آن‌ها را در مونتاژ باتری و ساخت قطعات بسنجد.

هرچند این پروژه‌ها به معنای خودکارسازی کامل کل کارخانه‌های خودروسازی نیست، اما به‌خوبی نشان می‌دهد ربات‌های پیشرفته با سرعت در حال خروج از محیط‌های آزمایشگاهی کنترل‌شده و ورود به خطوط تولید واقعی هستند.

چشم‌انداز بلندمدت، اتصال این قابلیت‌ها در قالب سیستم‌هایی است که بتوانند بر اساس تغییر شرایط تولید، تصمیمات بلادرنگ و مستقل اتخاذ کنند.

صنعت داروسازی در آستانه تحولی بنیادین‌تر

پیامدهای تجاری این رویکرد برای شرکت‌های داروسازی می‌تواند بسیار عمیق‌تر باشد. خودکارسازی کارهای تکراری در آزمایشگاه‌ها به پژوهشگران اجازه می‌دهد آزمایش‌های بیشتری انجام دهند، داده‌ها را سریع‌تر استخراج کنند و زمان مورد نیاز برای انتقال فرمول‌های موفق به فاز تولید انبوه را به میزان چشمگیری کاهش دهند.

سرمایه‌گذاری‌های سنگینی در این بخش در جریان است.

شرکت داروسازی Eli Lilly و غول تراشه‌سازی NVIDIA برنامه‌ای برای سرمایه‌گذاری تا سقف یک میلیارد دلار طی پنج سال جهت راه‌اندازی یک آزمایشگاه مشترک تحقیقات هوش مصنوعی اعلام کرده‌اند. این همکاری با ادغام تحقیقات دارویی، رایانش شتاب‌یافته، رباتیک و هوش مصنوعی فیزیکی (Physical AI)، فرآیند کشف و تولید داروهای نوین را دگرگون خواهد کرد.

برای شرکت‌های داروسازی، آزمایشگاه‌های خودکار این نوید را می‌دهند که مراحل محاسباتی کشف مولکول‌ها را مستقیماً به اعتبارسنجی آزمایشگاهی و خطوط تولید متصل کنند؛ هرچند یکپارچه‌سازی این سازوکارها در ساختاری پایدار و منطبق بر الزامات سخت‌گیرانه نظارتی و بهداشتی، چالش اصلی این مسیر خواهد بود.

تغییر رقابت به‌سمت اکوسیستم‌ها و سیستم‌های جامع تولید

این تحولات بر شرکت‌های ارائه‌دهنده فناوری‌های ساخت نیز تأثیر گذاشته است.

استیونز اشاره می‌کند مشتریان به‌جای خرید قطعات یا ابزارهای مجزای اتوماسیون، تقاضای دریافت اکوسیستم‌های یکپارچه تولید را از Siemens دارند.

او می‌گوید پرسش اصلی مشتریان این است: «شما تمام قطعات پازل را در اختیار دارید، تا چه اندازه می‌خواهید پیش بروید؟»

این روند، ماهیت رابطه میان تأمین‌کننده و کارخانه‌دار را تغییر داده است؛ زیرا ساخت یک واحد تولیدی پیشرفته مستلزم هماهنگ‌سازی نرم‌افزارهای مهندسی، کنترل‌کننده‌های صنعتی، زیرساخت‌های الکتریکی، تجهیزات رباتیک و ماشین‌آلات متعلق به سازندگان متعدد است.

شرکت‌هایی که توانایی تجمیع این فناوری‌ها در قالب یک سیستم تولیدی کامل را داشته باشند، سهم عمده سرمایه‌گذاری‌های صنعتی را به خود اختصاص خواهند داد.

چنین الگویی در صنایع دفاعی نیز به چشم می‌خورد. شرکت Siemens Government Technologies قراردادی ۸۰ میلیون دلاری با ارتش ایالات متحده برای احداث یک محیط پیشرفته تولیدی در پایگاه انیستون در آلاباما به امضا رسانده است.

این پروژه بر تولید استاتور موتورهای الکتریکی پهپادها متمرکز است. Siemens پیش از راه‌اندازی فیزیکی خطوط، با استفاده از دوقلوهای دیجیتال مبتنی بر هوش مصنوعی، تمام فرآیند ساخت را شبیه‌سازی و اعتبارسنجی می‌کند.

اگرچه این پروژه یک کارخانه تمام‌خودکار محسوب نمی‌شود، اما نشان می‌دهد که خریداران صنعتی اکنون خواهان بسته‌های یکپارچه تولیدی به‌همراه زیرساخت‌های دیجیتال لازم برای راه‌اندازی و نگهداری آن‌ها هستند.

این رویکرد در سایر صنایع نیز دیده می‌شود.

شرکت PepsiCo با همکاری Siemens و NVIDIA از دوقلوهای دیجیتال برای شبیه‌سازی خطوط تولید و انبارهای خود پیش از پیاده‌سازی فیزیکی تغییرات استفاده می‌کند. در فاز اولیه این طرح، PepsiCo از افزایش ۲۰ درصدی راندمان تولید خبر داد. همچنین این شرکت توانسته با اعتبارسنجی مجازی و بهینه‌سازی ظرفیت‌های فعلی، هزینه‌های سرمایه‌ای خود را بین ۱۰ تا ۱۵ درصد کاهش دهد.

تولیدکنندگان اکنون پیش از سرمایه‌گذاری سنگین روی ماشین‌آلات جدید، ابتدا با شبیه‌سازی هوشمند، گلوگاه‌ها را ردیابی کرده و ظرفیت زیرساخت‌های موجود را به حداکثر می‌رسانند.

اتوماسیون؛ راه‌حلی برای بحران کمبود نیرو و چالشی نوین برای اشتغال

شتاب در به‌کارگیری اتوماسیون در شرایطی رخ می‌دهد که صنایع با بحران پایدار کمبود نیروی کار روبه‌رو هستند.

مطالعه‌ای از سوی مؤسسه دیلویت (Deloitte) و مؤسسه تولید آمریکا پیش‌بینی کرده که بخش تولید ایالات متحده در بازه زمانی ۲۰۲۴ تا ۲۰۳۳ به حدود ۳.۸ میلیون نیروی کار جدید نیاز خواهد داشت؛ بااین‌حال در صورت حل نشدن بحران مهارت‌آموزی و جذب نیرو، ممکن است تا ۱.۹ میلیون موقعیت شغلی خالی بماند.

استیونز با اشاره به تجربیات مدیران صنعت خودروسازی می‌گوید برخی خطوط تولید صرفاً به دلیل ناتوانی در تأمین نیروی انسانی، زیر ظرفیت اسمی کار می‌کنند.

در چنین فضایی، اتوماسیون فراتر از جایگزینی ساده کارکنان، به ابزاری برای حفظ سطح تولید و جبران کمبود نیرو بدل می‌شود.

بااین‌حال، این تغییر رویه‌ای پیچیده‌تر خلق می‌کند. هنگامی که کارخانه‌ها برای پر کردن خلأ نیروی کار به ربات‌ها متوسل می‌شوند، به‌زودی آشکار می‌شود که سیستم‌های خودکار قادرند کالاها را با سرعتی بالاتر و هزینه‌ای کمتر از روش‌های سنتی تولید کنند.

این امر رقبای دیگر را نیز تحت فشار قرار می‌دهد تا دست به اقدامات مشابه بزنند؛ حتی اگر با کمبود نیروی کار مواجه نباشند.

استیونز این پرسش اساسی را مطرح می‌کند: «چه بر سر شرکت‌هایی می‌آید که از پذیرش رباتیک بازمی‌مانند؟ آیا می‌توانند در بازار باقی بمانند؟»

برای سازمان‌هایی که هنوز در حال سبک‌سنگین کردن پروژه‌های آزمایشی و مجزای هوش مصنوعی هستند، پرسش کلیدی این است: آیا راهبرد فعلی آن‌ها تاب رقابت با کارخانه‌هایی را خواهد داشت که به‌سرعت به‌سوی هوشمندی، سازگاری و استقلال کامل عملیاتی گام برمی‌دارند؟