آزمون سرنوشت‌ساز هوش مصنوعی فیزیکی؛ چرا موفقیت واقعی تازه بعد از فاز پایلوت شروع می‌شود؟

آزمون بزرگ بعدی برای هوش مصنوعی دیگر این نیست که آیا می‌تواند یک پایلوت یا پروژه آزمایشی چشمگیر و خیره‌کننده بسازد یا نه؛ چالش واقعی این است که آیا می‌تواند هر روز و به شکلی کاملاً قابل اعتماد، در شرایط پر هرج‌ومرج، پیچیده و پرخطر دنیای فیزیکی کار کند؟

شرکت‌ها حسابی دست‌به‌جیب شده‌اند و آماده‌اند هزینه‌های سنگینی بپردازند. بر اساس گزارش «رادار هوش مصنوعی ۲۰۲۶» از شرکت BCG، سازمان‌ها انتظار دارند بودجه هوش مصنوعی خود را در سال جاری بیش از دو برابر کنند و از ۰٫۸ درصد درآمد به حدود ۱٫۷ درصد برسانند. اما نکته اینجاست که بازدهی و ارزش خلق‌شده پا‌به‌پای این هزینه‌ها جلو نمی‌رود. گزارش عملکرد هوش مصنوعی PwC در سال ۲۰۲۶ نشان می‌دهد که ۷۴ درصد از کل ارزش اقتصادی هوش مصنوعی، تنها نصیب ۲۰ درصد از سازمان‌ها می‌شود!

در واقع، مانع اصلی دیگر کمبود بودجه یا نبود بلندپروازی نیست؛ گیر کار دقیقاً در مرحله «اجرا» است.

این دیدگاهی است که کارشناسان ارشد شرکت سامسارا (Samsara) در حوزه عملیات فیزیکی بر آن تأکید می‌کنند.

برای هوش مصنوعی فیزیکی (Physical AI)، این چالش به مراتب حساس‌تر و حیاتی‌تر است. برخلاف ابزار‌هایی که قرار است یک ایمیل کاری را پیش‌نویس کنند یا یک فایل متنی را خلاصه تحویلتان بدهند، هوش مصنوعی فیزیکی درست در جایی وارد عمل می‌شود که هر تصمیم مستقیماً روی ایمنی جان افراد، پایداری تجهیزات، خدمات‌رسانی بدون وقفه و هزینه‌های میلیاردی اثر می‌گذارد. به همین خاطر، رساندن این سیستم‌ها از یک پروژه آزمایشی محدود به سطح استقرار واقعی، چیزی بسیار فراتر از یک مدل هوش مصنوعی قدرتمند می‌طلبد.

سازمان‌ها پیش از هر چیز باید دردی را پیدا کنند که واقعاً ارزش درمان داشته باشد؛ بعد باید زمینه و بستر عملیاتی لازم را برای فهم مسئله در اختیار هوش مصنوعی بگذارند، این فناوری را دقیقاً بر اساس سازوکار واقعی کار در میدان طراحی کنند و در نهایت، هر تحلیل و بینش داده‌ای را به یک اقدام ملموس پیوند بزنند.

شروع از مشکل واقعی عملیات:

بخش عمده‌ای از گفت‌وگوها پیرامون هوش مصنوعی در شرکت‌ها روی مدل‌های زبانی بزرگ و افزایش بهره‌وری اداری متمرکز شده است. اما واقعیت این است که پرهزینه‌ترین و بحرانی‌ترین مشکلات کسب‌وکارها بیرون از چهاردیواری اداره‌ها اتفاق می‌افتد: تصادفات خودرویی، خرابی تجهیزات سنگین، توقف‌های ناگهانی خطوط تولید و اختلال در خدمات حیاتی که زندگی روزمره مردم به آن‌ها وابسته است.

هوش مصنوعی فیزیکی دقیقاً پای هوش مصنوعی را به همین محیط‌ها باز می‌کند؛ جایی که با استفاده از داده‌های دریافتی از خودروها، تجهیزات صنعتی، دوربین‌ها و سنسورها متوجه می‌شود کف میدان چه خبر است و چه مسائلی نیاز به توجه فوری دارند.

برای نمونه در حوزه ایمنی ناوگان حمل‌ونقل، ابزار‌های هوش مصنوعی می‌توانند داده‌های خودروهای متصل و دوربین‌ها را در کنار متغیرهایی مثل وضعیت آب‌وهوا، کیفیت جاده و الگوهای رانندگی تحلیل کنند. این بستر اطلاعاتی به مدیران سازمان کمک می‌کند تا یک اتفاق تک‌افتاده و تصادفی را از یک الگوی خطرناک و تکرارشونده تشخیص دهند و تمرکزشان را دقیقاً روی نقطه‌ای بگذارند که بیش‌ترین اثرگذاری را دارد.

البته اشتیاق به این فناوری بسیار بالاست، اما استفاده عملیاتی از آن هنوز حسابی لنگ می‌زند! به عنوان مثال در صنعت رباتیک که یکی از مهم‌ترین میدان‌های هوش مصنوعی فیزیکی است، گزارش شرکت Capgemini نشان می‌دهد با اینکه ۷۹ درصد از سازمان‌ها دست‌به‌کار بررسی این فناوری شده‌اند، تنها ۲۷ درصد از آن‌ها توانسته‌اند آن را در مقیاس واقعی پیاده‌سازی کنند یا توسعه دهند.

بنابراین نقطه شروع درست این نیست که بپرسیم «کجا می‌توانیم از هوش مصنوعی استفاده کنیم؟» بلکه باید بپرسیم: «چه نتیجه عملیاتی را باید تغییر دهیم؟» ریشه اصلی مشکل کجاست؟ آیا داده‌های لازم در دسترس هستند؟ این فناوری قرار است کدام تصمیم‌گیری یا فرایند کاری را متحول کند؟ اگر پروژه آزمایشی پاسخ روشنی برای این پرسش‌ها نداشته باشد، شاید توانایی فنی چشمگیری را به نمایش بگذارد، اما ارزش اقتصادی و تجاری خاصی خلق نخواهد کرد.

ساخت بستر عملیاتی مورد نیاز هوش مصنوعی:

پیدا کردن مشکل درست، فقط نقطه شروع ماجراست. برای اینکه از یک پایلوت کنترل‌شده و گلخانه‌ای عبور کنید، هوش مصنوعی باید بستری را که سازمان در آن فعالیت می‌کند، به درستی بفهمد و درک کند.

اینکه سیستم صرفاً پلاک یا مدل یک خودرو را بداند اصلاً کافی نیست. هوش مصنوعی به تاریخچه تعمیرات، موقعیت مکانی لحظه‌ای، مسیر معمول تردد، نحوه رفتار راننده و شرایط محیطی هم نیاز دارد. مدل باید متوجه شود که چطور این عوامل روی یکدیگر اثر می‌گذارند و عملکرد نرمال و استاندارد در موقعیت‌های مشابه چگونه است.

وقتی این داده‌ها بین سیستم‌های متفرقه تکه‌تکه شده باشند، با تأخیر ثبت شوند یا دستی وارد سیستم گردند، هوش مصنوعی عملاً فقط گوشه‌ای از ماجرا را می‌بیند و کور خواهد بود. دیجیتالی کردن فرایندها و متصل کردن داده‌های عملیاتی به هم، همان فونداسیون حیاتی است که سیستم‌های پیشرفته بعدی روی آن بنا می‌شوند.

اهمیت قضیه صرفاً حجم زیاد داده‌ها نیست؛ مسئله اصلی این است که داده‌ها در یک سیستم عملیاتی یکپارچه و مشترک قرار گیرند تا تیم‌ها بتوانند وسایل نقلیه، تعمیرات و تعهدات مشتریان را یکجا مدیریت کنند. بدون این زیرساخت مشترک، حتی پیشرفته‌ترین مدل‌های هوش مصنوعی هم به ابزاری بی‌خاصیت و جزیره‌ای تبدیل می‌شوند که به هیچ دردی نمی‌خورند.

طراحی برای عملیات واقعی، نه نمایش تبلیغاتی:

یک پروژه آزمایشی و پایلوت را می‌توان با مراقبت شدید و زیر ذره‌بین تیم فنی پیش برد؛ اما یک استقرار در مقیاس گسترده هرگز نمی‌تواند وابسته به دخالت و سرک کشیدن دائمی مهندسان فنی باشد.

عملیات فیزیکی در گستره ناوگان، کارگاه‌ها، انبارها و تیم‌های خط مقدم پخش شده است. فناوری باید نصب و راه‌اندازی بسیار سرراستی داشته باشد، در شرایط آب‌وهوایی و محیطی متغیر خم به ابرو نیاورد و به سیستم‌هایی وصل شود که پرسنل از قبل با آن‌ها کار می‌کنند. از همه مهم‌تر، این سیستم باید برای همان نیروهایی کاربردی و راحت باشد که قرار است خروجی‌های آن را مبنای کار خود قرار دهند.

همین موضوع باعث می‌شود «مدیریت تحول» به بخشی جدانشدنی از استراتژی فنی تبدیل شود. نیروهای انسانی باید متوجه شوند که این فناوری دقیقاً چه چیزی را رصد و شناسایی می‌کند، چطور باری از دوش آن‌ها برمی‌دارد و چه انتظاری از آن‌ها می‌رود. مدیران ارشد نیز باید احساس مسئولیت ایجاد کنند، بسنجند که آیا روال‌های کاری واقعاً در حال تغییرند یا نه، و بازخوردهای تیم‌های خط مقدم را جدی بگیرند.

علاوه بر این، نظارت و حاکمیت سازمانی باید از همان ابتدا در طرح پیاده‌سازی گنجانده شود. سازمان‌ها باید مشخص کنند که سیستم‌ها تا چه حد اجازه دارند مستقل و خودکار عمل کنند، چه زمانی بازبینی انسانی ضروری است و چطور می‌توان تصمیمات اتخاذشده را به چالش کشید. میزان نظارت انسانی باید مستقیماً با عواقب و خطرات احتمالی هر تصمیم تناسب داشته باشد.

تکمیل حلقه تحلیل تا عمل؛ از بینش تا اقدام:

صرف به دست آوردن یک بینش داده‌ای، نتیجه کار نیست! هوش مصنوعی فیزیکی زمانی ارزش واقعی خلق می‌کند که فاصله میان تشخیص مشکل و انجام دادن یک اقدام مشخص برای حل آن را به حداقل برساند.

این روند را می‌توان در یک مدل سه‌مرحله‌ای شامل «حس کردن، تصمیم‌گیری و اقدام» خلاصه کرد: خودروهای متصل، دوربین‌ها و تجهیزات محیط فیزیکی را حس می‌کنند و متوجه رخدادها می‌شوند؛ سپس هوش مصنوعی این داده‌ها را در بستر عملیاتی بررسی کرده و تصمیم می‌گیرد چه موضوعی نیازمند توجه فوری است؛ در نهایت، یک فرد یا سیستم دست‌به‌کار می‌شود؛ خواه این کار هشدار دادن به راننده باشد، صدور دستور کار برای تعمیرات، یا ثبت خرابی آسفالت جاده در صف مرمت.

برای نمونه، هشدار سلامت یک خودرو می‌تواند پیش از آنکه یک نقص کوچک به خرابی کامل و خوابیدن ماشین تبدیل شود، فرایند تعمیرات را فعال کرده و به تیم مربوطه اطلاع دهد. یا فناوری شناسایی چاله‌ها و ناهمواری‌های خیابان می‌تواند از خودروهایی که در سطح شهر تردد دارند برای سنجش خرابی جاده‌ها استفاده کند و به تیم‌های شهرداری و راهداری اطلاعات دقیقی بدهد تا تعمیرات را اولویت‌بندی کنند و مسیرهای بهسازی را هوشمندانه بچینند.

البته تعادل مناسب میان خودکارسازی کامل و دخالت انسانی در هر موقعیتی متفاوت خواهد بود. کار‌های روتین و کم‌خطر می‌توانند در چارچوبی مشخص کاملاً خودکار انجام شوند؛ اما تصمیماتی که مستقیماً بر ایمنی، اشتغال یا ارائه خدمات اساسی اثر می‌گذارند، حتماً نیازمند نظارت دقیق انسانی هستند. هدف نهایی، خودکارسازی صرف به هر قیمتی نیست، بلکه اقدام سریع‌تر، دقیق‌تر و مطمئن‌تر همراه با خطوط قرمز و تدابیر ایمنی مشخص است.

فراتر از پایلوت؛ مسیر آینده:

سازمان‌ها اگر می‌خواهند شکاف میان هزینه‌های سنگین هوش مصنوعی و بازدهی واقعی را پر کنند، باید به هوش مصنوعی به عنوان یک توانمندی عمیق عملیاتی نگاه کنند، نه فقط یک پروژه آزمایشی و مجزا در گوشه سازمان.

این یعنی کار باید با یک مشکل قابل اندازه‌گیری شروع شود، بستر داده‌های مورد نیاز هوش مصنوعی مهیا گردد، سیستم متناسب با واقعیت‌های کاری نیروهای خط مقدم طراحی شود و هر بینش و تحلیلی بلافاصله به اقدام عملی متصل گردد. تنها زمانی که این شرایط فراهم شود، هوش مصنوعی فیزیکی می‌تواند از حصار پروژه‌های نمایشی و محدود بیرون بیاید و عملیاتی به مراتب ایمن‌تر، چابک‌تر و مقاوم‌تر را در ابعاد بزرگ رقم بزند.