От автоматизации к интеллекту: как физический и агентный ИИ меняют промышленность

Современное производство уже насыщено автоматизированными системами: роботы выполняют сварку, конвейеры перемещают детали, а датчики непрерывно собирают данные о состоянии оборудования. Однако следующий этап промышленной трансформации связан не столько с увеличением количества машин, сколько с повышением интеллектуальности существующих систем и улучшением взаимодействия между ними и людьми.

Такую оценку даёт Дэниел Тан, руководитель направления интеллектуальных производственных и робототехнических решений Lenovo. По его мнению, будущее промышленности определяется не только расширением автоматизации, но и появлением систем, способных учитывать контекст, адаптироваться к изменениям и координировать действия в реальном времени.

Этот подход связывают с концепцией Индустрии 5.0, в которой технологическое развитие должно сочетаться с человекоцентричностью, устойчивостью и повышением адаптивности производства. Одну из ключевых ролей в её реализации Lenovo отводит двум направлениям искусственного интеллекта: физическому и агентному.

Два уровня промышленного ИИ

Физический ИИ (Physical AI) обеспечивает взаимодействие интеллектуальных систем с реальным миром. Он объединяет данные камер, силовых датчиков, микрофонов и других сенсоров, позволяя роботам и автономным устройствам распознавать объекты, оценивать обстановку и выбирать действия с учётом текущих условий.

Агентный ИИ (Agentic AI), в свою очередь, предназначен для решения многоэтапных задач: он анализирует информацию из разных систем, определяет последовательность действий, распределяет задачи и координирует выполнение рабочих процессов. При наличии соответствующих интерфейсов и разрешений такие агенты могут не только выдавать рекомендации, но и запускать предусмотренные операции в корпоративных информационных системах.

«Физический ИИ обеспечивает возможность действовать в физическом мире, а агентный ИИ автоматизирует и координирует рабочие процессы», — объясняет Тан.

Примером служит роботизированная собака, предназначенная для инспекции опасных объектов, например электрических подстанций. Физический ИИ помогает ей ориентироваться на местности, обнаруживать потенциальные неисправности и обходить препятствия. Агентный ИИ может координировать маршрут, сопоставлять результаты обследования с данными других систем и передавать информацию службам технического обслуживания.

На уровне предприятия эти функции могут объединяться в централизованной системе оркестрации, которая обеспечивает общую картину происходящего, распределяет задачи между устройствами и информационными системами и контролирует выполнение операций. При этом критические функции безопасности должны оставаться под управлением специально предусмотренных защитных механизмов, а не зависеть исключительно от решений ИИ.

Важную роль играет мультимодальное восприятие. Вместо анализа одного источника данных система может объединять визуальную информацию, измерения усилий, акустические сигналы и показания датчиков. Это помогает точнее интерпретировать состояние оборудования и отличать потенциальную неисправность от обычного изменения режима работы.

Например, при прогнозировании отказов совокупность температурных показателей, вибрации и акустических характеристик может использоваться для обнаружения отклонений и оценки вероятного времени до отказа. Однако точность такого прогноза зависит от качества данных, особенностей оборудования и подтверждённой эффективности модели в конкретных условиях эксплуатации.

Безопасность и производительность без искусственного компромисса

В традиционной промышленной автоматизации безопасность взаимодействия людей и машин часто обеспечивается физическим разделением рабочих зон, ограждениями и блокировками. Интеллектуальные системы способны дополнить эти средства: обнаруживать присутствие человека, оценивать его движение и адаптировать поведение оборудования к изменению обстановки.

Например, робот может снизить скорость, изменить траекторию или приостановить операцию, если сотрудник приближается к рабочей зоне. Это создаёт возможности для более гибкой организации производства, но не отменяет необходимости применять сертифицированные средства защиты, оценивать риски и соблюдать требования промышленной безопасности.

Подобный подход используется и в складской логистике. В системах Order-to-Person автоматизированное оборудование доставляет необходимые товары или комплектующие к рабочему месту сотрудника, вместо того чтобы заставлять его самостоятельно перемещаться по складу. Такая организация сокращает лишние перемещения и может ускорять обработку заказов.

По словам Тана, один из логистических операторов в Юго-Восточной Азии благодаря автоматизации складских операций ускорил обработку заказов на 40%. Однако в опубликованном материале не приводятся название компании, исходные показатели и методика измерения, поэтому этот результат следует рассматривать как заявленный Lenovo пример, а не как универсальный эффект внедрения ИИ.

Агентный ИИ решает другую задачу — уменьшает объём ручной координации между подразделениями и информационными системами. В качестве примера Тан приводит Lenovo iChain, платформу для управления цепочками поставок. Она объединяет данные о заказах, запасах, производстве и логистике, помогая выявлять отклонения, оценивать их последствия и координировать действия по устранению проблем.

По данным Lenovo, применение iChain позволило повысить точность доставки заказов на 30%, ускорить принятие и выполнение решений по комплектации заказов в три раза, а также повысить эффективность оценки рисков и реагирования на них. Эти показатели относятся к собственной глобальной цепочке поставок компании и отражают результаты её цифровой трансформации, а не гарантированный эффект для любого предприятия.

Как преодолеть барьеры стоимости и качества данных

Несмотря на растущий интерес к промышленному ИИ, переход от пилотного проекта к полноценной эксплуатации остаётся сложной задачей. Предприятия сталкиваются с разрозненными информационными системами, несовместимыми форматами данных, недостатком примеров редких неисправностей и высокими затратами на интеграцию и проверку решений.

«Одна из главных причин, по которым проекты ИИ испытывают трудности в промышленной среде, — это не отсутствие амбиций, а фрагментированные системы, несогласованные данные, ограниченное количество обучающих образцов, а также стоимость и риски внедрения в реальные производственные процессы», — отмечает Тан.

Один из способов решения проблемы нехватки данных — использование симуляции и синтетических данных. Например, для обучения систем технического зрения контролю качества можно генерировать изображения деталей с искусственно созданными дефектами. Это особенно актуально для редких видов брака, которые сложно собрать в достаточном количестве в ходе обычного производства.

Синтетические данные позволяют расширить обучающую выборку, но не гарантируют повышения точности модели. Искусственно созданные изображения могут отличаться от реальных дефектов по текстуре, освещению и другим характеристикам. Поэтому обученные на них модели необходимо проверять на репрезентативных данных реального производства.

Другой подход — применение отраслевых больших языковых моделей и готовых ИИ-агентов. Предварительно обученные модели дают основу для решения типовых задач, которую затем можно адаптировать к внутренней документации, данным и рабочим процессам предприятия. Это позволяет избежать разработки всей системы с нуля, хотя интеграция, проверка безопасности и настройка под конкретное производство по-прежнему требуют ресурсов.

Lenovo развивает это направление в рамках платформы Lenovo Hybrid AI Advantage™ и библиотеки Lenovo AI Library, объединяющей готовые агентные решения и сценарии применения ИИ. По заявлению компании, некоторые производственные решения можно развернуть всего за неделю. Время зависит от сложности сценария, состояния инфраструктуры, доступности данных и требований к интеграции.

Компания также использует периферийные вычисления (edge computing), позволяющие выполнять обработку данных непосредственно рядом с оборудованием, без постоянной передачи информации в удалённый центр обработки данных. Для промышленности это особенно важно в задачах, где критичны задержка, непрерывность работы и локальная обработка данных.

Симуляция дополняет этот подход: модели и алгоритмы можно предварительно тестировать в цифровой среде, прежде чем подключать их к действующему оборудованию. Это помогает выявлять ошибки на ранних этапах и уменьшать риски внедрения, хотя окончательная проверка в реальных условиях всё равно необходима.

Масштабирование на предприятиях разных стран

Для компаний, работающих в нескольких регионах, внедрение ИИ осложняется различиями в инфраструктуре, требованиях безопасности, производственных процессах и доступности квалифицированных специалистов. Поэтому важен не только выбор модели или оборудования, но и возможность сопровождать решение на протяжении всего жизненного цикла.

Тан считает глобальное присутствие Lenovo одним из преимуществ компании. По приведённым им данным, Lenovo обслуживает клиентов на 180 рынках, располагает более чем 30 производственными площадками и 49 логистическими центрами и взаимодействует с сетью из более чем 2000 поставщиков.

Компания также предлагает заказчикам услуги инженеров по ИИ, которые помогают выбирать архитектуру, адаптировать решения к конкретным условиям и организовывать внедрение. Такой подход призван уменьшить необходимость самостоятельно формировать все компетенции внутри предприятия.

При этом масштабирование промышленного ИИ не сводится к тиражированию программного обеспечения. Решение, показавшее хорошие результаты на одном заводе, может потребовать дополнительной настройки на другом из-за различий в оборудовании, организации процессов и качестве исходных данных. Поэтому воспроизводимость результатов, единые требования к интеграции и техническая поддержка становятся не менее важными, чем возможности самой модели.

Индустрия 5.0: технологии должны работать на человека

В концепции Индустрии 5.0 производственный прогресс оценивается не только по скорости, объёму выпуска и себестоимости. Важны также устойчивость к сбоям, эффективное использование ресурсов и качество взаимодействия человека с технологическими системами.

По мнению Тана, именно сочетание физического и агентного ИИ позволяет связать интеллектуальные устройства, инфраструктуру и сотрудников в единую операционную модель. Физический ИИ помогает машинам воспринимать окружающую среду и действовать в ней, агентный — координировать задачи и связывать действия оборудования с бизнес-процессами.

Дополнительный импульс этому направлению придают результаты исследования CIO Playbook 2026, подготовленного по заказу Lenovo. Согласно опубликованным данным, 94% опрошенных организаций планируют увеличить инвестиции в ИИ в течение следующего года. Среди приоритетов — развитие инфраструктуры ИИ, обучение сотрудников и внедрение агентных решений. Эти показатели отражают планы участников опроса, а не фактический уровень внедрения технологий во всей промышленности.

Для производителей главный вопрос теперь заключается не в том, можно ли применить ИИ на заводе, а в том, какие процессы действительно выиграют от его внедрения и как измерить полученный эффект. В одних случаях достаточно традиционной автоматизации или алгоритмов машинного обучения, в других преимущества могут дать мультимодальное восприятие, автономные действия и координация нескольких систем.

Физический и агентный ИИ открывают возможности для более адаптивного производства, но одновременно повышают требования к качеству данных, кибербезопасности, контролю действий автономных систем и ответственности за принимаемые решения.

Если Индустрия 5.0 предполагает более тесное сотрудничество человека и машины, то сможет ли промышленность обеспечить не только интеллектуальность и автономность оборудования, но и доказуемую безопасность, управляемость и экономическую эффективность таких систем?