SongAI

https://amp.scmp.com/tech/tech-trends/article/3302272/china-manufacturing-ai-pose-existential-threat-us-robotics-sector

https://www.wired.com/story/ai-swaps-desk-work-for-the-factory-floor/

Trợ lý AI tham gia vào nhà máy sản xuất

Các nhà sản xuất đã có sẵn dữ liệu. Các công cụ sử dụng mô hình ngôn ngữ lớn (LLM) có thể giúp họ khai thác dữ liệu này.

Máy mài bi thép về cơ bản vẫn giữ nguyên thiết kế từ khoảng năm 1900, nhưng các nhà sản xuất đã tự động hóa dần mọi quy trình xung quanh nó. Ngày nay, quá trình sản xuất được vận hành bằng băng chuyền và phần lớn là tự động. Nhiệm vụ quan trọng nhất của con người là xác định khi nào có sự cố—và ngay cả công việc đó cũng có thể sớm được giao cho AI.

Tại nhà máy Schaeffler ở Hamburg, quy trình bắt đầu với dây thép, sau đó được cắt và ép thành các viên bi thô. Những viên bi này được làm cứng qua một loạt lò nung, rồi trải qua 3 lần mài với độ chính xác ngày càng cao cho đến khi đạt độ cầu hoàn hảo trong phạm vi một phần mười micron. Thành phẩm là một trong những linh kiện quan trọng nhất của ngành công nghiệp hiện đại, giúp giảm ma sát trong mọi thứ, từ máy tiện đến động cơ ô tô.

Độ chính xác này đòi hỏi phải kiểm tra liên tục—nhưng khi phát hiện lỗi, việc truy tìm nguyên nhân có thể là một bài toán nan giải. Kết quả kiểm tra có thể cho thấy một lỗi nào đó xảy ra trong dây chuyền sản xuất, nhưng nguyên nhân không phải lúc nào cũng rõ ràng. Có thể mô-men xoắn của một công cụ vặn vít bị lệch, hoặc một bánh mài mới thay đang ảnh hưởng đến chất lượng sản phẩm. Để tìm ra nguyên nhân, cần phải so sánh dữ liệu từ nhiều thiết bị công nghiệp khác nhau, trong khi hầu hết các thiết bị này không được thiết kế để chia sẻ dữ liệu với nhau.

AI có thể giải quyết vấn đề này như thế nào?

Năm ngoái, Schaeffler trở thành một trong những công ty đầu tiên sử dụng Factory Operations Agent của Microsoft—một sản phẩm mới được thiết kế riêng cho các nhà sản xuất, hoạt động dựa trên mô hình ngôn ngữ lớn. Công cụ này giúp xác định nguyên nhân của lỗi sản xuất, thời gian ngừng hoạt động, hoặc tiêu thụ năng lượng quá mức. Về cơ bản, đây là một phiên bản ChatGPT dành cho nhà máy, với các mô hình AI của OpenAI chạy trên nền tảng đám mây Azure của Microsoft.

Kathleen Mitford, phó chủ tịch phụ trách tiếp thị ngành công nghiệp toàn cầu của Microsoft, mô tả sản phẩm này là “một trợ lý lý luận hoạt động trên dữ liệu sản xuất”. Theo bà, “công cụ này có thể hiểu câu hỏi của người dùng và dịch chúng thành các truy vấn chính xác dựa trên mô hình dữ liệu tiêu chuẩn”.

Ví dụ, một công nhân nhà máy có thể hỏi “Nguyên nhân nào khiến tỷ lệ lỗi sản phẩm tăng cao hơn bình thường?”, và AI sẽ trả lời bằng dữ liệu tổng hợp từ toàn bộ quá trình sản xuất.

Kết hợp AI với dữ liệu toàn cầu

Factory Operations Agent được tích hợp sâu với các sản phẩm doanh nghiệp của Microsoft, đặc biệt là Microsoft Fabric, nền tảng phân tích dữ liệu của công ty. Nhờ đó, Schaeffler—vận hành hàng trăm nhà máy trên hệ thống của Microsoft—có thể huấn luyện AI bằng dữ liệu từ khắp nơi trên thế giới.

Stefan Soutschek, phó chủ tịch phụ trách CNTT của Schaeffler, cho biết sức mạnh thực sự của hệ thống này nằm ở khả năng phân tích dữ liệu trên quy mô lớn.

“Lợi ích lớn nhất không nằm ở chatbot, dù nó rất hữu ích,” ông nói. “Điểm mạnh là nền tảng dữ liệu công nghệ vận hành (OT) ở phía sau, và chatbot chỉ đơn giản là công cụ truy xuất dữ liệu từ đó.”

Mặc dù có tên gọi là "agent" (trợ lý), nhưng đây không phải AI tự động hành động. Nó không có mục tiêu riêng và chỉ giới hạn trong việc trả lời câu hỏi của người dùng. Người dùng có thể thiết lập để AI thực hiện một số lệnh cơ bản thông qua Microsoft Copilot Studio, nhưng mục tiêu chính của sản phẩm này không phải để AI tự ra quyết định, mà là công cụ giúp truy xuất dữ liệu dễ dàng hơn.

Giải quyết khoảng cách giữa IT và OT

Trong sản xuất, việc tìm ra lỗi thường đòi hỏi so sánh dữ liệu từ nhiều hệ thống khác nhau, bao gồm hệ thống kiểm soát chất lượng, phần mềm nhân sự (HR), và các thiết bị điều khiển công nghiệp như lò nung hoặc máy khoan chính xác.

Trong ngành công nghiệp, đây được gọi là “khoảng cách IT/OT”—tức là sự tách biệt giữa công nghệ thông tin (IT) như bảng tính Excel và công nghệ vận hành (OT) trong nhà máy. Các công ty AI tin rằng các mô hình ngôn ngữ lớn (LLM) như Factory Operations Agent có thể thu hẹp khoảng cách này, cho phép công nhân nhà máy đặt câu hỏi và nhận câu trả lời dưới dạng hội thoại.

Factory Operations Agent dự kiến sẽ ra mắt chính thức trong năm nay, trở thành một công cụ sẵn có cho người dùng Azure AI. Tuy nhiên, đây không phải là sản phẩm duy nhất trong lĩnh vực này.

Các công ty công nghệ đang nhắm đến ngành sản xuất như một thị trường tiềm năng cho các ứng dụng AI. Tháng 9 năm ngoái, Google ra mắt bản cập nhật cho Manufacturing Data Engine, nhằm khai thác dữ liệu từ các thiết bị công nghiệp. Cả Microsoft và Google đều duy trì các nền tảng cho phép các nhà phát triển thử nghiệm và tinh chỉnh AI theo các yêu cầu cụ thể.

Cơ hội và rủi ro của AI trong nhà máy

Cạnh tranh trong lĩnh vực này mang lại lợi ích cho ngành sản xuất, nhưng việc sử dụng AI trong công nghiệp cũng làm tăng các rủi ro về an toàn—đặc biệt là trong môi trường nhà máy, nơi sự cố có thể liên quan đến tính mạng con người.

Điểm quan trọng là Factory Operations Agent chỉ xử lý dữ liệu chứ không trực tiếp điều khiển máy móc, nhưng vẫn có những lo ngại.

Duncan Eddy, giám đốc điều hành tại Trung tâm An toàn AI Stanford, cảnh báo rằng rủi ro lớn nhất với AI như Factory Operations Agent là người dùng có thể không nhận ra khi hệ thống bắt đầu hoạt động sai, hoặc không biết cách can thiệp khi sự cố xảy ra.

“Các hệ thống này có thể gặp lỗi theo những cách mới, bất ngờ và khó đoán,” ông nói.

AI Assistants Join the Factory Floor
Manufacturers already have the data. LLM-powered tools could help them make use of it.
A male factory worker wearing safety gear operates a CNC machine in an industrial manufacturing plant ensuring precision...

The basic machine for grinding a steel ball bearing has been the same since around 1900, but manufacturers have been steadily automating everything around it. Today, the process is driven by a conveyor belt, and, for the most part, it’s automatic. The most urgent task for humans is to figure out when things are going wrong—and even that could soon be handed over to AI.
The Schaeffler factory in Hamburg starts with steel wire that is cut and pressed into rough balls. Those balls are hardened in a series of furnaces, and then put through three increasingly precise grinders until they are spherical to within a tenth of a micron. The result is one of the most versatile components in modern industry, enabling low-friction joints in everything from lathes to car engines.
That level of precision requires constant testing—but when defects do turn up, tracking them down can present a puzzle. Testing might show a defect occurring at some point on the assembly line, but the cause may not be obvious. Perhaps the torque on a screwing tool is off, or a newly replaced grinding wheel is impacting quality. Tracking down the problem means comparing data across multiple pieces of industrial equipment, none of which were designed with this in mind.

This too may soon be a job for machines. Last year, Schaeffler became one of the first users of Microsoft’s Factory Operations Agent, a new product powered by large language models and designed specifically for manufacturers. The chatbot-style tool can help track down the causes of defects, downtime, or excess energy consumption. The result is something like ChatGPT for factories, with OpenAI’s models being used on the backend thanks to the company’s partnership with Microsoft’s Azure.
Kathleen Mitford, Microsoft’s corporate vice president for global industry marketing, describes the project as “a reasoning agent that operates on top of manufacturing data.” As a result, Mitford says, “the agent is capable of understanding questions and translating them with precision and accuracy against standardized data models.” So a factory worker might ask a question like “What is causing a higher than usual level of defects?” and the model would be able to answer with data from across the manufacturing process.
The agent is deeply integrated into Microsoft’s existing enterprise products, particularly Microsoft Fabric, its data analytics system. This means that Schaeffler, which runs hundreds of plants on Microsoft’s system, is able to train its agent on data from all over the world.
Stefan Soutschek, Schaeffler’s vice president in charge of IT, says the scope of data analysis is the real power of the system. “The major benefit is not the chatbot itself, although it helps,” he says. “It’s the combination of this OT [operational technology] data platform in the backend, and the chatbot relying on that data.”
Despite the name, this isn’t agentic AI: It doesn’t have goals, and its powers are limited to answering whatever questions the user asks. You can set up the agent to execute basic commands through Microsoft’s Copilot studio, but the goal isn’t to have the agent making its own decisions. This is primarily AI as a data access tool.

That’s particularly valuable in manufacturing, where tracking down a set of errors might mean comparing data across quality assurance systems, HR software, and industrial control systems like kilns and precision drills. Within the industry, this is known as the IT/OT gap: the disconnect between information tech like spreadsheets and the operational tech that’s used in a factory. AI companies believe large language models like the Factory Operations Agent will be able to work across that gap, allowing it to answer basic troubleshooting questions in a conversational way.
The Factory Operations Agent is due to leave public preview later this year, making it broadly available to Azure AI users. But there will be plenty of competing systems hoping to play a role on the factory floor. As tech companies look for ways to make money from recent breakthroughs in LLMs, manufacturing has proven to be a tempting target. Last September, Google rolled out an update to its Manufacturing Data Engine specifically aimed at unlocking data held on industrial devices, and both Microsoft and Google maintain platforms where independent developers can test out systems with different fine-tuning strategies and different tolerances for risk.
That competition is good for the field, but the increasing use of industrial AI also raises the stakes for safety—particularly on the factory floor, where malfunctions can be a matter of life or death. Crucially, the Factory Operations Agent only manipulates data rather than directly controlling machinery, but there are still concerns. Speaking in his personal capacity, Duncan Eddy, executive director of the Stanford Center for AI Safety, says the biggest concern for AI models like the Factory Operations Agent is simply that users won’t recognize when the system is starting to fail, or won’t know how to intervene once they do.
“These systems can fail in new and surprising and unpredictable ways,” he says.

- Mô hình ngôn ngữ lớn (Large Language Models - LLMs) đang đóng vai trò quan trọng trong việc tái định hình ngành công nghiệp sản xuất, nhờ khả năng xử lý và phân tích dữ liệu lớn.
- Các LLM có thể giúp cải thiện hiệu quả sản xuất bằng cách tối ưu hóa các quy trình sản xuất và giảm thiểu lãng phí thông qua dự đoán chính xác hơn về nhu cầu và nguồn cung.
- Trong ngành công nghiệp sản xuất, LLMs được sử dụng để phát triển các hệ thống tự động hóa thông minh, có khả năng tự học hỏi và thích ứng với các điều kiện sản xuất thay đổi.
- Các công ty đang áp dụng LLM để cải thiện giao tiếp và hợp tác giữa con người và máy móc, qua đó nâng cao năng suất và an toàn lao động.
- LLM cũng đóng góp vào việc phát triển sản phẩm mới bằng cách phân tích xu hướng thị trường và phản hồi của khách hàng, giúp các công ty nhanh chóng thích ứng với thị trường.
- Công nghệ này còn giúp giảm chi phí đào tạo nhân viên, do khả năng cung cấp hướng dẫn và đào tạo tự động, cá nhân hóa cho từng nhân viên.
- Một số thách thức khi triển khai LLM trong sản xuất bao gồm vấn đề về quyền riêng tư dữ liệu, cần thiết lập các chính sách bảo mật dữ liệu chặt chẽ và đảm bảo tính minh bạch trong quá trình xử lý dữ liệu.

📌 Mô hình ngôn ngữ lớn đang thay đổi ngành công nghiệp sản xuất bằng cách cải thiện hiệu quả, năng suất và đổi mới sản phẩm. Các công ty sử dụng LLM để tối ưu hóa quy trình, phát triển sản phẩm mới và cải thiện an toàn lao động, mặc dù còn đối mặt với thách thức về bảo mật dữ liệu.

Citations:
[1] https://www.weforum.org/agenda/2024/04/why-large-language-models-are-so-important-for-the-future-of-the-manufacturing-industry/

- Siemens đang tích hợp AI tạo sinh vào quy trình sản xuất để cải thiện hiệu suất và tăng cường sự linh hoạt.
- Công nghệ AI tạo sinh của Siemens giúp tối ưu hóa quy trình sản xuất thông qua việc tự động hóa và cá nhân hóa.
- AI tạo sinh được áp dụng trong nhiều lĩnh vực khác nhau của quy trình sản xuất, bao gồm thiết kế sản phẩm, quản lý chuỗi cung ứng và bảo trì dự đoán.
- Siemens tin rằng việc áp dụng AI tạo sinh sẽ giúp các nhà sản xuất giảm thời gian sản xuất, giảm chi phí và tăng cường khả năng cạnh tranh.
- Công ty cũng nhấn mạnh tầm quan trọng của việc đào tạo nhân viên để họ có thể tận dụng tối đa lợi ích của AI tạo sinh trong sản xuất.
- Siemens đang hợp tác với các đối tác công nghệ và tổ chức giáo dục để phát triển và triển khai giải pháp AI tạo sinh trong ngành công nghiệp sản xuất.

📌 Siemens đang dẫn đầu trong việc áp dụng AI tạo sinh vào ngành công nghiệp sản xuất, mở ra cơ hội cải thiện đáng kể hiệu suất và sự linh hoạt cho các nhà sản xuất. Bằng cách tối ưu hóa quy trình sản xuất thông qua tự động hóa và cá nhân hóa, Siemens không chỉ giúp giảm thời gian và chi phí sản xuất mà còn tăng cường khả năng cạnh tranh của các doanh nghiệp. Sự hợp tác với các đối tác công nghệ và tổ chức giáo dục cũng cho thấy cam kết của Siemens trong việc phát triển và triển khai công nghệ AI tạo sinh, đồng thời nhấn mạnh tầm quan trọng của việc đào tạo nhân viên để họ có thể tận dụng tối đa lợi ích từ công nghệ này.

• BMW thông báo sẽ triển khai robot hình người trong các nhà máy sản xuất xe hơi của mình, bắt đầu từ nhà máy tại Spartanburg, South Carolina.
• Robot có chiều cao 5 feet 6 inch và nặng 130 pound, được sản xuất bởi startup Robotics có trụ sở tại California là Figure, sau khi đã xác định được các trường hợp sử dụng ban đầu.
• Figure 01, robot của hãng, đã học cách làm cà phê sử dụng hệ thống AI từ đầu đến cuối và được thiết kế để thực hiện các công việc không mong muốn hoặc nguy hiểm, như công việc sản xuất thuộc loại khó khăn, không an toàn hoặc nhàm chán.
• Các robot của Figure hứa hẹn sẽ tăng năng suất, giảm chi phí và tạo ra môi trường làm việc an toàn, ổn định hơn. Đây là lần đầu tiên robot tự động, giống người được sử dụng trong môi trường sản xuất ô tô.
• Robot sử dụng bàn tay năm ngón cho việc lắp ráp và tự động nghỉ mỗi năm giờ để đi tới trạm sạc.
• Việc triển khai robot đã đặt ra thêm tranh luận về việc tự động hóa có thể thay thế việc làm của con người; khoảng 11.000 người làm việc tại cơ sở của BMW ở South Carolina.
• Reuters cho biết quan hệ đối tác sẽ bắt đầu với số lượng nhỏ robot của Figure được sử dụng bởi BMW và sẽ mở rộng nếu đạt được các mục tiêu hiệu suất. Sau khi được đào tạo để thực hiện các nhiệm vụ cụ thể, chúng sẽ được tích hợp vào quy trình sản xuất trong 12-24 tháng tới.

📌 Việc BMW đưa robot hình người vào sản xuất là một bước tiến công nghệ quan trọng, nhưng cũng gây nên lo ngại về tương lai việc làm của con người. Robot của Figure sẽ được đưa vào hoạt động tại nhà máy Spartanburg trong khoảng thời gian 12-24 tháng tới và sẽ được mở rộng nếu thử nghiệm thành công. Các robot này không chỉ có khả năng tăng năng suất mà còn giảm chi phí và tạo ra môi trường làm việc an toàn hơn. Tuy nhiên, điều này đặt ra câu hỏi về số lượng việc làm bị ảnh hưởng khi khoảng 11.000 người đang làm việc tại cơ sở của BMW ở South Carolina, là nhà xuất khẩu ô tô lớn nhất tại Mỹ.

• Công nghệ digital twin đã thúc đẩy sự tăng trưởng về năng suất và hiệu quả trong sản xuất toàn cầu, cải thiện thiết kế sản phẩm và quy trình vận hành, đồng thời giảm thời gian chết và tăng cường hiệu suất. Generative AI (GenAI) có khả năng tăng cường và nhân đôi giá trị của digital twins, mở ra khả năng mới trong thiết kế, vận hành và sản xuất.
• 61% các giám đốc điều hành đang hợp tác với công ty công nghệ chuyên biệt để đạt được mục tiêu về sản xuất thông minh. Kết hợp GenAI với digital twins có thể giúp giảm 15% thời gian sản xuất và tăng 10% sản lượng cho các nhà sản xuất quy mô lớn.
• Intel sử dụng digital twins và GenAI để tối ưu hóa hoạt động và tăng sản lượng nhà máy. Họ đã áp dụng digital twin để giải quyết vấn đề vận chuyển vật liệu tự động và sử dụng dữ liệu từ các kịch bản mô phỏng để tối ưu hóa sản lượng.
• Các tổ chức không nên chờ đợi đối thủ mà nên hành động ngay bằng cách đầu tư chiến lược vào công nghệ có khả năng mở rộng để chạy các tải công việc thế hệ tiếp theo. Điều này bao gồm nâng cấp từ kiến trúc lạc hậu, mở rộng linh hoạt, tích hợp cơ sở hạ tầng thông minh và số hóa cũng như làm cho quy trình sản xuất trở nên linh hoạt và có tính module hơn.

📌 Sự kết hợp của AI tạo sinh và digital twins giúp giảm 15% thời gian sản xuất và tăng 10% sản lượng cho các nhà sản xuất quy mô lớn. Với AI tạo sinh, digital twins có thể nhanh chóng phân tích dữ liệu để cung cấp thông tin chi tiết, dự đoán và đề xuất các phương án thay thế để kiểm tra trong môi trường digital twin không rủi ro. 

• Ngành sản xuất đang trải qua chuyển đổi số do AI.
• McKinsey dự báo AI sẽ tạo ra $13 nghìn tỷ hoạt động kinh tế vào năm 2030.
• 90% nhà sản xuất ô tô dự định chuyển đổi số vào năm 2027.
• AI giúp giải quyết thách thức thiếu hụt lao động.
• Triển khai AI với mục tiêu cụ thể như kiểm soát chất lượng, sử dụng OCR.
• AI cải thiện độ chính xác dữ liệu, giảm lỗi và theo dõi linh kiện.
• AI học và thích ứng qua tạo mạng lưới thần kinh, yêu cầu GPU và dữ liệu hình ảnh chất lượng.
• Phương pháp phát hiện bất thường mới trong AI giúp phân biệt linh kiện tốt và lỗi.

📌 AI đang mở ra cơ hội lớn trong ngành sản xuất, với khả năng tạo ra $13 nghìn tỷ hoạt động kinh tế vào năm 2030 theo dự báo của McKinsey. Sự kết hợp giữa các ứng dụng AI như OCR và phương pháp phát hiện bất thường trong AI hứa hẹn cải thiện đáng kể hiệu suất và chất lượng sản xuất. Các công ty sản xuất ô tô, với gần 90% dự định chuyển đổi số vào năm 2027, cũng như sự thiếu hụt lao động dự kiến lên đến 2.1 triệu công việc vào năm 2030, đang đối mặt với thách thức lớn mà AI có thể giải quyết.