์ฌ์ ๋ฆฌ๋
๋ฏธ๋์ ๊ณต์ฅ์ ํ๋กฌํํธ๋ก ์์ฑ๋๊ณ ์๋ค
물리적 객체가 만들어지는 방식에 대해 거의 никто가 실제로 알지 못한다는 것이 사실이다.
그들은 큰 그림을 알고 있다. 누군가가 무언가를 설계한다. 누군가 다른 사람이 그것을 구축한다. 트럭이 도착한다. 그러나 개념이 사양이 되고, 사양이 소싱 결정이 되고, 소싱 결정이 생산 런이 되고, 생산 런이 주문한 것이 되는 중간 부분은 대체로 보이지 않으며, 매우 복잡하며, 매우 오랜 시간 동안 거의 동일한 방식으로 작동해 왔다.
이제 이것이 바뀌고 있다.
제너레이티브 AI는 제조 공정을根本적으로 바꾸고 있다. 이것은 속도에 관한 것이 아니다. 비용에 관한 것이 아니다. 이것은 더 근본적인 것에 관한 것이다: 지능이 적용되는 프로세스의 어디에, 누구에 의해, 어떻게 早く 적용되는지에 관한 것이다. 우리는 산업 경제를電氣化나 컴퓨터화와 마찬가지로 크게変化させる変革의 시작에 있다. 이 변화를 이해하는 회사들은 나중에 모든 규칙을 정의할 것이다.
제조의 가장 비싼 문제는 생각하는 것과 다르다
대부분의 사람들에게 제조에서 가장 큰 문제는 공장이라고 말할 것이다. 그러나 가장 비싼 실패는 제품 아이디어가 요구 사항으로 구체화되는 초기 단계에서 발생한다. 그리고 거기에 엄청난 시간과 돈이 사라진다.
문제는 불일치이다. 요구 사항은 이메일, 문서, 미팅을 통해 수집되며, 일치가 이루어졌지만 실제로는 일치하지 않는다. 몇 주 후에 임베디드된 모호함을 가진 엔지니어링 브리프가 도착하며, 이는 프로토 타입이 잘못 돌아오거나 공급자가 일치하지 않는 것을 인용하거나 생산 팀이 디자인을 대량으로 생산할 수 없다는 것을 깨닫는 때에만 나타난다.
제너레이티브 AI는 정확히 이 단계에 개입하고 있으며, 그 효과는 모든 후속 단계에 영향을 미친다. 이러한 시스템은 고객 피드백, 규제 제출, 필드 실패 데이터, 경쟁 해체와 같은 거대한 비정형 입력을 구조화된 요구 사항으로 더 빠르고 일관되게 변환할 수 있다. 시스템 엔지니어링이 몇 주가 걸리는 것을 몇 시간 안에 초안을 작성할 수 있다.
요구 사항이 더 빠르고 높은 신뢰도로 도착하면, 핸드오프가 변경된다. 소싱 팀은 디자인과 동시에 공급자를 식별할 수 있다. 생산 계획은 도면이 완성되기 전에 시작할 수 있다. 순차적으로 진행되던 단계가 병렬로 진행되기 시작한다.
커스텀 기계 부품을 구축하는 회사에서는 모든 주문이 새로운 엔지니어링 문제이며, 스피드-투-쿼테가 비즈니스를 얻는 차이점일 수 있다. 이것은 전략적인 변革이다.
베테랑 엔지니어가 아는 것
제조 엔지니어의 내부에 존재하는 특정 종류의 지식이 있다. 이것은 외부에서 설명하기 어렵다. 어느 тол러런스가 대규모로 달성될 수 있는지, 어느 합금이 특정 조합의 열과 스트레스에서 실패하는지, 어느 디자인 결정이 종이 위에서 우아하지만 도구 팀에게 재난을 일으키는지. 이것은 수십 년 동안 축적되며, 대부분 전달할 수 없으며, 선임 엔지니어가 은퇴할 때마다 문을 나서간다.
AI 공조장은 이것을 변경하기 시작했다. 새로운 구성 요소 기하학을 작업하는 엔지니어는 이제 시스템에 대해 대량 생산성에 대한 질의를 할 수 있으며, 여러 로드 시나리오에 대한 실패 분석을 받을 수 있으며, 재료를 전환하는 비용 영향을 평가할 수 있다. 모든 것이 디자인 환경 내에서 발생하며, 물리적 프로토 타입이 존재하기 전에, 정보가 실제로 유용한 때에 발생한다.
명확하게 하자: 이것은 엔지니어링 판단의 대체가 아니다. 맥락적 지식, 전문가 책임, 제약 조건下的 창의적 문제 해결을 포함하는 결정은 여전히 사람을 필요로 한다. AI 공조장이 하는 것은 엔지니어가 탐색할 수 있는 솔루션 공간을 확장하고, 선임 수준의 제조 직관의 측면을 더 많은 사람에게, 더 일찍 분배하는 것이다. 이를 잘 채택하는 팀은 더 나은 디자인에 도달할 것이다. 왜냐하면 그들은 선택을 닫기 전에 더 많은 옵션을 평가했을 것이기 때문이다.
두 종류의 AI가 합쳐지고, 공장은 결코 같지 않을 것이다
중요한 구별이 있다. 디지털 AI – 디자인, 문서화, 소싱 분석, 의사 결정 지원을 위한 제너레이티브 시스템이 있다. 이것은 정보에 작동한다. 그리고 물리적 AI – 산업 로봇, 자율 로직스, 적응형 제조 장비를 구동하는 인식, 계획, 제어 시스템이 있다. 이것은 물질에 작동한다. 그것은 세계를 감지하고, 행동을 계획하고, 물건을 움직인다.
過去의 10년 동안 이러한 두 가지 범주는 거의 분리된 세계에서 발전해 왔다. 그러나 이제 제너레이티브 모델이 물리적 시스템을 프로그래밍하고, 지시하고, 해석하는 데 점점 더 많이 사용되고 있다. 로봇은 자연어 지시를 받고 이를 동작 시퀀스로 번역할 수 있다. 비전-언어 모델은 검사 시스템이 인간이 작동할 수 있는 용어로 관찰을 설명할 수 있도록 한다. 제너레이티브 디자인 도구가 직접 CNC 기계 및 적층 제조 시스템에 연결되고 있으므로 모델이 설계한 것을 공장이 구축할 수 있다.
기후 기술의 경우影響은 놀라운 것이다. 제너레이티브 AI는 재료 발견을 가속화하고, 더 나은 배터리 화학, 더 효율적인 촉매, 산업 탄소 강도를 줄이는 구조 재료를 찾고 있다. 제조업 전체적으로 이는 공장이 진정한 적응 시스템이 되고, 수요 변동이나 공급 중단에 거의 실시간으로 재구성할 수 있음을 의미한다. 디지털 모델과 물리적 공장 사이의 경계가消え去りつつある다. 이를 대체하는 것은 산업 인프라이다. 이것은 학습하고, 적응하고, 디자인과 생산 사이의 루프를 닫는 것을 가능하게 한다.
인력 문제
AI와 제조에 대한 어떤 글에서도 사람에 대해 말해야 한다. 기술 글쓰기에서 일반적인 부드러운 着陸 “새로운 일자리가 나타날 것”을 통해가 아니다. 실제로 사람에 대해 말해야 한다.
불안감은 실제이며, 근거가 없다. 제조업 고용은 이미 4십년 동안 격렬한 혼란을 겪었다. AI 주도적인 또 다른 변혁은 추상적인 것이 아니다.
초기 데이터는 가장 중요한近期 효과가실직이 아니라, 승격이다. AI 공조장을 사용하는 엔지니어는 더 중요한 엔지니어링을 하고 있으며, 루틴 문서화에 덜 시간을 보내고, 판단을 결정하는 호출에 더 많은 시간을 보낸다. 공급망 관리자는 더 복잡한 환경에서 더 나은 정보로 탐색한다. 운영 책임자는 인간의 판단이 남아있는 환경에서 AI 생성된 통찰력을 적용한다.
루틴 데이터 처리, 반복적인 조정 작업, 또는 로봇이 현재 처리할 수 있는 물리적 작업으로 정의되는 역할은 실제 압력을 받을 것이다. 이것은 회사와 기관에서 진지한 주의를 필요로 한다.
미래의 제조업 인력은 AI와 효과적으로 협업할 수 있는 능력으로 정의될 것이다. 출력을 이해하고, 가정에 대한 질문을하고, 인간의 판단이 필요한 결정에 추천을 적용하는 능력이다. 이것은 제조업이 중심으로 구축된 것과 다른 스킬 프로파일이다. 이것을 규모에 맞게, 공정하게, 중요하게 구축하는 것은 현재의真正한 어려운 문제 중 하나이다.
창
제조업은 단일체가 아니다. 항공우주, 소비자 전자, 커스텀 산업 부품, 의료 기기와 같은 AI 채택은 다르다. 변화의 속도는 데이터 인프라, 규제 환경, 조직 능력에 따라 크게 다르다.
그러나 방향은 명확하지 않다. 제조 라이프 사이클은 모든 노드에서 AI에 의해 재구성되고 있다. 데이터 인프라, AI 보강 엔지니어링 워크플로, 인력 능력, 고위험 결정에 대한 거버넌스 시스템에 투자하는 회사는 10년 후에 고급 제조가 어떤 모습일지 정의할 것이다.
미래의 공장은 모델에 의해 작성되고, 프롬프트로 정제되고, 산업이まだ 이해하기 시작한 인간-기계 협력에 의해 개선된다. 이것이 무엇을 생산할지는 지금, 질문을 묻는 회사에서 이루어지는 선택에 달려 있다.
의미있는 이점을 구축하기 위한 창은 열려 있다. 이것은 무기한으로 열리지 않을 것이다.
