دگردیسی اتوماسیون صنعتی

ورود به دنیای سامانه‌هایی که می‌بینند، می‌فهمند و تصمیم می‌گیرند.

مهندس محمدجواد احمدی

مهندس محمدجواد احمدی

مدیر گروه هوش مصنوعی ARAS

مدیر ارشد فنی MediversAI

مهندس محمدجواد احمدی

آیا ماشین‌آلات صنعتی می‌توانند فراتر از اجرای کورکورانه‌ی دستورات، به درکی عمیق از محیط خود دست یابند و مستقلاً چالش‌ها را حل کنند؟ ما اکنون در آستانه‌ی یک دگردیسی بی‌سابقه در زیرساخت‌های حیاتی قرار داریم؛ گذاری تاریخی از سامانه‌های سنتی و جبرگرایانه (مانند SCADA) به اکوسیستم‌های یکپارچه‌ای که توسط «هوش مصنوعی عامل‌محور» رهبری می‌شوند. در این عصر جدید، ماشین‌ها با بهره‌گیری از مدل‌های بزرگ چندوجهی و زیرساخت‌های نوین مدیریت عامل (AgentOps)، از ابزارهایی منفعل به کنشگرانی هوشمند با قابلیت استدلال تبدیل شده‌اند. این مقاله به واکاوی مبانی نظری، معماری فنی و شالوده‌های فلسفی این تحول عظیم می‌پردازد تا مسیر ورود به دنیای «هوش فیزیکی» را روشن سازد.

تحول پارادایمی: از جبرگرایی اتوماسیون سنتی تا عاملیت‌شناختی صنعتی

بخش صنعت و زیرساخت‌های حیاتی جهان در سال‌های ۲۰۲۵ و ۲۰۲۶ در حال تجربه‌ی یک دگردیسی بی‌سابقه است. معماری سنتی اتوماسیون صنعتی، که برای دهه‌های متمادی بر پایه‌ی سامانه‌های کنترل سرپرستی و گردآوری داده (SCADA) و لایه‌های مجزای فناوری‌های عملیاتی (OT) استوار بود، ماهیتی کاملاً قطعی[i] و جبرگرایانه داشت. در این الگو، ماشین‌آلات صرفاً بازتاب‌دهنده‌ی منطق برنامه‌نویسی‌شده توسط مهندسان انسانی بودند و هیچ‌گونه درکی از بستر یا «بافتار» فعالیت فیزیکی خود نداشتند.¹ با این حال، با ظهور «هوش مصنوعی عامل‌محور» (Agentic AI) و همگرایی عمیق‌تر از پیش فناوری اطلاعات و فناوری عملیاتی (IT/OT Convergence)، این پارادایم به شکلی بنیادین شکسته شده است.² در این دوران جدید، شبکه‌های صنعتی از محیط‌هایی که صرفاً داده تولید می‌کنند، به «اکوسیستم‌های مدیریت دانش یکپارچه» ارتقا یافته‌اند؛ محیط‌هایی که در آن عاملیت از یک مفهوم منحصراً انسانی، به یک ظرفیت توزیع‌شده میان انسان و «عوامل صنعتی شناختی[ii]» تبدیل شده است.⁴

در این دوران جدید، شبکه‌های صنعتی از محیط‌هایی که صرفاً داده تولید می‌کنند، به «اکوسیستم‌های مدیریت دانش یکپارچه» ارتقا یافته‌اند؛ محیط‌هایی که در آن عاملیت از یک مفهوم منحصراً انسانی، به یک ظرفیت توزیع‌شده میان انسان و «عوامل صنعتی شناختی[ii]» تبدیل شده است.⁴

بر اساس گزارش جامع روندهای اتوماسیون عامل‌محور شرکت UiPath در سال ۲۰۲۶، حدود ۷۸ درصد از مدیران ارشد اجرایی معتقدند که برای بهره‌برداری کامل از پتانسیل سامانه‌های هوشمند و خودمختار، نیازمند بازطراحی بنیادین مدل‌های عملیاتی خود هستند.¹ این گزارش تأکید می‌کند که دوران «عوامل منفرد[iii]» به پایان رسیده و صنعت به سمت سامانه‌های چندعاملی[iv] در حال حرکت است.¹

دوران «عوامل منفرد[iii]» به پایان رسیده و صنعت به سمت سامانه‌های چندعاملی[iv] در حال حرکت است.¹

در این اکوسیستم‌ها، «حاکمیت به عنوان یک زیرساخت نرم‌افزاری[v]» عمل می‌کند تا اطمینان حاصل شود که عوامل هوشمند همواره با اهداف تجاری، پروتکل‌های امنیتی و الزامات تطبیق‌پذیری همسو می‌مانند.¹ پیش‌بینی‌های مؤسسه‌ی معتبر گارتنر نیز بر این تحول شگرف صحه می‌گذارد؛ داده‌ها نشان می‌دهند که تا سال ۲۰۲۸، بالغ بر ۱۵ درصد از تصمیمات کاری روزمره به صورت کاملاً خودمختار توسط سامانه‌های هوش مصنوعی عامل‌محور اتخاذ خواهد شد، در حالی که این رقم در سال ۲۰۲۴ عملاً صفر بوده است.⁵ علاوه بر این، انتظار می‌رود که ۳۳ درصد از برنامه‌های کاربردی نرم‌افزارهای سازمانی در همین بازه‌ی زمانی قابلیت‌های عامل‌محور را در درون خود جای دهند.⁵

تفاوت بنیادین این سامانه‌ها با «هوش مصنوعی مبتنی بر پیش‌بینی[vi]» در قابلیت درک بافتار و «استدلال عامل‌محور[vii]» نهفته است.⁶ یک عامل هوشمند صنعتی دیگر منتظر دریافت دستور نمی‌ماند، بلکه با درک شرایط پیرامونی، اهداف را صورت‌بندی کرده و برای دستیابی به آن‌ها، ابزارها (نظیر فراخوانی APIها، جستجو در پایگاه‌های دانش محلی یا تعدیل جریان فیزیکی فرآیندها) را به صورت پویا و چندمرحله‌ای مورد استفاده قرار می‌دهد.⁴

مشخصه ساختاری	سامانه‌های اتوماسیون کلاسیک (SCADA/PLC)	اکوسیستم مدیریت دانش یکپارچه (Agentic AI)
رویکرد تصمیم‌گیری	قطعی (Deterministic)، خطی و مبتنی بر قواعد سخت‌افزاری/نرم‌افزاری صلب	احتمالی (Probabilistic)، چندوجهی و مبتنی بر استنتاج هدف‌گرا
مکانیسم واکنش	صدور هشدار و توقف در صورت عبور از آستانه‌های از پیش‌تعریف‌شده	درک پیش‌دستانه بافتار، یافتن ریشه‌ی مشکل (Root Cause) و اجرای خودکار فرآیند اصلاحی
معماری ارتباطی	ساختار سلسله‌مراتبی و سیلوهای ایزوله‌ی داده (Silos)	شبکه‌های چندعاملی همکار (Collaborative Multi-agent)، یکپارچگی اطلاعات از طریق RAG
سازگاری با محیط	نیازمند برنامه‌نویسی مجدد (Reprogramming) دستی برای شرایط جدید	انطباق‌پذیری مستمر، یادگیری پویا از الگوهای فیزیکی محیط و خودترمیمی شبکه

شالوده‌های فلسفی: معرفت‌شناسی ماشین و هستی‌شناسی سامانه‌های خودمختار

درک ابعاد واقعی دگرگونی‌های ناشی از استقرار هوش مصنوعی عامل‌محور در مقیاس صنعتی، نیازمند فراروی از ادبیات صرفاً مهندسی و ورود به ساحت فلسفه‌ی تکنولوژی است. زمانی که ماشین‌ها توانایی ادراک محیط، تحلیل متون تخصصی، ترکیب داده‌های حسگرها و اخذ تصمیمات حیاتی در زمان واقعی[viii] را پیدا می‌کنند، ماهیت معرفت‌شناختی[ix] آن‌ها دگرگون می‌شود.⁶ در این نقطه، ماشین از سطح یک «ابزار منفعل» به یک «کنشگر[x]» تغییر ماهیت می‌دهد.

مارتین هایدگر، در تفکرات انتقادی خود پیرامون تکنولوژی، رویکردی عمیق برای درک این دگرگونی ارائه می‌دهد. از منظر هایدگری، تکنولوژی مدرن صرفاً مجموعه‌ای از ابزارهای خنثی نیست، بلکه یک «نحوه‌ی انکشاف[xi]» است که چگونگی نمایان شدن واقعیت بر انسان را تعیین می‌کند.⁸ هایدگر برای توصیف ذات تکنولوژی مدرن از مفهوم «چارچوب‌بندی[xii]» استفاده می‌کند؛ نیرویی هستی‌شناختی که طبیعت، محیط و حتی خود انسان‌ها را به مثابه یک «منبع ذخیره[xiii]» فرامی‌خواند؛ منبعی که همواره باید اندازه‌گیری، کنترل، بهینه‌سازی و استخراج شود.⁸ در دوران اتوماسیون صنعتی کلاسیک و انقلاب صنعتی سوم، این مفهوم به نقطه‌ی اوج خود رسید و ماشین‌آلات به نماد بلامنازع این رویکرد تقلیل‌گرایانه تبدیل شدند.¹³

با ورود به دوران انقلاب صنعتی چهارم (4IR) و بلوغ هوش مصنوعی عامل‌محور، پدیده Gestell ابعاد پیچیده‌تری به خود می‌گیرد.⁹ سامانه‌های عامل‌محور، برخلاف الگوریتم‌های محاسباتی گذشته، دارای نوعی «قصدیت[xiv]» طراحی‌شده هستند که به آن‌ها اجازه می‌دهد نه تنها واقعیت را کمّی‌سازی کنند، بلکه خود دست به تولید دانش و تفسیر معانی بزنند.⁹ زمانی که یک عامل صنعتی در شرکت Causaly، به جای جستجوی ساده‌ی الگوها، مانند یک دانشمند فرض‌سازی می‌کند، شواهد را مورد راستی‌آزمایی قرار می‌دهد و استنتاج‌های بیومدیکال یا صنعتی خود را با محققان به اشتراک می‌گذارد، عاملیت از انحصار سوژه‌ی انسانی خارج می‌شود.¹⁵

زمانی که یک عامل صنعتی در شرکت Causaly، به جای جستجوی ساده‌ی الگوها، مانند یک دانشمند فرض‌سازی می‌کند، شواهد را مورد راستی‌آزمایی قرار می‌دهد و استنتاج‌های بیومدیکال یا صنعتی خود را با محققان به اشتراک می‌گذارد، عاملیت از انحصار سوژه‌ی انسانی خارج می‌شود.¹⁵

در این حالت، خطر ظهور شکل نوینی از «ازخودبیگانگی وجودی[xv]» افزایش می‌یابد، چرا که انسان ممکن است در برابر منطق محاسبه‌گر و خودمختار ماشین‌ها به حاشیه رانده شود.⁸

انسان ممکن است در برابر منطق محاسبه‌گر و خودمختار ماشین‌ها به حاشیه رانده شود.⁸

برای مواجهه با این بحران معرفتی، پژوهشگران ایده‌ی تأسیس یک دیسیپلین فکری نوین تحت عنوان «فلسفه‌ی ماشین‌ها[xvi]» را مطرح کرده‌اند.⁷

پژوهشگران ایده‌ی تأسیس یک دیسیپلین فکری نوین تحت عنوان «فلسفه‌ی ماشین‌ها[xvi]» را مطرح کرده‌اند.⁷

این چارچوب فکری تلاش می‌کند تا نحوه‌ی تولید و بازتولید دانش توسط عوامل مصنوعی را تبیین کرده و استراتژی‌هایی برای تخصیص عاملیت و درک مسئولیت اخلاقی در سامانه‌هایی که دیگر به طور کامل در کنترل انسان نیستند، ارائه نماید.⁷

معماری زیربنایی: مدل‌های بزرگ چندوجهی (LMMs) و شکل‌گیری هوش فیزیکی

از منظر فنی و زیرساختی، مغز متفکر این اکوسیستم‌های مدیریت دانش در محیط‌های صنعتی، تلفیق معماری‌های عامل‌محور با «مدل‌های بزرگ چندوجهی[xvii]» (LMMs) است. مدل‌های هوش مصنوعی کلاسیک عموماً در یک حوزه‌ی خاص (متن، صوت یا تصویر) تخصص داشتند، اما در یک کارخانه‌ی هوشمند یا پالایشگاه، اطلاعات به صورت یکپارچه و چندوجهی جریان دارند.

مدل‌های هوش مصنوعی کلاسیک عموماً در یک حوزه‌ی خاص (متن، صوت یا تصویر) تخصص داشتند، اما در یک کارخانه‌ی هوشمند یا پالایشگاه، اطلاعات به صورت یکپارچه و چندوجهی جریان دارند.

مدل‌های پیشرو نظیر LLaVA-1.6 (شناخته‌شده به عنوان LLaVA-NeXT)، توانسته‌اند با بهره‌گیری از مکانیسم‌های پیچیده‌ی توجه[xviii] و ادغام داده‌ه ا در یک «فضای ویژگی مشترک[xix]»، توانمندی فوق‌العاده‌ای در استدلال فضایی[xx] و درک بصری-متنی از خود نشان دهند.¹⁶ این همگرایی چندوجهی، منجر به ظهور مفهومی به نام «هوش فیزیکی[xxi]» شده است؛ سامانه‌ای که ادراک، استدلال و عمل را مستقیماً در جهان فیزیکی به هم پیوند می‌دهد.¹⁸

در محیط‌های صنعتی که نیازمند ترکیب جریان‌های داده‌ای بی‌درنگ[xxii] از منابعی چون دوربین‌های مداربسته، حسگرهای لایدار (LiDAR)، رادارها و داده‌های تله‌متری هستند، توان محاسباتی به یک چالش اساسی تبدیل می‌شود. برای رفع این تنگنا در مقیاس صنعتی، استفاده از ایستگاه‌های کاری لبه، مبتنی بر پردازنده‌های گرافیکی دوگانه[xxiii] رواج یافته است.¹⁹ این معماری سخت‌افزاری به گونه‌ای طراحی شده که یک پردازنده‌ی گرافیکی به‌طور خاص برای استنتاج بینش رایانه‌ای و مدل‌های چندوجهی تخصیص یابد و پردازنده‌ی دوم، داده‌های رادار یا تحلیل‌های پیش‌بینانه را بدون ایجاد گلوگاه پردازشی، به صورت موازی مدیریت نماید.¹⁹

استفاده از مدل‌های بزرگ چندوجهی در حوزه بازرسی صنعتی[xxiv] و نگهداری پیش‌بینانه نتایج شگرفی به همراه داشته است. به عنوان مثال، در سال ۲۰۲۵، با هدف پر کردن شکاف‌های موجود در درک صحنه‌های پیچیده‌ی صنعتی، مجموعه داده‌ها و معیارهای سنجش نوینی نظیر InspecSafe-V1 معرفی گردید.²⁰

در سال ۲۰۲۵، با هدف پر کردن شکاف‌های موجود در درک صحنه‌های پیچیده‌ی صنعتی، مجموعه داده‌ها و معیارهای سنجش نوینی نظیر InspecSafe-V1 معرفی گردید.²⁰

این مجموعه داده که مبتنی بر اطلاعات واقعی جمع‌آوری‌شده توسط ربات‌های بازرس زمینی و ریلی است، ارزیابی دقیق ادراک ایمنی[xxv] مدل‌های چندوجهی را در محیط‌های پرخطر امکان‌پذیر می‌سازد.²⁰ همچنین، بهره‌گیری از رویکردهایی نظیر GRPO توانسته است کیفیت تحلیل‌های توصیفی LMMها را در شناسایی عیوب تجهیزات در پست‌های انتقال برق به شدت ارتقا دهد.²²

بلوغ عملیاتی با ظهور AgentOps و Agentic MLOps

استقرار گسترده‌ی هوش مصنوعی عامل‌محور در محیط‌های صنعتی و گذر از فاز پایلوت به تولید عملیاتی، نیازمند ایجاد زیرساخت‌های مهندسی نوینی است. دیسیپلین‌های مدیریت چرخه‌ی عمر نرم‌افزار نظیر DevOps و رویکردهای یادگیری ماشین سنتی (MLOps)، برای مدیریت مدل‌های قطعی طراحی شده‌اند و در برابر رفتار غیرقطعی، پویا و خودمختار عوامل شناختی کارایی لازم را ندارند.²³ این نارسایی، منجر به تولد دیسیپلین جدیدی تحت عنوان «عملیات عامل» (AgentOps) شده است که پیش‌بینی می‌شود بازار آن همسو با گسترش سامانه‌های عامل‌محور، تا سال ۲۰۳۰ به مرز ۵۰ میلیارد دلار برسد.²³

عملیات عامل (AgentOps) تمرکز ویژه‌ای بر مشاهده‌پذیری[xxvi]، قابلیت ردیابی ردپای استدلال ماشین[xxvii]، تشخیص ناهنجاری رفتاری[xxviii] و جلوگیری از مصرف بی‌رویه‌ی منابع محاسباتی[xxix] دارد.²⁴ از آنجا که یک عامل هوشمند ممکن است برای حل یک مسئله ده‌ها بار از ابزارهای خارجی (Tools) یا APIها استفاده کند، مدیریت سطوح دسترسی و کنترل هزینه‌ها در قالب فریم‌ورک‌هایی نظیر LangChain یا ابزارهایی همچون Agenta و Langfuse الزامی است.²³

در محیط‌های مأموریت‌بحرانی مانند زیرساخت‌های شبکه برق و صنایع تولیدی، مفهوم نوظهور Agentic MLOps معرفی شده است. این رویکرد، پلتفرم‌های ابری نظیر کوبرنیتیز[xxx] را به ابزارهایی مجهز می‌کند تا هویت و قابلیت‌های عوامل مستقل را راستی‌آزمایی کنند. یکی از پیشرفت‌های مهم در این عرصه، توسعه‌ی «سرویس نام عامل[xxxi]» (ANS) است؛ یک پروتکل الهام‌گرفته از DNS که هویت منحصربه‌فرد، تأییدیه‌ی قابلیت‌ها[xxxii] و کنترل دسترسی مبتنی بر نقش (RBAC) را برای شبکه‌ای توزیع‌شده از عوامل شناختی فراهم می‌آورد و ایجاد شبکه‌های مبتنی بر اعتماد صفر[xxxiii] را در چرخه‌ی یادگیری ماشین تضمین می‌کند.²⁸

توسعه‌ی این زیرساخت‌های مهندسی پیشرفته و بلوغ معماری‌هایی نظیر AgentOps، نشان می‌دهد که هوش مصنوعی عامل‌محور دیگر به مرزهای تئوری و محیط‌های آزمایشگاهی محدود نیست. اکنون که ماشین‌ها از منظر معرفت‌شناختی به قابلیت‌های شناختی و استدلال مستقل مجهز شده‌اند و بسترهای نرم‌افزاری لازم برای مدیریت ایمن و مهار رفتار غیرقطعی آن‌ها فراهم آمده است، بستر برای پیاده‌سازی این ظرفیت‌های بی‌نظیر در شریان‌های حیاتی اقتصاد جهانی مهیاست. اما این سامانه‌های خودمختار در میدان عمل و در مواجهه با پیچیدگی‌های دنیای واقعی چگونه رفتار می‌کنند؟ پاسخ به این پرسش نیازمند خروج از لایه‌های زیرساختی و بررسی تجلی عملی این عاملیت در دل شبکه‌های حیاتی و صنایع سنگین است؛ جایی که ماشین‌های هوشمند با چالش‌های اقتصادی، موانع یکپارچه‌سازی و ضرورت‌های حاکمیتی در مقیاس کلان روبه‌رو می‌شوند.