التصنيع الصناعي

يندر أن يفشل الذكاء الاصطناعي في التصنيع على مستوى الخوارزمية. بل يفشل عند طبقة التكامل — النقطة التي يتعيّن فيها وصول بيانات نظيفة ومرتبطة بسياقها من شبكة تحكّم تعمل على مدار الساعة إلى النموذج دون تعطيل خط الإنتاج. ونهجنا هو بناء ذكاء اصطناعي تصنيعي مصمَّم ليصمد في ظروف المصنع، ويتكامل مع بنية أنظمة التشغيل (OT) القائمة، ويتوسّع إلى ما بعد الخط التجريبي، ويعمل بحياد تجاه المورّدين مهما كان مزيج المعدات الموجود بالفعل في منشأتك.

لماذا تفشل المشاريع التجريبية للذكاء الاصطناعي في التصنيع

إليك النمط الذي نراه في كل مشروع للذكاء الاصطناعي في التصنيع تقريبًا: يشغّل أحد المورّدين إثبات مفهوم على خط إنتاج واحد، وتبدو أرقام الدقة ممتازة، ثم يقدّم أحدهم عرضًا تقديميًا لنائب رئيس العمليات. وبعد ستة أشهر، يكون النظام إما يعمل على ذلك الخط الوحيد دون أي خطة للتوسّع، أو أن المشغّلين قد بدأوا بهدوء في تجاوزه لأن الدقة تدهورت ولم يخصّص أحد ميزانية لإعادة تدريب النموذج.

وجدت IDC أن 88% من إثباتات مفهوم الذكاء الاصطناعي لا تصل أبدًا إلى نشر الإنتاج. وفي قطاع التصنيع تحديدًا، يبلغ معدل النشر نحو 13 إلى 16%. والأسباب ليست غامضة، لكنها بنيوية: يفشل الذكاء الاصطناعي في المصنع عند طبقة التكامل، لا عند طبقة الخوارزمية.

مشكلة تكامل أنظمة التشغيل/تقنية المعلومات (OT/IT) التي تعطّل كل شيء

تشغّل معظم مصانع الإنتاج بنية أتمتة مصمَّمة للموثوقية والعزل، لا لمشاركة البيانات. فوحدات التحكّم المنطقي القابلة للبرمجة (PLC) تتواصل عبر بروتوكولات خاصة، وأنظمة SCADA تسجّل في مؤرِّخات محلية، ومنصّات MES تقع خلف جدران حماية يتردّد مهندسو المصنع بشكل مفهوم في فتحها. وقد وجد استطلاع لـ Gartner عام 2025 أن 61% من الشركات المصنّعة تصف تكامل أنظمة التشغيل/تقنية المعلومات (OT/IT) لديها بأنه أساسي أو غير موجود.

هذا هو الجدار الذي تصطدم به مشاريع الذكاء الاصطناعي. يمكنك بناء أكثر نماذج الصيانة التنبؤية تطوّرًا في العالم، لكن إذا لم تتمكّن من نقل بيانات نظيفة ومرتبطة بسياقها من طبقة التحكّم إلى النموذج دون تعطيل شبكة إنتاج تعمل على مدار الساعة طوال أيام الأسبوع، فلن يرى النموذج مرحلة الإنتاج أبدًا.

أما البنية التي تعتمدها المصانع الاستشرافية فهي مساحة أسماء موحّدة (Unified Namespace) مبنيّة على OPC UA لتوفير السياق على مستوى الآلة، و MQTT مع Sparkplug B (الذي اعتُمد كمعيار ISO/IEC في عام 2023) لنقل بيانات المؤسسة. وهي تستبدل بشبكة التكامل المتشابكة من نقطة إلى نقطة بنيةَ نشر واشتراك يقوم فيها كل مصدر بيانات — من مستشعر اهتزاز على محور تفريز CNC إلى أمر إنتاج في نظام ERP — بالنشر إلى مساحة أسماء دلالية واحدة.

وتُبلغ المنشآت التي تطبّق ذلك عن انخفاض بنسبة 60 إلى 80% في وقت نشر الذكاء الاصطناعي، لأن البنية التحتية للبيانات تُحلّ مرة واحدة، لا يُعاد تصميمها لكل حالة استخدام. ونهجنا هو تصميم هذه البنى لمصانع قائمة (brownfield)، بالعمل مع أي مزيج من معدات Siemens أو Rockwell أو Mitsubishi أو المعدات القديمة الموجودة بالفعل في المنشأة.

الصيانة التنبؤية بعيدًا عن المبالغات

ظلّ تحليل الاهتزاز للمعدات الدوّارة تخصّصًا ناضجًا منذ تسعينيات القرن الماضي — فشركات مثل Emerson (CSI) وSKF وFluke تبيع أجهزة وبرمجيات مراقبة الحالة منذ عقود. وحين يخبرك أحد المورّدين بأنه ابتكر صيانة تنبؤية مدعومة بالذكاء الاصطناعي، فإنه عادةً ما يعني أنه أضاف طبقة تعلّم آلي فوق تدفّق واحد لمراقبة الحالة، غالبًا الاهتزاز، وأطلق عليها اسم التنبؤية.

أما الفرصة الحقيقية، والسبب الذي يجعل الجدوى الاقتصادية مقنعة، فهي دمج تدفّقات متعددة لمراقبة الحالة مع سياق الإنتاج: الاهتزاز إضافةً إلى التصوير الحراري إضافةً إلى تحليل بصمة تيار المحرّك إضافةً إلى الانبعاث الصوتي، مرتبطةً بما كانت الآلة تنتجه فعليًا في ذلك الوقت، تنتج تقديرات للعمر التشغيلي المتبقّي يعجز التحليل أحادي التدفّق عن بلوغها.

استطلعت ABB آراء 3,200 من قادة صيانة المصانع ووجدت أن ثلثي الشركات تتعرّض لتوقّف غير مخطَّط له مرة واحدة شهريًا على الأقل، بمتوسط تكلفة قدره 125,000 دولار في الساعة. وعلى مستوى قطاع التصنيع، يُقدَّر أن التوقّف غير المخطَّط له يكلّف 50 مليار دولار سنويًا. أما المصانع التي تطبّق الصيانة التنبؤية متعددة التدفّقات بشكل جيّد فتُبلغ عن:

• انخفاض بنسبة 25 إلى 40% في تكاليف الصيانة؛
• انخفاض بنسبة 50% في حوادث التوقّف غير المخطَّط له؛
• عائد استثمار يتحقّق عادةً في غضون 12 إلى 18 شهرًا.

يُحدَّد نطاق المشروع لبناء خط دمج المستشعرات، وطبقة الاستدلال الطرفي (المفصَّلة في بحثنا حول زمن استجابة الذكاء الاصطناعي الطرفي الأصيل في التصنيع)، والتكامل مع نظام إدارة الصيانة المحوسب (CMMS) لديك — سواء كان SAP PM أو Maximo أو Fiix — بحيث يرى فريق الصيانة أوامر عمل قابلة للتنفيذ، لا مخرجات نموذج خام.

فحص الجودة الذي يصمد في ظروف الإنتاج

الفحص البصري بالذكاء الاصطناعي ناجح. فعمليات النشر الموثَّقة تُظهر معدلات لاكتشاف العيوب أفضل بنسبة 90% من الفحص اليدوي، بدقة تتراوح بين 95 و99% بسرعات لا يستطيع المفتّشون البشريون مجاراتها. المشكلة أن تلك الأرقام مأخوذة من مجموعات تحقّق جُمعت في ظروف إضاءة محكومة، مع اتجاه ثابت للأجزاء، وعلى عدسات نظيفة.

وبعد ستة أسابيع من الإنتاج — بعد أن تكون الإضاءة قد تغيّرت مع الفصول، والعُدد قد تآكلت، ودفعات المواد قد تبدّلت، وتراكمت الجُسيمات الناتجة عن الجلخ أو اللحام على عدسة الكاميرا — تتدهور الدقة بصمت. فالنظام لا يُطلق رسالة خطأ؛ بل يبدأ فقط بتمرير أجزاء معيبة أو رفض أجزاء سليمة. وإذا رفض عددًا كبيرًا جدًا من الأجزاء السليمة، فإن مشرف الخط يتجاوزه. وإذا مرّر أجزاءً معيبة، فإنك تكتشف ذلك من مرتجعات العملاء. وكلا الأمرين أسوأ من عدم امتلاك النظام أصلًا، لأنك تتحمّل تكلفة النشر إضافةً إلى شعور زائف بالتغطية.

ونهجنا هو تصميم أنظمة فحص تأخذ في الحسبان انحراف الإنتاج:

• مراقبة بيئية تُطلق إعادة المعايرة عندما تتغيّر ظروف الإضاءة أو التلوّث بما يتجاوز الحدود المسموح بها؛
• خطوط بيانات تجمع الحالات الحدّية وتصنّفها تلقائيًا من أجل تحديثات النموذج؛
• كشف التدهور الذي ينبّه مهندسي الجودة قبل أن تنخفض الدقة دون حدّ التحكّم.

نموذج الفحص هو الجزء السهل. أما النشر المتين المهيّأ للإنتاج فهو حيث تكمن الهندسة الحقيقية — راجع العرض التوضيحي العملي لفحص التصنيع بالذكاء الاصطناعي الطرفي.

فجوة التوأم الرقمي

64% من مشاريع التوأم الرقمي لا تتجاوز أبدًا المرحلة التجريبية، والسبب الجذري يكون دائمًا تقريبًا هو البيانات، وليس تقنية المحاكاة. فبناء محاكاة قائمة على الفيزياء لخط إنتاج أمر مباشر إذا كانت لديك نماذج CAD ومعامِلات العملية. أما إبقاؤها متزامنة مع الواقع فيتطلّب تدفّقات بيانات حيّة من كل مستشعر ومشغِّل ووحدة تحكّم ذات صلة، مرتبطةً بسياق جداول الإنتاج ودفعات المواد وسجل الصيانة.

معظم المصانع لا تمتلك ذلك الخط. فبيانات مؤرِّخاتها ناقصة، ومُوسَمة على نحو غير متّسق، ومخزَّنة بصيغ تحتاج إلى عمليات ETL مخصّصة قبل أن تُغذّي أي شيء مفيد. وقد عرضت Siemens أداة Digital Twin Composer على NVIDIA Omniverse في معرض Hannover Messe 2026، وبمشاركة PepsiCo كشريك إطلاق. محرّكات المحاكاة حقيقية؛ لكن الفجوة تكمن في البنية التحتية للبيانات التي تغذّيها. ونهجنا يبدأ من أساس البيانات، لا من طبقة المحاكاة.

الأمن السيبراني عند التقاء أنظمة التشغيل (OT) بالذكاء الاصطناعي

ربط شبكات التحكّم في المصنع بأنظمة الذكاء الاصطناعي يفتح سطح هجوم لا تملك معظم فرق تقنية المعلومات في التصنيع العُدّة للدفاع عنه. فقد ازداد عدد الجهات المهدِّدة التي تستهدف قطاع التصنيع بنسبة 71% بين عام 2024 وأوائل عام 2025، ويبلغ متوسط الوقت اللازم لتحديد اختراق في التصنيع واحتوائه 272 يومًا، وهو أعلى بكثير من المتوسط عبر القطاعات.

التحدّي هو أن الأمن السيبراني لأنظمة التشغيل (OT) والأمن السيبراني لتقنية المعلومات (IT) تخصّصان مختلفان. IEC 62443 يحدّد بنية أمان المناطق والقنوات للأتمتة الصناعية، وقد نشرت NIST الملف التعريفي للتصنيع ضمن إطار الأمن السيبراني 2.0 (IR 8183 Rev 2) في عام 2025. لكن معظم عمليات نشر الذكاء الاصطناعي تُحدث ثغرات في حدود شبكة أنظمة التشغيل (OT) لإخراج البيانات، فتنشئ تحديدًا ذلك النوع من مسارات الحركة الجانبية غير المحكومة التي صُمّمت هذه الأطر لمنعها. ونهجنا هو تصميم بنى بيانات للذكاء الاصطناعي تحترم تجزئة شبكة أنظمة التشغيل (OT) — باستخدام الحوسبة الطرفية وصمّامات البيانات أحادية الاتجاه عند الحاجة — بحيث يحصل الذكاء الاصطناعي على بياناته دون تحويل شبكة التحكّم إلى ناقل هجوم.

التحوّل التنظيمي: الآلات المزوَّدة بالذكاء الاصطناعي

إن لائحة الآلات الأوروبية 2023/1230 تحلّ محلّ توجيه الآلات 2006/42/EC اعتبارًا من 20 يناير 2027، دون أي فترة انتقالية. ولأول مرة، تغطّي اللائحة صراحةً وظائف السلامة القائمة على الذكاء الاصطناعي في الآلات. ويجب على الشركات المصنّعة:

• توثيق ممارسات حوكمة البيانات، وإصدارات بيانات التدريب، ومواصفات تصميم النظام لأغراض التتبّع؛
• تقديم شرح مفصَّل لعمليات اتخاذ القرار في الذكاء الاصطناعي.

إذا كنت تبيع آلات مزوَّدة بوظائف سلامة قائمة على الذكاء الاصطناعي في سوق الاتحاد الأوروبي، فيجب أن يكون برنامج الامتثال لديك قيد التشغيل الآن، لا قبل ستة أشهر من الموعد النهائي. ونهجنا يساعد الشركات المصنّعة على ربط آلاتها المزوَّدة بالذكاء الاصطناعي بالمتطلبات الجديدة، وإعداد مستندات التوثيق، وتجهيز الملفات التقنية التي ستراجعها هيئات تقييم المطابقة.

التوسّع إلى ما بعد الخط التجريبي

أكبر هدر في الذكاء الاصطناعي التصنيعي ليس مشروعًا تجريبيًا فاشلًا — بل مشروع تجريبي ناجح لا يتوسّع أبدًا. فقد أثبت المصنع المفهوم على الخط 3، وبدت المؤشرات جيدة، ثم لم يحدث شيء لأن لا أحد خطّط لأعمال التكامل، أو خط إعادة التدريب، أو البنية التحتية اللازمة لدعم 12 خطًا بدلًا من خط واحد. وتفيد Deloitte بأن تبنّي الذكاء الاصطناعي الوكيلي في التصنيع سوف يتضاعف أربع مرات من 6% إلى 24% في عام 2026. فالطلب موجود؛ لكن فجوة التنفيذ تكمن في التوسّع، لا في التجربة.

ننظّم مشاريعنا حول النشر الإنتاجي منذ اليوم الأول: فالخط التجريبي قالب، وبنية البيانات تدعم التوسّع متعدد الخطوط، وخط إعادة التدريب مؤتمت، وتكامل أنظمة MES/ERP قابل للمعامَلة (parameterized). ولأن هذه البنية التحتية تُصمَّم مرة واحدة ويُعاد استخدامها، فإن التوسّع من خط واحد إلى اثني عشر خطًا يُقصد به أن يكون تغييرًا في الإعدادات يُقاس بالأسابيع، لا مشروعًا آخر يستغرق ثمانية عشر شهرًا.

لماذا لا تختار شركة التكامل الكبرى أو مورّد المنصّة؟

يبني مورّدو المنصّات مثل Siemens وRockwell وPTC بنية أتمتة ممتازة، لكن قدراتهم في الذكاء الاصطناعي مصمَّمة لإبقائك داخل منظومتهم. فالمصنع المعتمد بكثافة على Siemens يحصل على ذكاء اصطناعي من Siemens؛ ومصنع Rockwell يحصل على ذكاء اصطناعي من Rockwell. وإذا كان مصنعك يشغّل أتمتة مختلطة — وهو حال معظم المصانع — فلا حافز لدى أي من المورّدين لبناء طبقة تكامل عابرة للمنصّات، كما أن تبديل مورّدي الأتمتة قد يكلّف أكثر من بناء منشأة جديدة.

تتقاضى شركات الاستشارات الكبرى من 300 إلى 500 دولار في الساعة، وتنفّذ هذه المشاريع لمدة تتراوح بين 6 و18 شهرًا، وتوفّر الكوادر من فِرق عامة. وهي تدير البرامج جيدًا، لكن مَن يكتبون بيان العمل (SOW) نادرًا ما يصحّحون أعطال اتصال وحدات PLC أو يصمّمون عمليات نشر طرفية تصمد أمام التداخل الكهرومغناطيسي (EMI) لخلية اللحام (راجع ورقتنا البيضاء حول الذكاء الاصطناعي الطرفي الأصيل للتصنيع). ونموذجنا هو العمل بحياد تجاه المورّدين، والبناء المخصّص لمزيج معدات كل مصنع وبنية بياناته، والاستعانة بمهندسين يمتلكون خبرة في أرضية المصنع — فريق أصغر ومركَّز، دون تقييد بمنصّة.