Китайские учёные предложили сделать ИИ-агентов ядром заводской автоматики
В схеме Peng Cheng Laboratory ИИ-агент по текстовому заданию сам пишет и запускает программу управления оборудованием, а механизмы подчиняются этой программе, а не самому ИИ.
Исследователи китайской Peng Cheng Laboratory1 предлагают перестроить заводскую автоматику вокруг ИИ-агентов: агент сам разбирает задание, пишет программу управления, запускает её на оборудовании и переписывает, когда требования меняются.
Почему это важно: сейчас ИИ на производстве — надстройка над прежней системой: он подсказывает инженерам код для контроллеров или ищет брак по камере. Авторы предлагают обратный порядок: в центре агенты, а за инженером остаётся постановка задачи текстом.
Повод: препринт вышел на arXiv 26 октября. На макете сортировочной линии агент без ручного вмешательства прошёл все этапы — от разбора задания до перезапуска программы под новые требования. Замеров времени и ошибок авторы не приводят.
Расклад: заводскими линиями обычно управляет программируемый логический контроллер (ПЛК) — промышленный компьютер, который раз за разом выполняет записанную в него программу. Подбор, монтаж, программирование и наладку ведут инженеры, а новая задача означает перепрограммирование, иногда и замену контроллера.
Как это работает: главный агент системы управления действует вместе с другими агентами, например агентом машинного зрения или агентом промышленного робота:
- Разбирает задание из текста, чертежей или формальных спецификаций и переводит его в единое описание, понятное машине.
- Пишет программу управления под конкретную задачу, сам разворачивает её на вычислителях и переписывает при новых требованиях.
- Проверяет и настраивает логику на цифровом двойнике2 линии до запуска на настоящем оборудовании.
- Для старых линий подбирает обычный ПЛК, составляет инструкцию по монтажу и пишет программу по принятым промышленным стандартам.
Детали: в демонстрации обошлись без настоящего конвейера:
- Мотор конвейера, инфракрасный датчик и руку робота изображали три цветных светодиода, подключённые к одноплатному компьютеру Raspberry Pi 4.
- Агент работал на модели DeepSeek V4, а запускала его среда OpenClaw3 на мини-ПК с процессором Intel i5 и 8 ГБ памяти.
- Задание писали текстом: на каких контактах висят светодиоды, что означает каждый и по какому адресу в сети находится Raspberry Pi.
- Во втором опыте товары были разных типов, и тип товара обозначал цвет одного из светодиодов: камера снимала этот светодиод, а небольшая модель зрения на мини-ПК определяла его цвет.
Интрига: моторами и датчиками ИИ напрямую не управляет. «Вместо того чтобы поручать ИИ прямое управление в реальном времени — затею, полную рисков, — новый подход делает ИИ автономным архитектором управления», — пишут авторы. Механизмы выполняют предсказуемую программу, которую написал агент.
Но: сами авторы перечисляют, что мешает перенести схему на заводы:
- Языковые модели галлюцинируют и ошибаются в долгих и сложных задачах, а на производстве такой сбой может обернуться отказом управления и даже аварией.
- Среды для запуска агентов вроде OpenClaw несут риски для безопасности и приватности.
- Программа управления обязана укладываться в жёсткие сроки отклика и вести себя одинаково при каждом запуске.
- Общей инфраструктуры и стандартов для таких агентов нет, а переносить программу управления с одного оборудования на другое прямо во время работы сложно.
Выход авторы видят в формальной проверке: логику, которую написал агент, можно переводить в математические модели вроде временных автоматов4 и доказывать, что она укладывается в отведённое время и не может прийти в запрещённое состояние.