NVIDIA ja LG loovad AI-põhiseid plaane: targad tehased

Kujutage ette tehast, mis õpib. Kiirelt. See ei järgi lihtsalt kontrollnimekirja, vaid põhjendab, kohaneb ja ümberseadistab end vastavalt osade saabumisele, masinate vananemisele ja klientide tellimuste muutumisele. See on lubadus, mis peitub NVIDIA ja LG uue koostöö taga: AI-esmatähtsusega tehaste ja andmekeskuste võrgustik, mis on mõeldud robootika, autonoomsete süsteemide ja pilve GPU teenuste kiirendamiseks.

Tehing ühendab NVIDIA sügava tugevuse simulatsioonis, GPU-arvutusvõimes ja robootikatarkvaras LG aastakümnete pikkuse tootmisalase oskuse ja tarbijaturu ulatusega. Paberil näib see lihtsa sobitusena. Tegelikult on tegemist pingutusega ümber defineerida, kuidas tooteid kujundatakse, testitakse ja tarnitakse, alates nutiseadmetest kuni kodurobotite ja liikumisplatvormideni.

Pingutuse keskmes on kolm praktilist sammu. Esiteks: ehitada kõrgjõudlusega arvutikeskused, mis annavad LG meeskondadele võime treenida suuri tehisintellekti mudeleid ja käivitada füüsikaliselt täpseid simulatsioone. Teiseks: kasutada neid simulatsioone kõrgekvaliteediliste sünteetiliste andmekogumite loomiseks, nii et robotid saaksid õppida ilma reaalseid seadmeid rikkumata. Ja kolmandaks: integreerida digitaalsed kaksikud ja automatiseerimine tootmisliinidesse, et insenerid saaksid katsetada muudatusi virtuaalselt enne riistvaraga kokkupuudet.

LG prototüüpib kontseptsiooni juba majapidamisrobotitega nagu CLoiD. Need masinad muutuvad targemaks mitte ainult reaalse maailma kogemuste kogumise kaudu, vaid ka miljonite virtuaalkatsete läbiviimisega tööriistadega nagu Isaac Sim ja Isaac Lab. Simulatsioon kokkusurutab aega. See toob päevavalgele äärejuhtumid, mida füüsilises maailmas ehk kunagi ei näeks. Nii õpib robot käsitsema maha kukkunud klaasi või kinni jäänud kardinat ilma kahjustusteta.

Selliste simulatsioonide jaoks on kriitilised mudelid nagu NVIDIA Isaac GR00T ja laiem NVIDIA Cosmos tööriistakomplekt. Need ei ole turundusnimed; need on mootori tüüpi süsteemid, mis õpetavad roboteid tajuma ja planeerima viisil, mis on inimese mõtlemisele lähedasem. Kui kombineerida simuleeritud sensorandmed realistliku füüsika ja maastikuga, muutub treeningandmestik märgatavalt väärtuslikumaks kui ainult kaameratega salvestatud materjal.

LG CNS, LG IT- ja süsteemiosakond, ehitab tarkvarapinu, mis teeb selle võimekuse kättesaadavaks tehasepõrandatel ja logistikaahelates. Idee on langetada barjääri nii, et ettevõtted saaksid juurutada tehisintellektiga juhitavaid roboteid ilma, et nad peaksid saama masinõppe spetsialistideks. See tähendab modulaarseid platvorme ja liideseid, mis on häälestatud pigem operatsioonimeeskondade kui teaduslaborite vajadustele.

Plaani veel üks kiht on digitaalsete kaksikute kasutamine kogu tehase mastaabis. Kujutage ette virtuaalset topelt, mis peegeldab tervet tootmisliini: konveiereid, roboteid, inimtööpunkte ja keskkonnatingimusi. Insenerid saavad iteratsiooni teha täiuslikus koopias. Katkesta see. Paranda. Rulli uuendus pärismaailma alles siis, kui mudel osutub vastupidavaks. See vähendab seisakuid ja kallist katse-eksituse meetodit töökojas.

Siis on veel füüsiline infrastruktuur. NVIDIA ja LG kavatsevad ehitada andmekeskusi ja tootmishooneid, mis vastavad NVIDIA DSX standarditele, kihistades uusimaid GPU-sid tõhusatesse klastritesse, mis tuginevad arenenud vedelikkjahutusele. Suur arvutusintensiivsus energiateadliku disainiga. See kombinatsioon loeb: suurte mudelite treenimine nõuab energiat ning miljoneid simuleeritud stsenaariume jooksutav töö vajab stabiilset termilist juhtimist, et riistvara usaldusväärsena püsiks.

Miks see tehasesest kaugemale oluline on? Sest samad töövood, mis õpetavad tolmuimejarobotit navigeerima segatud elutoas, õpetavad autonoomset sõidukit liikluses ühinema või logistikarobotit valima habrast kaupa. Simulatsioonist pärinevad sünteetilised andmestikud aitavad ületada andmevähesusest tingitud lõhet, mis sageli robootikaprojektide arengut aeglustab. Parema treeningandmestikuga lüheneb juurutuse tsükkel ja võimekus hüppab edasi.

Ilmnevad riskid. Liigne sõltuvus simuleeritud käitumisest võib mööda vaadata reaalse maailma eripäradest. Riistvara, tarkvara ja tarneahelate integratsioon on keeruline. Siiski vähendab LG tootmismastaabi ja NVIDIA simulatsiooni ning GPU-virna paaristamine paljusid neid hõõrdumisi. Partnerlus ei püüa ainult tehnoloogiaid piloteerida, vaid muuta terveid ärisegmente AI-lähteliseks.

Mida tasub edaspidi jälgida? Oodata võib NVIDIA robootikaplatvormi sügavamat integreerimist LG toodetesse, kesksemaid GPU-farme tööstuskoormustele kohandatuna ning piloottehaseid, mis demonstreerivad täielikult automatiseeritud tarneahelaid — alates hankest kuni tarnimiseni — mida juhib reaalajas andmed ja pidev simulatsioon. Tulemuseks võivad olla tehased, mis mõtlevad kiiresti, ja tooted, mis õpivad enne liinilt lahkumist.

Serverite vaiksest sumisemisest ja robotikäte õrnast vurrumisest võib varsti saada tootmise helimaastik, mis jõuab digiajastule järele.