Дайджест22 ноября 2026 г.Редакция 105.kz

Пробел в производственных данных тормозит physical AI на заводском участке

Робототехника и physical AI привлекли в 2026 году почти 48 млрд долларов, но на участок они не выйдут без связанных производственных данных. Разбор колонки CTO VulcanForms: что именно мешает и какие шаги пилота имеют смысл для завода.

Промышленные предприятияЦифровые двойники

Пробел в производственных данных тормозит physical AI на заводском участке

Капсула. Главный барьер для physical AI на заводе — не нехватка роботов, а несвязанные данные: параметры процесса живут в АСУ ТП, результаты контроля — в системе качества, знания технолога — в журналах. По опросу Manufacturing Leadership Council 2026 года 37% производителей назвали несовместимость данных препятствием для умного завода. Начинать стоит с одного передела и связки «параметр — контроль — качество», а не с закупки новых датчиков.

Что произошло

The Robot Report 21 ноября 2026 года опубликовал колонку Майкла Кенуорти (Michael Kenworthy), технического директора VulcanForms. Исходная точка: компании в области робототехники и physical AI привлекли в 2026 году почти 48 млрд долларов, однако выход полностью автономных машин на производственный участок не гарантирован. Для обучения роботам нужны данные о реальных производственных условиях, а большинство площадок не приспособлены их отдавать.

Пример из текста — сварка. Чтобы автономная система сама улучшала технику, ей нужно понимать, как угол сварки, скорость перемещения, положение заготовки и другие параметры влияют на готовый результат. Опытные технологи накапливают это понимание годами, но значительная часть знаний не фиксируется в форме, пригодной для обучения. Автор приводит данные опроса Manufacturing Leadership Council (2026 Smart Factories and Digital Production Survey): 37% респондентов назвали нехватку совместимости данных серьёзным препятствием для реализации стратегий умного завода, тогда как в 2025 году таких было 22%. Отдельно цитируется Лиор Сьюзан (Eclipse): «If your physical asset isn’t generating real-time operational data, it’s a dead asset».

Что это значит для предприятий Казахстана

Источник описывает заводской контур в целом, не отраслевую специфику. Для казахстанских предприятий практический вывод скромнее, чем выглядит: речь пока не о автономных роботах, а о базовой прослеживаемости «режим — результат». Разберём по типам производств, где этот пробел виден лучше всего (оценка).

Сварочные и заготовительные участки. Параметры режима обычно есть в контроллере или в паспорте операции, а результат — в протоколе визуально-измерительного контроля и в акте ОТК. Связи между ними в пригодном для анализа виде, как правило, нет. Без неё ни обучение робота, ни офлайн-анализ причин дефекта не опираются на факт.

Термообработка и печи. Автор прямо отмечает асимметрию: системы распознавания изображений в установках металлического аддитивного производства становятся нормой, а downstream-оборудование, например печи термообработки, интегрировать в ту же систему заметно сложнее. Для завода это означает, что «хвост» процесса — самый дорогой по последствиям — чаще всего выпадает из цифровой истории изделия.

Аддитивное производство и опытные участки. Источник перечисляет факторы, влияющие на свойства детали: характеристики порошка или проволоки, температуры обработки, условия среды. Связать эти переменные с результатами контроля — отдельная инженерная задача, и её нельзя закрыть только закупкой датчиков.

Данные и ИТ-ландшафт. На казахстанских предприятиях параметры процесса обычно живут в АСУ ТП и SCADA, результаты контроля — в системе качества или в бумажном журнале, идентификатор партии часто не совпадает между системами. Требования по локализации данных и информационной безопасности национальных компаний означают, что связка строится on-premise, на русском и казахском языках в документации и справочниках, с учётом требований ГОСТ и внутренних стандартов. Унаследованные АСУ ТП без открытых интерфейсов — типовое ограничение, и его нужно учитывать на этапе аудита, а не на этапе внедрения.

Отдельно подчеркнём: применимость physical AI на казахстанских заводах пока гипотеза (оценка). Данных по стране в источнике нет, опрос Manufacturing Leadership Council отражает другую выборку.

Как применить: пилот 8–12 недель

Логика пилота ниже — управленческая, без инженерных рецептов уровня реализации.

  1. Выбрать один передел и один измеримый выход. Не «завод», а конкретная операция с понятным показателем качества: доля дефектов по контролю, разброс параметра, повторяемость. Источник советует начинать с целевого применения, чтобы не перестраивать всю инфраструктуру сразу.
  2. Провести аудит данных. Инвентаризация источников: контроллеры и SCADA, журналы операторов, записи системы качества, протоколы контроля, справочник партий и заготовок. Фиксируются: есть ли единый идентификатор детали, синхронизировано ли время, как часто записи реально просматриваются.
  3. Определить связку и правила приёмки. Зафиксировать, какие параметры процесса должны быть связаны с каким результатом контроля, кто отвечает за корректность записи и по какому критерию пилот считается успешным или провальным.
  4. Собрать минимальную цифровую нить на выбранном участке. По источнику, там, где связи «параметр — качество» нет, полезнее связать уже существующие записи, чем добавлять новые датчики. Подход к описанию физического актива и его истории — на странице Цифровые двойники; отраслевой контекст — Промышленные предприятия.
  5. Задать границы автономности и правила эскалации. До любых автоматических корректировок определяются допустимые пределы изменения параметров, способ проверки результата и условия, при которых требуется инженерное рассмотрение. Система, которая меняет режим, но не оценивает итоговое качество, к самостоятельным решениям не готова — это тезис источника.

Экономический эффект пилота измеряется только по заранее выбранному показателю и на выбранном участке; переносить его на весь завод некорректно (оценка).

Ограничения и риски

Материал в источнике — авторская колонка технического директора вендора, а не независимое исследование. Цифры 37% и 22% взяты из отраслевого опроса, методология выборки в тексте не раскрыта; 48 млрд долларов — объём привлечённых инвестиций, он не подтверждает зрелость технологии. Прямых измерений эффекта от закрытия описанного пробела источник не приводит: утверждение «данные нужны» остаётся аргументом, а не измеренным результатом.

Не доказано и то, что связка параметров процесса с результатами контроля достаточна для автономных корректировок: сам автор ограничивает вывод — без оценки итогового качества система не готова принимать решения. В регулируемых производствах (пример медицинских изделий в источнике) изменения процесса требуют дополнительной валидации; на казахстанских предприятиях аналогичный сдерживающий контур — наряд-допуск, ответственность технолога и внутренние стандарты, а не только техническая готовность (оценка).

Данные, без которых пилот не начать: сквозной идентификатор детали или партии, прослеживаемость по переделам, синхронизация времени между системами, читаемые записи о фактических режимах и результаты контроля в машиночитаемом виде. Если этих элементов нет, первый этап — не модель, а приведение записей в порядок. Гарантировать экономический эффект от внедрения physical AI нельзя ни по одному из описанных в источнике шагов.

Источники

  1. The manufacturing data gap holding back physical AI · 2026-11-21T22:25:35.000Z
    37% of surveyed manufacturers cited a lack of data interoperability as a major roadblock to implementing their smart factory strategies, up from 22% in 2025.
  2. Фото: WireCrafters — Robotic Welding Cell.jpg (CC BY-SA 4.0, Wikimedia Commons)

Материал подготовлен с помощью ИИ на основе источников, указанных выше. Нашли неточность — напишите на info@105.kz.

FAQ

Частые вопросы

Короткие прямые ответы на вопросы, которые нам задают чаще всего.

Нужно ли закупать новые датчики, чтобы готовить завод к physical AI?

Не обязательно и не в первую очередь. Источник прямо указывает: там, где связь между режимом и качеством отсутствует, полезнее связать уже существующие записи о процессе с результатами контроля, чем наращивать объём машинных данных.

Что даёт цифровая нить, если роботов на участке пока нет?

Прослеживаемость «параметр — контроль — качество» нужна и для обычного анализа дефектов, и для обоснованных изменений режимов технологом. Роботизация здесь — следующий шаг, а не условие.

Можно ли разрешить системе менять параметры процесса автоматически?

Только после того, как определены допустимые пределы изменений, способ проверки результата и критерии инженерного рассмотрения. В регулируемых производствах изменения процесса дополнительно требуют валидации.

Насколько применимы выводы источника к казахстанским заводам?

Как отраслевая практика — применимы: проблемы совместимости данных и разрозненных систем универсальны. Количественных данных по Казахстану в источнике нет, поэтому применимость конкретных шагов на вашем предприятии остаётся гипотезой до аудита.

22 ноября 2026 г.Рынок и отрасль

Казахстанские предприятия могут поставлять материалы и технологии для АЭС: что это значит для энергетики и заводов

«Парк ядерных технологий»: отечественные предприятия могут участвовать в поставках для будущей АЭС — от стройматериалов до кабелей с радиационно-сшитой изоляцией. Разбор: какие данные и испытания нужны заводу, чтобы зайти в такой проект.

ЭнергетикаПромышленные предприятия

Читать

22 ноября 2026 г.Рынок и отрасль

Данные как актив и Цифровой кодекс: что заявления о цифровой экономике РК значат для заводов

Депутат Екатерина Смышляева рассказала о Цифровом кодексе, двух введённых суперкомпьютерах и данных как экономическом ресурсе. Разбираем, что из этого — рабочий контекст для промышленных предприятий Казахстана, а что пока только заявленная перспектива.

ЭнергетикаПромышленные предприятия

Читать

22 ноября 2026 г.Релиз технологии

Gemini 4 Neon от Google DeepMind: что облачная модель даёт промышленным предприятиям Казахстана

Google DeepMind представила Gemini 4 Neon — облачную модель общего назначения с контекстом 1 млн токенов и ценой от 0,15 доллара за миллион кэшированных токенов. Разбираем, какие инженерные задачи она закрывает и почему в контур АСУ ТП её не поставить.

НефтегазЭнергетикаУран и ГМКПромышленные предприятия

Читать

Следующий шаг

Обсудить пилотный проект

Расскажите о задаче — вернёмся с планом аудита данных и оценкой эффекта в течение двух рабочих дней.

  1. 1Созвон 30 минут: задача, текущие системы, кто принимает решение
  2. 2Разбор данных и процессов, план этапов с вилкой по срокам и стоимости
  3. 3Прототип за 2–4 недели или пилот 8–12 недель с критериями успеха до старта

Работаем по NDA с первого контакта

Ответ в течение одного рабочего дня