จากผู้ช่วยตอบคำถามสู่เครื่องมือทำงานจริง
ตัวแทนปัญญาประดิษฐ์สำหรับงานวิศวกรรม คือระบบเฉพาะทางที่รับบริบทของโรงงาน มาตรฐาน หรือใบงาน แล้วช่วยวิเคราะห์ วางแผน และดำเนินงานตามขอบเขตที่กำหนด โดยเปิดให้ผู้เชี่ยวชาญตรวจสอบการตัดสินใจได้
ความสำคัญของ AI agents engineering จึงไม่ได้อยู่ที่การสร้างข้อความให้เร็วขึ้น แต่อยู่ที่การฝังความรู้เฉพาะด้านไว้ในขั้นตอนการทำงาน FabAgent ของ FabuBlox เป็นตัวอย่างชัดเจน โดยช่วยวิศวกรเซมิคอนดักเตอร์ออกแบบ วิเคราะห์ และจำลองกระบวนการผลิตก่อนนำไปใช้ในห้องคลีนรูม การเชื่อมโยงโฟลว์การผลิตกับความสามารถของเครื่องมือ ข้อจำกัดด้านวัสดุ สูตรกระบวนการ และสภาพโรงงาน ทำให้ระบบพิจารณาความเป็นไปได้มากกว่าการเรียงคำสั่งทีละขั้น
วิศวกรอธิบายแนวทางผลิต แล้วใช้ผู้ช่วยสร้างโฟลว์ กำหนดขั้นตอน และสำรวจเครื่องมือกับสูตร ก่อนตรวจทานข้อเสนอของระบบด้วยตนเอง นี่คือ semiconductor process automation ที่มีประโยชน์จริง เพราะช่วยให้ตรวจพบปัญหาการผสานขั้นตอนได้ก่อนลงมือในโรงงาน อย่างไรก็ดี การจำลองจะเชื่อถือได้ก็ต่อเมื่อพารามิเตอร์ตรงกับเครื่องมือและสภาวะจริง จึงยังต้องสอบเทียบและเทียบผลกับการทดลอง
หลักฐานและมาตรฐานคือคอขวดของการผลิต
StandardFlow เปิดตัวแพลตฟอร์ม compliance automation platform สำหรับการผลิตที่มีข้อกำกับ โดยเริ่มจากงานผลิตแบบเติมเนื้อวัสดุ ซึ่งรวมถึงการพิมพ์สามมิติ จุดตั้งต้นของผลิตภัณฑ์ไม่ใช่การเร่งเครื่องพิมพ์ แต่คือปัญหาที่ชิ้นงานซึ่งผลิตได้ยังติดขัดเพราะพิสูจน์ความสอดคล้องไม่ได้ ผู้ผลิตต้องจับคู่เอกสารวิศวกรรมกับมาตรฐาน ข้อกำหนดลูกค้า และกฎระเบียบด้วยมือ
ระบบวิเคราะห์เอกสาร เช่น ใบรับรองวัสดุ รายงานการสร้างชิ้นงาน และบันทึกการตรวจสอบ แล้วชี้ช่องว่าง เอกสารที่ขาด ข้อกำหนดที่ขัดกัน หรือฉบับมาตรฐานที่ล้าสมัย พร้อมระบุแหล่งอ้างอิง ระดับความมั่นใจ และแนวทางแก้ไข จุดแข็งไม่ใช่การประกาศว่าทุกอย่างผ่านโดยอัตโนมัติ แต่คือการรวบรวมหลักฐานให้วิศวกรตรวจได้รวดเร็วขึ้น โดยวิศวกรยังมีอำนาจทบทวนและอนุมัติขั้นสุดท้าย
แนวทางนี้ตอบโจทย์ autonomous manufacturing workflows ได้ตรงจุด เพราะระบบจัดการงานประสานและตรวจเอกสารที่กินเวลา ขณะที่ผู้เชี่ยวชาญยังคุมการตัดสินใจ StandardFlow กำลังหารือกับองค์กรพัฒนามาตรฐานเพื่อเพิ่มเอกสารที่มีลิขสิทธิ์ผ่านข้อตกลงอนุญาตใช้ หากทำได้ดี แพลตฟอร์มอาจช่วยลดระยะห่างระหว่างหลักฐานจากหน้างานกับการรับรองมาตรฐาน โดยไม่ทำให้การอนุมัติกลายเป็นกล่องดำ
เมื่อใบงานใน Jira กลายเป็นจุดเริ่มต้นของการเขียนโค้ด
Factory และ Atlassian เปิดให้เรียกใช้ Droid ซึ่งเป็น AI coding agents จากรายการงานใน Jira ผ่าน Rovo Chat ได้โดยตรง ตัวแทนรับงานจากใบงาน ดำเนินงานวิศวกรรมในสภาพแวดล้อมที่เลือก และเขียนผลกลับไปยังรายการเดิม สำหรับทีมพัฒนา การคงบริบทและผลลัพธ์ไว้ในระบบติดตามงานช่วยลดการย้ายข้อมูลไปมาระหว่างเครื่องมือ และทำให้ใบงานเป็นทั้งจุดวางแผนและจุดติดตามการปฏิบัติงาน
การเชื่อมต่อนี้เริ่มจากคำขอของลูกค้าองค์กรในอุตสาหกรรมที่มีกฎกำกับ ซึ่งกำลังสร้างโรงงานซอฟต์แวร์ภายใต้สภาพแวดล้อมควบคุมเข้มงวด Droid ไม่ผูกกับโมเดลเดียว และติดตั้งได้ทั้งบนระบบประมวลผลที่ Factory จัดการ โครงสร้างพื้นฐานของลูกค้า และสภาพแวดล้อมที่แยกขาดจากเครือข่ายภายนอก นั่นทำให้องค์กรเลือกได้ทั้งตำแหน่งที่ตัวแทนทำงานและโมเดลที่จะใช้
ข้อจำกัดที่ควรรู้คือ Forge Remote Agent ออกแบบมาสำหรับลูกค้า Jira Cloud ที่เปิดใช้ Rovo การเริ่มงานจากใบงานจึงไม่ได้แปลว่าทุกองค์กรจะนำไปใช้ได้ทันที แต่เป็นก้าวที่น่าสนใจจากการใช้ AI ช่วยเขียนโค้ดเป็นครั้งคราว ไปสู่การมอบหมายงานที่มีบริบทและติดตามผลได้ในกระบวนการเดิม
ความเป็นอิสระต้องมาพร้อมบริบทและการตรวจสอบ
ทั้งสามกรณีชี้ไปในทิศทางเดียวกัน คือ AI จะทำงานวิศวกรรมได้ดีเมื่อเข้าใจข้อจำกัดเฉพาะโดเมน ไม่ใช่เพียงรับคำสั่งกว้าง ๆ FabAgent เชื่อมคำแนะนำเข้ากับแบบจำลองโรงงานและโครงสร้างอุปกรณ์ ส่วน StandardFlow ผูกข้อสรุปกับหลักฐานและแหล่งอ้างอิง ขณะที่ Droid นำบริบทจากใบงานไปสู่การลงมือเขียนโค้ด คุณค่าจึงอยู่ที่การเชื่อมข้อมูล การทำงาน และการตรวจสอบเข้าด้วยกัน
รากของ FabuBlox มาจากปัญหาการแบ่งปันองค์ความรู้ที่ผู้ก่อตั้งพบใน MIT แพลตฟอร์มเริ่มสร้างในปี 2023 ผู้ร่วมก่อตั้ง Jan Tiepelt สำเร็จปริญญาเอกวิศวกรรมไฟฟ้าจาก MIT ในเดือนพฤษภาคม 2024 และบริษัทเข้าร่วมโครงการ START.nano ซึ่งประกาศในเดือนมกราคม 2025 บริษัทมองต่อไปถึงตัวแทนเฉพาะด้านลิโทกราฟี การสะสมฟิล์ม และการกัดผิว ที่จะเรียนรู้จากผลจริงและช่วยประสานการทดลองกับการปรับกระบวนการ
ภาพอนาคตนี้มีเหตุผล แต่ไม่ควรสับสนระหว่างการทำงานอัตโนมัติกับการตัดสินใจที่ไม่ต้องมีคนรับผิดชอบ การจำลองต้องอาศัยข้อมูลที่แม่นยำ การรับรองต้องมีผู้ตรวจ และโค้ดที่ตัวแทนสร้างยังต้องอยู่ในกระบวนการควบคุมขององค์กร ข้อสรุปคือ AI agents engineering จะเปลี่ยนงานซับซ้อนได้จริงเมื่อมันทำงานกับบริบทที่ถูกต้อง พร้อมหลักฐานให้ตรวจสอบและขอบเขตอำนาจที่ชัดเจน
