AI/ML ทำให้การพัฒนารถของ GM ลดเวลาจาก 15 ชั่วโมงเป็น 1 นาที

การพัฒนาแบบดั้งเดิมของยานยนต์ต้องอาศัยกระบวนการทดลองและปรับแต่งหลายรอบจนถึงขั้นที่ใช้งานได้ แม้ว่าเวลาในการทำแบบจำลองหรือทดสอบอาจใช้หลายชั่วโมง แต่จากการนำเทคโนโลยี AI/ML มาประยุกต์ใช้ภายใน General Motors (GM) ทำให้ระยะเวลานั้นลดลงจาก 15 ชั่วโมงเหลือเพียง 1 นาที** ซึ่งเป็นการเปลี่ยนแปลงครั้งสำคัญต่ออุตสาหกรรมยานยนต์

Overview

Sterling Anderson ซึ่งเคยเป็นหัวหน้าผลิตภัณฑ์ของบริษัทสตาร์ทอัพเทคโนโลยีการขับขี่อัตโนมัติ Aurora ได้เข้ารับตำแหน่ง Chief Product Officer ของ GM ตั้งแต่ปี 2024 ก่อนหน้านั้นเขาเคยทำงานที่ Tesla เป็นเวลาหลายปี การเปลี่ยนแปลงหน้าที่ทำให้ Anderson ได้เห็นการพัฒนาเทคโนโลยีของ GM อย่างใกล้ชิดและสามารถบรรยายถึง “ยุคที่สามของการออกแบบและวิศวกรรม” ที่บริษัทกำลังเข้าสู่

ในบทสัมภาษณ์ Anderson กล่าวถึงการเปลี่ยนแปลงของกระบวนการออกแบบจาก “การเลียนแบบธรรมชาติ” ไปสู่การใช้ข้อมูลและอัลกอริทึมเพื่อสร้างสรรค์ผลิตภัณฑ์ใหม่อย่างรวดเร็ว การนำ AI และ ML เข้ามาช่วยในการจำลอง การทดสอบเสมือนจริง และการวิเคราะห์ข้อมูลทำให้ขั้นตอนที่เคยใช้หลายวันหรือหลายชั่วโมง สามารถทำได้ภายในไม่กี่นาที

Historical Context

ตามที่ Anderson อธิบาย ยุคแรกของวิศวกรรมคือการที่มนุษย์มองนกและพยายามทำบ wing ให้เหมือนกัน “คนเรามักเริ่มจากสิ่งที่เห็นหรือเคยรู้จัก แล้วสร้างต้นแบบที่คล้ายคลึงกัน จากนั้นทำการปรับแต่งเล็กน้อยเพื่อให้ทำงานได้ดีขึ้น” กระบวนการนี้เป็นการทดลองและทำซ้ำอย่างต่อเนื่องโดยอาศัยการสังเกตและความเข้าใจที่จำกัด

ต่อมามีการพัฒนาขึ้นเป็นยุคที่สอง ซึ่งเน้นการใช้วิศวกรรมเชิงคณิตศาสตร์และการทดสอบในห้องปฏิบัติการอย่างเป็นระบบ แม้ว่าจะเพิ่มความแม่นยำ แต่กระบวนการยังคงต้องใช้เวลานานและมีค่าใช้จ่ายสูง การเปลี่ยนแปลงครั้งต่อไปคือการใช้ AI/ML เพื่อทำให้การออกแบบและทดสอบเป็นอัตโนมัติและมีประสิทธิภาพมากขึ้น

AI/ML Integration

GM ได้ลงทุนพัฒนาระบบ AI ที่สามารถทำการจำลองการทำงานของส่วนประกอบต่าง ๆ ของรถได้ในระดับละเอียดสูง ระบบเหล่านี้สามารถประมวลผลข้อมูลจากเซ็นเซอร์และแบบจำลองทางฟิสิกส์เพื่อนำมาประเมินผลได้ในเวลาอันสั้น นอกจากนี้ ML ยังช่วยในการคาดการณ์ผลลัพธ์จากการปรับเปลี่ยนพารามิเตอร์ต่าง ๆ โดยไม่จำเป็นต้องสร้างต้นแบบจริง

• ลดเวลาในการทำ simulation จาก 15 ชั่วโมง เหลือ 1 นาที
• การทดสอบอัลกอริทึมควบคุมรถอัตโนมัติทำได้โดยใช้ข้อมูลเสมือนจริง (digital twins)
• ระบบประเมินความเสี่ยงและความน่าเชื่อถือของชิ้นส่วนโดยอัตโนมัติ ลดขั้นตอนตรวจสอบด้วยมนุษย์

การบูรณาการเหล่านี้ทำให้ทีมวิศวกรของ GM สามารถทำการทดลองหลายพันครั้งต่อวัน ซึ่งเป็นระดับที่ไม่เคยเป็นไปได้ในอดีต

Impact on Development Cycle

ด้วยการใช้ AI/ML เวลาในการพัฒนาโมเดลและการทดสอบลดลงอย่างมีนัยสำคัญ ทำให้การปล่อยผลิตภัณฑ์ใหม่เข้าสู่ตลาดเร็วขึ้น การทำ iteration อย่างต่อเนื่องในระยะสั้นช่วยให้ GM สามารถตอบสนองต่อการเปลี่ยนแปลงของตลาดและข้อกำหนดด้านความปลอดภัยได้อย่างรวดเร็ว

ผลลัพธ์ที่เห็นได้ชัดคือการลดต้นทุนการพัฒนาโดยรวม เนื่องจากไม่ต้องสร้างต้นแบบฟิสิคัลหลายครั้ง นอกจากนี้ การใช้ข้อมูลเสมือนจริงยังช่วยให้ทีมวิศวกรสามารถสำรวจแนวคิดใหม่ ๆ ได้โดยไม่ต้องเสียเวลาและทรัพยากรในการทำทดลองจริง

Industry Implications

การที่ GM สามารถเร่งกระบวนการพัฒนาได้จากหลายชั่วโมงเหลือเพียงไม่กี่นาที ส่งสัญญาณให้ผู้ผลิตยานยนต์รายอื่นต้องเร่งนำเทคโนโลยี AI/ML มาประยุกต์ใช้เพื่อรักษาความได้เปรียบเชิงแข่งขัน การเปลี่ยนแปลงนี้อาจเร่งการพัฒนารถไฟฟ้าและระบบขับขี่อัตโนมัติทั่วทั้งอุตสาหกรรม

ในระดับกว้าง การใช้ digital twins และการจำลองเสมือนจริงอาจกลายเป็นมาตรฐานใหม่ของกระบวนการออกแบบและทดสอบ ซึ่งจะกระตุ้นให้มหาวิทยาลัยและศูนย์วิจัยมุ่งเน้นการพัฒนาทักษะด้าน AI และ Data Science ให้กับบุคลากรในอุตสาหกรรมยานยนต์

Analysis

จากมุมมองของสำนักข่าว การเปลี่ยนแปลงของ GM แสดงให้เห็นว่าการผสานเทคโนโลยี AI/ML เข้ากับกระบวนการวิศวกรรมไม่ได้เป็นเพียงแนวคิดเชิงทฤษฎี แต่เป็นการปฏิบัติที่ให้ผลลัพธ์จริงที่สามารถวัดได้ในเชิงเวลาและต้นทุน การลดระยะเวลาการทำ simulation จาก 15 ชั่วโมงเป็น 1 นาที เป็นตัวชี้วัดที่ชัดเจนของประสิทธิภาพที่เพิ่มขึ้น

อย่างไรก็ตาม ความสำเร็จดังกล่าวยังขึ้นอยู่กับความพร้อมของข้อมูลและความแม่นยำของโมเดล AI ซึ่งต้องอาศัยการตรวจสอบและปรับปรุงอย่างต่อเนื่อง การพึ่งพา AI อย่างเต็มที่อาจทำให้เกิดความเสี่ยงด้านความปลอดภัยหากโมเดลทำงานผิดพลาด ดังนั้น GM จำเป็นต้องรักษากระบวนการตรวจสอบโดยมนุษย์ควบคู่ไปกับระบบอัตโนมัติ

Summary

การนำ AI/ML มาช่วยเร่งการพัฒนาของ General Motors ทำให้ระยะเวลาการทำจำลองลดลงจาก 15 ชั่วโมงเป็น 1 นาที ส่งผลให้กระบวนการออกแบบเร็วขึ้นและต้นทุนลดลง การเปลี่ยนแปลงนี้อาจเป็นจุดเริ่มต้นของยุคใหม่ของวิศวกรรมยานยนต์ที่อาศัยข้อมูลและอัลกอริทึมเป็นศูนย์กลาง.