Anthropic و UST همکاری کردند؛ Claude برای تست تراشه و فرایند کارخانه استفاده می‌شود

Anthropic در ۹ ژوئیهٔ ۲۰۲۶ اعلام کرد با UST همکاری می‌کند تا Claude را وارد محیط‌هایی کند که در آن‌ها تراشه، خودرو، تجهیزات مخابراتی و دستگاه‌های متصل طراحی و آزمایش می‌شوند. UST یک شرکت خدمات مهندسی و فناوری است و می‌گوید Claude را در محیط‌های مهندسی خود به کار می‌گیرد و ۲۰ هزار مهندس، معمار و مشاور خود را در سراسر جهان برای کار با آن آموزش می‌دهد.

این خبر از جنس «یک چت‌بات دیگر برای کارخانه» نیست. در تولید صنعتی، خطای کوچک در مرحلهٔ طراحی ممکن است بعداً هزینهٔ یک دورهٔ کامل تولید یا فراخوان محصول را ایجاد کند. ایدهٔ UST این است که Claude در زنجیرهٔ اعتبارسنجی، کنار ابزارهای مهندسی و دادهٔ تجهیزات قرار بگیرد تا ایرادها زودتر دیده شوند؛ تصمیم نهایی و تأیید خروجی همچنان با مهندس بماند.

طبق توضیح UST، Claude Code می‌تواند شماتیک‌ها و pinout تراشه را بخواند، تست‌های لازم را پیشنهاد دهد، اسکریپت‌های رگرسیون را بنویسد و آن‌ها را اجرا کند. تست رگرسیون بررسی می‌کند یک تغییر در طراحی، بخش دیگری از سیستم را خراب نکرده باشد. این کار در بسیاری از تیم‌ها هنوز شامل نوشتن دستی اسکریپت، اجرای چندباره، خواندن نتیجه و اصلاح مرحله‌ای است؛ بنابراین نگه‌داشتن زمینهٔ طراحی در یک فرایند طولانی می‌تواند ارزش عملی داشته باشد.

پلتفرم iDEC شرکت UST برای اعتبارسنجی سخت‌افزار و سیلیکون استفاده می‌شود. UST ادعا می‌کند خط لولهٔ بستهٔ این پلتفرم، با مقایسهٔ دادهٔ تجهیزات واقعی و مدل نرم‌افزاری دوقلوی دیجیتال، زمان چرخهٔ اعتبارسنجی را ۵۰ تا ۷۰ درصد کاهش داده و برخی زمان‌های چهارروزه را به ۴۸ ساعت رسانده است. این عدد ادعای خود شرکت است و باید با شرایط آزمایش و پروژهٔ واقعی سنجیده شود؛ اما مسیر کاربرد را روشن می‌کند.

UST می‌گوید Claude را در پلتفرم‌های دیگری هم وارد می‌کند. در سلامت، قرار است داده‌های پراکندهٔ بیمه و مراقبت به قدم‌های روشن‌تر برای تیم درمان تبدیل شوند، اما پیشنهادها پیش از رسیدن به عضو یا بیمار نیازمند تأیید انسان هستند. در مخابرات، Claude می‌تواند به تیم عملیات شبکه در تشخیص هشدارها، پیش‌بینی خرابی و کوتاه‌کردن زمان قطعی کمک کند؛ باز هم اجرای فرایند به تأیید اپراتور وابسته است.

در بانکداری نیز موضوع اصلی جایگزینی کامل سامانه‌های قدیمی نیست. بانک‌ها معمولاً روی سیستم‌های هسته‌ای قدیمی کار می‌کنند و هر تغییر بزرگ می‌تواند ماه‌ها زمان ببرد. UST می‌گوید Claude در FinX برای رسیدگی به پرونده‌ها، بازیابی دانش، کمک به عملیات و پشتیبانی تصمیم استفاده خواهد شد. این مدل استفاده مهم است: عامل AI باید در دل فرایند تعریف‌شده قرار بگیرد، نه اینکه بدون مجوز به همهٔ داده‌ها و اقدام‌ها دسترسی داشته باشد.

تراشه، شبکه، بانک و سلامت حوزه‌هایی هستند که یک پاسخ اشتباه در آن‌ها فقط یک خطای متنی نیست. ممکن است تولید متوقف شود، خدمات قطع شود یا تصمیمی روی زندگی و دارایی انسان اثر بگذارد. به همین دلیل UST روی محیط کنترل‌شده، ثبت رویداد، دوقلوی دیجیتال و تأیید انسان تأکید می‌کند. این کنترل‌ها سرعت AI را نفی نمی‌کنند؛ مسیر اقدام آن را قابل‌بررسی می‌کنند.

خبر Anthropic و UST نشان می‌دهد مرحلهٔ بعدی هوش مصنوعی صنعتی، اتصال مدل به واقعیت فیزیکی است؛ اما ارزش واقعی از مدل تنها نمی‌آید. دادهٔ درست، ابزار مناسب، مسئول مشخص، امکان توقف و مسیر بازگشت لازم‌اند. منبع رسمی: Anthropic، “UST is bringing Claude to physical AI”، ۹ ژوئیهٔ ۲۰۲۶ — https://www.anthropic.com/news/ust-claude

اعتبارسنجی تراشه یا کار کارخانه شبیه درخواست یک متن خوش‌خوان از چت‌بات نیست. تیم مهندسی با مشخصات، نسخه‌ها، میز آزمون، اندازه‌گیری، دستورالعمل ایمنی و زنجیره‌ای بلند از وابستگی‌ها سروکار دارد. سامانهٔ مفید باید در همین زنجیره جا بگیرد: بداند کدام منبع معتبر است، نشان دهد پیشنهادش بر چه شواهدی تکیه دارد، مرز شبیه‌سازی و سیستم زنده را رعایت کند و اثری باقی بگذارد که مهندس بتواند بررسی کند. بخش جذاب خبر سرعت است؛ بخش حیاتی این است که آیا سرعت بدون پنهان‌کردن خطر، تکرارپذیر است یا نه.

دوقلوی دیجیتال تفاوت را خوب نشان می‌دهد. دوقلو می‌تواند مدل یک دستگاه یا طرح را با دادهٔ ورودی مقایسه و تفاوتی را که ارزش بررسی دارد پررنگ کند. اما هر تفاوتی عیب نیست و نباید خودکار تنظیمات تولید را تغییر دهد. نویز حسگر، دادهٔ قدیمی، مدل ناقص از سیستم فیزیکی یا تغییر شرایط کار می‌تواند سیگنال قانع‌کننده اما غلط بسازد. هوش مصنوعی می‌تواند الگو را پیدا کند و تست آماده کند؛ تصمیم دربارهٔ معنای شواهد همچنان با مهندس است.

بهترین کاربرد نزدیک‌مدت معمولاً محدود و قابل‌اندازه‌گیری است: تبدیل مشخصات به پیش‌نویس تست رگرسیون، پیدا کردن حالت آزمایش جاافتاده، خلاصه‌سازی لاگ اجرای ناموفق، مقایسهٔ تغییر طراحی با مسئله‌های گذشته یا کمک به اپراتور برای یافتن دستورالعمل درست. هر مورد باید خط پایه، نقطهٔ بازبینی و تعریف روشن آسیب داشته باشد. این روش فرایند را بهتر می‌کند بی‌آن‌که وانمود کنیم مدل زبانی مالک کارخانه یا طراحی تراشه شده است.

اول منشأ داده را مشخص کنید. سامانه کدام شماتیک، پین‌آوت، گزارش تست و سیگنال تجهیز را می‌بیند؟ چه کسی به‌روز بودن آن‌ها را تأیید می‌کند؟ آیا مادهٔ حساس طراحی از محیط مشتری خارج می‌شود و پس از پایان کار چه چیزی نگه داشته می‌شود؟ هوش مصنوعی صنعتی فقط به اندازهٔ مرز دادهٔ اطرافش قابل‌اعتماد است. پاسخ سریع بر اساس نسخهٔ قدیمی، گاهی از نبود پاسخ خطرناک‌تر است.

دوم، تحویل به انسان را پیش از رخداد طراحی کنید. مشخص کنید کدام پیشنهاد می‌تواند خودکار پذیرفته شود، کدام به مهندس دوم نیاز دارد، کدام باید از ایمنی عبور کند و کدام هرگز نباید به سامانهٔ کنترل زنده برسد. خروجی مدل، ابزارهای استفاده‌شده و شواهدی را که بازبین دیده ثبت کنید. این تشریفات بی‌دلیل نیست؛ تنها راه فهمیدن این است که سود بهره‌وری واقعی بوده یا نه و در زمان خطا چگونه باید تصمیم را توضیح داد.

در پایان، نتیجه‌ای را اندازه بگیرید که برای عملیات اهمیت دارد: زمان پیدا کردن عیب، نرخ هشدار کاذب، دوباره‌کاریِ جلوگیری‌شده، پوشش تست، زمان مهندس و رخداد ایمنی. ادعای سریع‌شدن چرخه باید در تعداد کافی کار بررسی شود تا روشن شود کیفیت فقط به مرحلهٔ بعدی منتقل نشده است. همکاری UST و Anthropic مهم است چون AI را به حلقهٔ مهندسی واقعی نزدیک می‌کند. اعتبارش از نتیجهٔ قابل ممیزی، مرزهای عاقلانه و انسانِ دارای حق مداخله می‌آید، نه صرفاً از نام یک مدل پیشرو.