Влияние облачных сервисов ИИ на управление мехатронной системой в реальном времени
Мехатронный императив в реальном времени
Прежде чем исследовать влияние облаков, важно определить, что делает мехатронную систему действительно реальной. Система реального времени не просто быстрая; она детерминистская. Корректность зависит как от логического результата, так и от времени, в которое этот результат доставлен. Пропуск крайнего срока в операции точного фрезерования может разрушить заготовку; в совместном роботе это может поставить под угрозу оператора человека. Контуры управления в реальном времени в мехатронике обычно работают в жесткие или твердые сроки, начиная от субмиллисекундных циклов тока двигателя до десятков миллисекунд для планирования траектории. Традиционная архитектура помещает датчики, исполнительные механизмы и логику управления в плотную проводную петлю с минимальным джиттером. Введение облачного слоя над потенциально неустойчивым интернет-соединением растягивает эту модель, требуя фундаментального переосмысления того, где и когда выполняется интеллект.
Встроенные системы исторически полагались на выделенные микроконтроллеры и FPGA для соблюдения этих сроков. Детерминированное поведение PID-контроллера, работающего на голометаллическом MCU, хорошо понятно. По мере того, как искусственный интеллект вошел в картину, потребность в тяжелых матричных операциях и выводе нейронной сети вскоре превысила емкость этих ограниченных устройств. Это напряжение вызвало миграцию когнитивных задач в облако, но только после тщательного разделения обязанностей.
Как облачный ИИ увеличивает архитектуру управления
Облачные услуги ИИ предлагают инфраструктуру и возможности платформы, когда-то доступные только организациям с массивными локальными центрами обработки данных. Такие сервисы, как Amazon SageMaker, Google Cloud AI и Microsoft Azure AI, предоставляют предварительно обученные модели, управляемые конвейеры машинного обучения и эластичный вывод. Применительно к мехатронике эти сервисы открывают три основных сдвига: управление жизненным циклом модели, обучение флоту и отделение стратегического от тактического интеллекта. Вместо встраивания статической модели на робота во время ввода в эксплуатацию инженеры могут непрерывно переобучать модели восприятия на последних данных краевого регистра, загруженных с поля, затем подталкивать обновленные веса на устройства во время окон обслуживания. Обучение флоту означает, что робот на одном заводе извлекает выгоду из опыта сотен подобных единиц по всему миру, сжимая время до компетентности для обнаружения аномалий или адаптивного планирования движения. Облако становится мозговым стволом для планирования высокого уровня, в то время как бортовой контроллер остается рефлексивным спинным мозгом.
Модель управления жизненным циклом на практике
Совместная роботизированная рука, запрограммированная на сортировку переработанных отходов, должна идентифицировать сотни нерегулярных объектов. Первоначально модель видения обучается на ограниченном корпусе. После развертывания рука сталкивается с новыми форматами упаковки, вариациями освещения и даже окклюдированными предметами. Вместо ожидания обновления программного обеспечения от OEM-производителя локальный краевой узел записывает анонимные вставки каждого нового объекта и проверяемую человеком этикетку. Эти образцы каждую ночь попадают в облако, а непрерывный учебный конвейер тонко настраивает классификатор. В течение нескольких дней модель достигает более 95% точности на ранее невидимых объектах. Эта петля обратной связи закрывает разрыв между производительностью лаборатории и надежностью в реальном мире.
Широкополосная оптимизация
Изучение флота выходит за рамки отдельных моделей. Рассмотрим сеть автономных мобильных роботов в складском кластере. Один робот обнаруживает ярлык через узкий проход, который сокращает время в пути на 8%. Облако агрегирует его модификацию пути, проверяет ограничения безопасности на всех известных планах этажей и распространяет улучшенный маршрут на весь флот. Та же концепция применяется к использованию энергии: эффективный профиль ускорения одного робота становится стандартным для единиц без явного программирования. Этот коллективный интеллект является одним из самых мощных аргументов для интеграции облаков, поскольку он превращает каждую машину в узел данных в самосовершенствование сети.
Стратегическое разделение: планирование против реакции
Практический пример проясняет эту разъединенность. Рассмотрим автономный вилочный погрузчик, перемещающийся по шумному распределительному центру. Реактивная петля управления - предотвращение препятствий, регулирование скорости, немедленная коррекция траектории - работает на локальном промышленном ПК или встроенной системе со скоростью 100 Гц или быстрее, непосредственно взаимодействуя с лидарными и моторными приводами. Одновременно облачный глобальный планировщик проглатывает живую карту объекта, координирует с другими вилками через службу управления парком и пересчитывает оптимальные маршруты, чтобы избежать перегрузки. Эта глобальная траектория передается обратно в вилочный погрузчик каждые несколько секунд. Бортовая система следует путевым точкам, но сохраняет полномочия тормозить или поворачивать локально. Здесь облачный ИИ обеспечивает контекст, который не может генерировать ни одна машина, в то время как критически важные петли остаются граничными. Это подразделение уважает как непосредственность управления в реальном времени, так и аналитическую глубину облачного ИИ.
Основные преимущества облачной интегрированной мехатроники
Помимо архитектурной элегантности, организации используют облачный ИИ для измеримых бизнес-и технических результатов. Эти преимущества охватывают несколько измерений, от необработанной вычислительной мощности до совершенно новых операционных возможностей.
- Практически безграничная вычислительная эластичность:] Обучение глубоких нейронных сетей для обнаружения визуальных дефектов может потребовать сотни GPU-часов. Облачные платформы распределяют эти ресурсы по требованию, сокращая циклы разработки и позволяя небольшим командам конкурировать с промышленными гигантами. Выводы для сложных задач, таких как анализ гиперспектральных изображений высокого разрешения, могут быть выгружены в облачные экземпляры с аппаратными ускорителями, непрактичными для встраивания на каждую машину. Это устраняет капитальные затраты на обеспечение пиковой нагрузки.
- Непрерывная эволюция модели без физического вмешательства:] В традиционных встроенных системах обновление классификатора дефектов означало отправку технического специалиста с ноутбуком или создание пользовательского обновления прошивки. Облачные машины могут загружать усовершенствованные контрольные точки модели, как только они проверяются на наличие неисправного набора. Модели улучшаются постепенно, адаптируясь к дрейфу в сырье, условиях освещения или дизайне продукта без остановки производственных линий. Процесс обновления может быть организован в географических регионах во время запланированных простоев.
- Федерированное и широкофракционное обучение:] Вместо централизации исходных данных датчиков — часто кошмара пропускной способности и конфиденциальности — системы могут обучать локальные градиенты моделей на периферийных устройствах и отправлять только анонимные обновления в облако. Агрегированная глобальная модель становится богаче, обучаясь за тысячи рабочих часов. Этот метод, широко изученный в роботизированных манипуляциях и автономном вождении, сохраняет суверенитет данных при ускорении коллективного интеллекта. Ранняя работа Google по федеративному обучению продемонстрировала сокращение времени переподготовки моделей на мобильных устройствах на 10-30%, и аналогичные достижения применяются к промышленным флотам.
- Дистанционная диагностика и прогнозное обслуживание: Облачный ИИ анализирует потоки телеметрии по всему флоту машин с ЧПУ или роботизированных клеток. Распознавание шаблонов идентифицирует тонкую вибрационную подпись неисправного подшипника за несколько недель до этого, вызывая запрос на техническое обслуживание. Это превращает реактивное техническое обслуживание в запланированное событие, максимизируя время безотказной работы. Прогностические модели выигрывают от масштабирования: режим отказа, наблюдаемый в одном блоке, становится предметом списка наблюдения для всех. Облачное обнаружение аномалий также может коррелировать с факторами окружающей среды, такими как колебания температуры или всплески влажности, с машинным напряжением, обеспечивая контекст, который пропускают местные системы.
- Усовершенствованные человеко-машинные интерфейсы:] Услуги обработки естественного языка в облаке позволяют работать с голосовыми ячейками. Техник может устно запросить статус машины или запросить диагностический отчет, не касаясь экрана. Облачная аналитика зрения может интерпретировать человеческие жесты или нарушения зоны безопасности, добавляя слой совместной осведомленности, который будет напрягать локальные процессоры. Эти интерфейсы снижают когнитивную нагрузку на операторов и ускоряют обучение новых сотрудников.
- Эффективное масштабирование: Стартапы и мелкие производители могут получить доступ к современной инфраструктуре ИИ без предварительных инвестиций. Модель с оплатой за вывод позволяет тестировать новые возможности с минимальным риском. По мере увеличения производства облачные ресурсы масштабируются соответственно, избегая чрезмерного или недостаточного размера, общего с локальными кластерами.
Решение основных проблем: задержка, безопасность, надежность
Повествование об интеграции облаков неполно без непоколебимого взгляда на препятствия. Мехатронное управление в реальном времени неумолимо шевелит руками о хвостах задержки, нарушениях безопасности или перебоях в работе сети. Инженеры должны проектировать для худшего сценария, а не только оптимистичного среднего.
Задержка, джиттер и физика расстояния
Скорость света в волокне составляет примерно 2×108 м/с. Поездка туда-обратно с завода в Чикаго в регион AWS в Вирджинии и обратно добавляет около 10 мс задержки распространения, плюс очередь и обработка. Для робота, выполняющего высокоскоростной выбор и место, 10 мс может означать 5 мм ошибки движения. Решение состоит в том, чтобы не игнорировать задержку движения в облаке, а явно моделировать и связывать ее. Реальный узел времени выполняет локальное управление в сжатые сроки, в то время как облачные взаимодействия преднамеренно структурированы как некритические консультативные пути. Если обновленный путь приходит поздно, машина изящно ухудшается - возможно, замедляется или переключается на консервативное предварительно спланированное резервное копирование. Эта концепция «мягкого реального времени» для облачной связи имеет важное значение. Стандартные протоколы, такие как DDS (Data Distribution Service) теперь предлагают расширения облачной маршрутизации с явными контрактами на крайние сроки. Для требований к сверхнизкой задержке инициативы, такие как OPC UA над TSN (Time-Sensitive Networking)
Положение безопасности в сетевых системах
Открытие контроллера машины для интернет-трафика является преднамеренным риском. Безопасность должна быть построена на каждом уровне. Использование взаимных TLS (mTLS) для аутентификации, предоставление уникальных сертификатов устройств и развертывание модели сетей с нулевым доверием являются базовыми практиками. Облачные сервисы никогда не должны напрямую командовать критически важными для безопасности исполнительными механизмами; Заблокированный аппаратным обеспечением краевой контроллер должен арбитражировать все команды движения, независимо от происхождения. Модель Purdue для сегментации промышленной системы управления остается актуальной: демилитаризованные зоны (DMZ) со строгими диодами данных или шлюзами гарантирует, что даже скомпрометированная облачная учетная запись не может вызвать небезопасное состояние. Регулярное тестирование проникновения интерфейса облачных вычислений и соблюдение рамок, таких как IEC 62443, становятся необоротными. Конфиденциальность данных процесса, особенно в регулируемых отраслях, требует сквозного шифрования и минимизации данных - загрузка только анонимизированных векторов функций, а не сырых каналов камеры, когда это возможно. Национальный институт стандартов и технологий (NIST) обеспечивает всеобъемлющ
Надежность при деградации сети
Сотовая связь в промышленной среде редко бывает идеальной. Сотовые мертвые зоны, перегруженный Wi-Fi во время смены или несвоевременное обслуживание провайдера могут прерывать доступ к облаку. Системы должны быть спроектированы для автономной работы в течение нескольких часов или дней без какой-либо облачной связи. Бортовой ИИ должен быть способен работать автономно в течение нескольких часов или дней без какой-либо облачной связи. При возобновлении подключения устройство синхронизирует свой лог-буфер и облако согласовывает состояние. Этот шаблон возможной согласованности отражает, как распределенные базы данных обрабатывают события раздела. Хорошо спроектированная мехатронная система рассматривает облачный ИИ как премиальное топливо: она улучшает производительность и эффективность, когда она доступна. Инженеры также должны внедрять схемы выключателей и локальные машины состояния, которые обеспечивают соблюдение ограничений времени ожидания для облачных зависимых операций. Например, роботизированный сварщик, который опирается на облачное отслеживание шва, должен вернуться к предварительно наученной траектории, если не происходит обновление руководства в течение 50 мс, а не замораживание или притаивание непредсказуемо.
Новые возможности: 5G, Edge AI и цифровые близнецы
Несколько технологических векторов смягчают компромиссы между облачным интеллектом и локальным детерминизмом. Эти средства активно внедряются на пилотных линиях и производственных объектах, формируя следующее поколение мехатроники в реальном времени.
Ультранизкая задержка 5G и частные сети
Публичные 5G и частные (локальные) 5G сети обещают задержки воздушного интерфейса в пределах 1 мс и детерминистическое планирование. Завод, развертывающий частную небольшую ячейку 5G, может достичь синхронизации времени на распределенных устройствах с использованием таких функций, как скоординированная многоточечная (CoMP) и сверхнадежная связь с низкой задержкой (URLLC). Это резко меняет уравнение облачного края: критический по времени синтез датчиков, который когда-то требовал толстой задней плоскости, теперь может быть беспроводным образом агрегирован в мощный вычислительный кластер на месте, который, в свою очередь, поддерживает высокоскоростной мост к гипермасштабным облачным узлам ИИ для долгосрочной аналитики. Этот шаблон позволяет мобильным платформам, таким как AGV, свободно перемещаться, оставаясь тесно связанным с скоординированной плоскостью управления. Выпуск 18 3GPP с поддержкой чувствительных ко времени сетей, что делает 5G жизнеспособной заменой проводных полевых шишек во многих сценариях. Пилотные установки в автомобильной сборке продемонстрировали, что замена профибусной связи частным сегментом 5G не ухудш
Edge AI и Hardware-in-the-Loop ограничения
Линия между краем и облаком размыта. Специализированные системы на модулях, такие как NVIDIA Jetson Orin или Google Coral TPU, запускают сложные трансформаторы зрения и глубокое усиление обучающих агентов полностью на краю. Облако затем повышает свою роль до оркестратора, специалиста по обучению и цифрового симулятора-близнеца. Высокоэффективный шаблон заключается в том, чтобы обучить большую модель учителя в облаке с доступом к обширным наборам данных, а затем перегонять ее в компактную модель студента, которая вписывается в тепловой и запоминающий бюджет краевого устройства. Крайний ИИ достигает детерминированного вывода, в то время как только нереальные задачи, такие как обновления политики или переподготовка аномалий, касаются облака. Это значительно снижает пропускную способность и зависимость от надежности от линии WAN. Инициатива NIST Edge Computing Standards предоставляет рекомендации для этих гибридных архитектур, подчеркивая, что периферийные устройства должны быть способны работать бесконечно только с периодической синхронизацией.
Облачные цифровые близнецы как модельный план
Прежде чем любой план движения, созданный ИИ, достигнет физического робота, он может быть проверен внутри цифрового двойника, размещенного в облаке, который точно отражает кинематические и динамические свойства робота и его среды. Поток запланированных совместных траекторий близнецу, который работает параллельно с реальной ячейкой, питаемой теми же данными датчика, позволяет проверять безопасность и производительность со скоростью субцикла. Если близнец обнаруживает потенциальное столкновение или нарушение ограничения рывка, команда блокируется. Это создает мощный когнитивный слой безопасности, где облако действует как часовой механизм, а не основной актер. Технология используется автопроизводителями для ввода в эксплуатацию новых линий в белом корпусе виртуально, с тем же самым управляющим кодом, который будет работать на полу, сокращая время наращивания, позволяя автономное программирование и валидацию. Siemens и Bosch интегрировали цифровые двойные симуляции с облачным ИИ для прогнозирования моделей износа на инструменте, регулируя каналы и скорости до повреждения.
Промышленные применения на практике
Вышеуказанные концепции не являются гипотетическими. Реальные реализации обеспечивают план для балансирования когнитивной силы облака с детерминизмом на местах.
Автономные мобильные роботы в логистике
Флот из 200 AMR в центре выполнения электронной коммерции площадью 1 миллион квадратных футов использует бортовые алгоритмы SLAM для немедленной локализации и предотвращения препятствий. Однако механизм планирования пути флота работает как централизованный оптимизатор облачных вычислений, который учитывает срочность заказов, тепловые карты трафика и уровни батареи. Алгоритм оптимизации, вариант стохастического восхождения с живыми ограничениями, обновляет задания задач и приоритеты зоны каждые 2 секунды. Если связь падает, AMR по умолчанию реактивному протоколу предотвращения столкновений и продолжает обслуживать свою текущую зону до переназначения. Этот гибридный подход уменьшил тупиковые поездки на 18% и устранил события голодания на станциях, согласно внутреннему исследованию логистического провайдера. Облако также позволяет балансировать нагрузку между зданиями: когда один объект перегружен, простаивающие роботы могут быть перенаправлены на дочерний склад, просто обновив программное обеспечение управления флотом.
Прогнозное качество в обрабатывающей промышленности с ЧПУ
Производитель аэрокосмических компонентов модернизировал устаревшие 5-осевые мельницы с датчиками вибрации, тока и акустического излучения. Необработанные данные временного ряда предварительно обрабатываются на краевом шлюзе с использованием сверточного автокодера для извлечения признаков, резко сокращая объем данных. Шлюз отправляет только сжатые векторы признаков в облачный трубопровод, работающий по повторяющейся нейронной сети, которая прогнозирует износ инструмента и поверхностное завершение в почти реальном времени. Когда модель прогнозирует состояние непереносимости инструмента в течение следующих 5 минут, он отправляет предупреждение на приборную панель оператора и автоматически настраивает скорость подачи. Система полагается на постоянное облачное соединение для вывода модели, но локальная безопасность машины PLC гарантирует, что только консервативное, проверенное переопределение системы принимается. Если облако становится недоступным, машина возвращается к предварительно проверенной кривой износа инструмента и продолжает сокращаться, хотя и без адаптивной оптимизации. Эта архитектура снизила скорость утилизации на 12% и продлила срок службы инструмента в среднем на 22%.
Медицинские роботы с удаленной процедурной помощью
Телехирургические роботы — крайний случай. Мастер-консоль в одном городе управляет раб-роботом в другом, с тактильной обратной связью. Контрольная петля между мастером и рабом является чисто локальной (или над выделенным дальнемагистральным волокном с гарантированным QoS) и никогда не проходит через публичное облако. Однако параллельный облачный ИИ обеспечивает внутриоперационную поддержку принятия решений: анализ в реальном времени хирургического полевого видео для выделения полей ткани, обнаружения границ сосудов или прогнозирования риска кровотечения. Этот совет ИИ накладывается как визуальные сигналы на консоли, но хирург остается полностью под контролем. Разделение чистое: тактильная и цикл движения детерминированы и сегрегированы; канал понимания ИИ асинхронен, усиливается, никогда не заменяется. Эта модель расширяется в диагностические процедуры, такие как колоноскопия, где облачный ИИ идентифицирует полипы из эндоскопического потока, в то время как врач контролирует область локально.
Лучшие практики для облачной мехатроники
Принятие облачного ИИ в мехатронике в реальном времени требует дисциплинированного инженерного подхода. Следующие рекомендации помогают командам избежать наиболее распространенных подводных камней.
- Создать явные контракты в реальном времени: Документировать максимально допустимую задержку и джиттер для каждого потока данных. Классифицировать каждый поток как жесткий в реальном времени, мягкий в реальном времени или с наилучшими усилиями. Облачные взаимодействия никогда не должны классифицироваться как жесткий в реальном времени, если ссылка не является физически выделенным, синхронизированным по времени сегментом сети. Используйте такие инструменты, как гистограммы задержки и наихудший случай анализа времени исполнения (WCET) для проверки контрактов.
- Дизайн для благодатной деградации: Каждая машина должна иметь четко определенное безопасное состояние и режим с ограниченной способностью при отключении. Испытайте этот режим так же строго, как и полнофункциональный режим, включая сценарии, где отключение длится часами. Моделируйте сетевые разделы, физически тяну кабели во время квалификационных заездов.
- Embrace Defense in Depth for Security: Предполагают, что облачная сторона будет нарушена. Используйте безопасные элементы для идентификации устройства, односторонние диоды данных для телеметрии датчиков, где это возможно, и проверяйте все команды, которые пересекаются от облака до края, по разрешению. Контроллер безопасности края должен иметь окончательную власть над любым физическим действием. Внедряйте аппаратные сторожевые псы, которые обеспечивают тайм-аут на коммутаторах режима, зависящего от облака.
- Переработка и квантирование модели: Обучайтесь в облаке, но развертывайте вывод на краю для чувствительных ко времени задач. Используйте такие методы, как TensorRT или ONNX Runtime, чтобы оптимизировать модели до полной возможности краю аппаратного обеспечения. Запасной облачный вывод для стратегического, толерантного к задержкам анализа.
- Монитор и одержимость задержкой хвоста:] Среднее время вызова API является вводящей в заблуждение метрической. Отслеживайте задержку 99,9 процентиля при различных сетевых условиях. Высокое время ожидания хвоста напрямую переводится в воспринимаемый джиттер в циклах планирования движения. Используйте канарейки и схемы-выключатели, чтобы один медленный облачный путь не задерживал весь трубопровод. Установите бюджетные тревоги задержки, которые вызывают команду инженеров.
- Внедрить синхронизацию сжатого времени: Используйте IEEE 1588 Precision Time Protocol или gPTP по краям и облачным доменам для корреляции событий. Без общего времени проблемы с задержкой, вызывающие корневые задержки, становятся невозможными. В распределенных системах временная метка каждого события в источнике с захваченным аппаратным обеспечением значением часов.
- План дополнительных обновлений: Облачные системы позволяют быстро итерировать, но не нарушать изменения. Версия интерфейса модели ИИ и прошивки управления. Сначала выкатывают обновления для одной ячейки, затем постепенно для флота, отслеживая регрессию в пропускной способности или инциденты безопасности.
Будущее: 6G, Swarm Intelligence и архитектура типового пространства
Траектория направлена на все более автономные системы, которые легко обмениваются контекстом. Исследования в распределенном машинном обучении намекают на будущее, где целые рои мехатронных устройств будут вести переговоры о задачах одноранговых, используя рыночные алгоритмы, размещенные в облаке, которые работают на высокочастотных аукционах. Физические ограничения задержки скорости света останутся, но топология плотного края микрооблака - в сочетании с прогнозной предпосылкой результатов вывода - может эффективно маскировать это. С исследованиями 6G, направленными на еще более тесную интеграцию зондирования и связи (ISAC), робот может сочетать радиолокационную визуализацию с символами связи в одной и той же форме волны, одновременно подавая обе цели. Эта тесная связь может привести к детерминизму на уровне бита в беспроводной широкополосной связи, еще больше размывая функциональный разрыв между бортовым и облачным интеллектом.
По мере того, как теоретики управления и облачные архитекторы сходятся, словарь систем управления - наблюдатели, оценка состояния, управляемость - все чаще будет применяться к сетевому циклу, который включает в себя облачные процессы. Инициатива OPC Foundation по гармонизации информационных моделей от края к облаку является шагом к этой конвергенции. Цель - открытая, взаимодействующая экосистема, где граница между локальным и удаленным интеллектом определяется безопасностью и производительностью, а не произвольными аппаратными ограничениями. Кроме того, парадигмы безсерверных вычислений, такие как AWS Lambda на краю, предлагают выполнение на основе событий, которое согласуется со спорадическими аналитическими задачами, не требуя постоянного подключения к облаку. Эти бессерверные функции могут обрабатывать всплески телеметрии, панели обновлений или предупреждения о запуске, все в модели оплаты за выполнение, которая снижает накладные расходы на инфраструктуру.
Еще одним перспективным направлением является использование обучения с подкреплением на облачном уровне для оптимизации координации мультироботов. Общая сеть критиков, обученная на совокупном опыте всех машин, учится назначать веса различным политикам управления. Этот подход был продемонстрирован в моделировании плотных автономных парков мобильных роботов, что дает 15% улучшение пропускной способности по сравнению с настроенной вручную эвристикой. По мере созревания поля мы можем ожидать увидеть сертифицированные защитные оболочки для таких контроллеров на основе обучения, подкрепленные формальными инструментами проверки, которые работают в облаке до развертывания политики.
Стратегическое увеличение, а не замена
Влияние облачного ИИ на управление мехатронной системой в реальном времени — это не простая история замены, а стратегическое увеличение. Загружая недетерминированные, вычислительные и флотонометрические задачи для эластичных облачных сервисов, мы освобождаем встроенных контроллеров для выполнения того, что они делают лучше всего: выполняют жесткие петли в реальном времени с непоколебимой надежностью. Полученная архитектура — федерация краевых рефлексов и облачного познания — дает системы, которые одновременно умнее, более обслуживаемы и более адаптируемы, чем их чисто локальные предшественники. Осознание этого видения требует строгой инженерии для устойчивости к задержкам, безопасности и автономного резервирования. Те организации, которые осваивают этот баланс, построят следующее поколение машин: не изолированные автоматы, но подключенные, развивающиеся члены бесшовной промышленной структуры интеллекта.