Vivix prueba cambios en un gemelo digital antes de tocar el horno. La IA industrial debe responder a la física

Nadie puede mirar dentro de un horno de vidrio flotado mientras funciona. A unos 1.550 a 1.600 °C, las interacciones entre los gases de combustión, el vidrio fundido y las paredes refractarias que lo contienen son en su mayor parte invisibles, y el horno funciona durante años entre una reparación mayor y la siguiente. Cada ajuste de los quemadores es una apuesta sobre condiciones que los operadores solo pueden medir en parte.

Vivix, un fabricante brasileño de vidrio plano y espejos, está construyendo una forma de hacer esas apuestas primero sobre una copia. En un caso técnico publicado por Snowflake el 21 de octubre, escrito con ingenieros de Vivix, Siemens, Snowflake y NVIDIA, la empresa describe un gemelo digital ejecutable de su horno: simulaciones físicas, datos de sensores en tiempo real y modelos de IA combinados para que los equipos estimen lo que no pueden medir y prueben cambios de operación antes de hacerlos.

Cómo está construido el gemelo

El diseño es un reparto sensato del trabajo entre cuatro tecnologías.

• Física, pero rápida. Modelos multifísicos de alta fidelidad de Siemens Simcenter se convierten, mediante modelado de orden reducido, en ejecutables ligeros que funcionan casi en tiempo real. El Executable Digital Twin Manager de Siemens gestiona su ciclo de vida.
• Sustitutos de IA entrenados con física. NVIDIA PhysicsNeMo entrena modelos que combinan causalidad física con datos de simulación y de operación, y las librerías de NVIDIA Omniverse permiten a los ingenieros revisar los resultados visualmente. Juntos actúan como un “sensor virtual” de la distribución del calor, la velocidad de los gases y el flujo térmico a través de las paredes.
• Datos de operación en un solo lugar. Vivix reúne datos de TI y de tecnología operacional, incluidas las lecturas de los sensores, en un espacio de nombres unificado en Snowflake, de modo que las predicciones conviven con las condiciones observadas y no quedan en una herramienta de simulación aparte.
• Una interfaz conversacional. Una interfaz multiagente de Snowflake permite a los operadores preguntar por velocidades óptimas de aire, ejecutar escenarios hipotéticos y recibir diagnósticos de causa raíz en lenguaje natural, “sin poner en riesgo el activo físico”.

Todo funciona sobre AWS. Vivix se centra primero en tres áreas: el desgaste del refractario, la eficiencia de la combustión y la calidad de la fusión.

1. Sensores en el horno
2. Sustitutos físicos estiman estados ocultos
3. El operador plantea un qué pasaría si
4. El gemelo simula el cambio
5. Un ingeniero decide
6. Cambia la consigna en el horno real

Decide una personaResponden modelos físicos

Las cifras son objetivos, y el caso lo dice

A partir de un piloto, Vivix espera reducir el consumo energético del horno entre un 3% y un 5%, alargar su vida útil un año y acortar un 80% su ciclo de recogida y análisis de datos. Son expectativas de un piloto, no resultados medidos en producción, y el proyecto sigue en desarrollo. También son verosímiles en su naturaleza: una campaña de horno es larga, la energía es su mayor coste de operación y un año más antes de una reparación en frío vale mucho para cualquier vidriera.

Por qué esta es la forma correcta para los agentes industriales

Lo interesante no es que los operadores hablen con un horno. Es quién les responde. Cuando un ingeniero pregunta qué ocurre si la potencia de los quemadores cambia en una zona, la respuesta procede de un sustituto físico contrastado con la simulación y el historial de los sensores, no de la intuición de un modelo de lenguaje sobre lo que suena plausible. El modelo de lenguaje traduce la pregunta y explica el resultado. La predicción la hace la física.

Es el patrón que describimos cuando los socios de NVIDIA llevaron agentes a las fábricas de chips a través de la simulación, y una aplicación directa del principio de que, en el trabajo regulado y de alto impacto, la prueba tiene que venir de fuera del modelo. Un horno no perdona una respuesta equivocada dicha con seguridad.

El resto del sector avanza en la misma dirección. El mismo día, Mistral y NVIDIA anunciaron planes para crear benchmarks públicos y conjuntos de datos abiertos para modelos físicos y para agentes en ingeniería asistida por ordenador, que medirán si los agentes usan bien las herramientas de ingeniería, completan flujos de varios pasos y llegan a resultados técnicamente correctos, además del tiempo de ejecución y el coste. Esos benchmarks son planes, todavía sin resultados publicados. Su objetivo es el adecuado: juzgar a los agentes de ingeniería por si la física se sostiene, no por si la respuesta está bien escrita.

Qué pueden aprender otros fabricantes

1. Empiece por la variable oculta que más cuesta. Vivix eligió el desgaste del refractario y la combustión, donde una mejor estimación cambia el dinero y la vida del activo.
2. Ponga la simulación y los datos de sensores en el mismo lugar gobernado, para que las predicciones del gemelo puedan compararse con lo que la planta midió realmente.
3. Haga del agente una interfaz para los modelos, no un sustituto de ellos. Su trabajo es plantear buenas preguntas al gemelo y explicar las respuestas.
4. Deje el cambio en el activo real en manos de un ingeniero, mediante el proceso de cambios que la planta ya tiene, y registre qué simulación respaldó cada decisión.
5. Valide el gemelo de forma continua. Un sustituto entrenado con las condiciones del año pasado se desvía a medida que el refractario se desgasta; la comparación con los sensores es el control.

Un gemelo digital usado así cumple lo que la IA empresarial promete a menudo y rara vez logra en la industria pesada: permite probar una idea donde equivocarse es barato.