Czy sztuczna inteligencja potrafi zaprogramować sterownik PLC?
To pytanie, które jeszcze kilka miesięcy temu brzmiało jak eksperyment.
Dziś - to rzeczywistość. Porównałem dla Was dwa modele AI:
ChatGPT (OpenAI) oraz DeepSeek (R1) w prawdziwej bitwie o to,
który z nich szybciej i lepiej poradzi sobie z napisaniem kodu PLC w środowisku CODESYS,
dla rzeczywistej sceny z Factory I/O.
Scena testowa - trzy siłowniki w akcji
Na potrzeby eksperymentu zbudowałem wirtualną linię produkcyjną w Factory I/O:
- trzy siłowniki pneumatyczne,
- przenośnik główny i boczny,
- skrzynka sterownicza z przyciskami Start, Stop, oraz Step+,
- przełącznik trybu Auto/Manual.
Celem było stworzenie sekwencyjnego programu sterowania:
1️⃣ Start - uruchamia linię,
2️⃣ Siłowniki wysuwają się po kolei,
3️⃣ Po zakończeniu cyklu system powraca do stanu początkowego,
4️⃣ W trybie manualnym możliwe jest przechodzenie krok po kroku.
Cel eksperymentu - AI jako programista PLC
Zadanie postawione przed oboma modelami AI było proste:
👉 „Zaprogramuj sekwencję trzech siłowników w języku Structured Text (ST),
z uwzględnieniem trybu automatycznego i manualnego, komunikacji Modbus TCP oraz sygnałów start/stop.”
Do tego przygotowałem prompt (opis zadania) - czyli dokładną instrukcję, co ma zrobić AI.
To kluczowy element pracy z modelami - od jakości promptu zależy efekt końcowy.
Każdy model dostał jedną próbę - bez poprawek i bez dodatkowych wyjaśnień.
Przygotowanie środowiska testowego
- Po lewej stronie: ChatGPT (model o1) - najbardziej wydajny model od OpenAI.
- Po prawej stronie: DeepSeek (R1) - nowy model z silnym silnikiem logicznym i wsparciem dla „Deep Thinking”.
W obu przypadkach uruchomiłem modele z tym samym opisem zadania i wgrałem ich wyniki do środowiska CODESYS.
Dodatkowo przygotowałem wirtualną scenę w Factory I/O, połączoną z CODESYS przez Modbus TCP w konfiguracji Master/Slave.
Krok po kroku - przebieg testu
1. Generowanie kodu
ChatGPT wygenerował kod w ok. 1,5 minuty,
DeepSeek potrzebował ok. 2 minut i 15 sekund.
Już na tym etapie było widać różnicę - ChatGPT działał szybciej, ale DeepSeek tworzył dłuższy i bardziej rozbudowany kod.
2. Implementacja i deklaracja zmiennych
Każdy wygenerowany program wkleiłem do CODESYS,
uzupełniając zmienne globalne i lokalne (wejścia, wyjścia, flagi logiczne, komunikacja Modbus).
Dzięki temu oba kody mogły działać w identycznych warunkach symulacyjnych.
3. Testy w Factory I/O - tryb automatyczny
Po uruchomieniu programu ChatGPT:
- naciśnięcie przycisku Start uruchomiło sekwencję,
- siłowniki wysuwały się kolejno: 1 → 2 → 3,
- po zakończeniu cyklu system zatrzymywał się poprawnie.
Program zadziałał bezbłędnie.
AI poprawnie zrozumiała logikę sekwencji i wygenerowała stabilny kod w ST.
4. Testy w trybie manualnym
Po przełączeniu przełącznika Auto → Manual,
przycisk Step+ pozwalał przechodzić do kolejnych kroków sekwencji.
Wszystkie siłowniki reagowały zgodnie z założeniami:
- wysuw → cofnięcie → przejście do następnego etapu.
Tryb manualny działał w 100%, a zatrzymanie STOP natychmiast resetowało sekwencję.
⚔️ Bitwa modeli - ChatGPT vs DeepSeek
| Kryterium | ChatGPT | DeepSeek |
| ⏱️ Czas generacji | ~1,5 minuty | ~2 minuty 15 sekund |
| 💬 Liczba linii kodu | 136 | 92 |
| 🧩 Komentarze | Bardzo szczegółowe | Minimalne |
| 🧠 Czytelność kodu | Dobra, ale bardziej rozbudowana | Bardzo przejrzysta dzięki enumeracjom |
| ⚙️ Czas cyklu programu | 0,33 μs | 0,34 μs (lepszy całkowity wynik) |
W praktyce:
ChatGPT wygenerował kod szybciej i bardziej opisowy,
ale DeepSeek napisał czystszy, bardziej profesjonalny kod z enumeracjami dla kroków sekwencji - co jest zgodne ze standardem PackML.
Najważniejsze wnioski z testu
- AI potrafi generować w pełni działający kod PLC - łącznie z obsługą sekwencji, timerów i logiki krokowej.
- Prompt to klucz - im lepiej opiszesz zadanie, tym dokładniejszy kod otrzymasz.
- ChatGPT i DeepSeek różnią się stylem programowania - GPT jest bardziej opisowy, DeepSeek bardziej inżynierski.
- AI nie zastąpi automatyka, ale może przyspieszyć projektowanie o 60 - 80%.
- Kontrola kodu należy do Ciebie - zawsze testuj, sprawdzaj i optymalizuj generowane programy.
Chcesz wiedzieć więcej?
Sprawdź pełne szkolenie programowania PLC z wykorzystaniem AI.
