NVIDIA Alpamayo: تدريب نماذج السيارات ذاتية القيادة في حلقة مغلقة

في مايو 2026، تحدثت NVIDIA في مدونة المطورين الخاصة بها (Developer Blog) عن مشروع Alpamayo، وهو نهج لتدريب نماذج السيارات ذاتية القيادة في حلقة مغلقة (closed-loop training). وتتناول التدوينة كيف تعالج الشركة الفجوة بين التدريب والنشر الفعلي لنماذج الرؤية واللغة والفعل (vision-language-action، أو VLA)، وهي أنظمة تجمع بين الرؤية وفهم اللغة الطبيعية وتوليد أوامر التحكم للمركبات ذاتية القيادة.

الفجوة بين التدريب والتشغيل

كما تشير NVIDIA، يتطلب تطوير سياسات سلوك المركبات ذاتية القيادة (AV policies) تجاوز فجوة مهمة بين طريقة تدريب النموذج وطريقة عمله لاحقًا في ظروف الطريق الحقيقية. وهذه هي المشكلة الكلاسيكية المعروفة باسم distribution shift: فالنموذج المدرَّب على مجموعة ثابتة من الرحلات المسجلة يواجه في العالم الحقيقي مواقف لم ترد في بيانات التدريب. ومن دون آلية تغذية راجعة، لا يستطيع تصحيح سلوكه بالاعتماد على أخطائه هو.

صُممت نماذج VLA، أي vision-language-action، لتجمع ثلاثة مكونات في نظام واحد: إدراك المشهد عبر الكاميرات وأجهزة الاستشعار الأخرى (vision)، وفهم السياق والتعليمات بلغة طبيعية (language)، وتوليد أوامر تحكم محددة للمركبة (action). وقد شهدت هذه الفئة من النماذج تطورًا نشطًا في السنوات الأخيرة، لا في الروبوتات فحسب بل في النقل ذاتي القيادة أيضًا، لأنها تتيح لبنية واحدة أن «ترى» الموقف المروري و«تستدل» عليه وتتصرف حياله.

ما الذي يوفره التدريب في حلقة مغلقة؟

الفكرة المحورية في Alpamayo، بحسب اسم المشروع وسياق التدوينة، هي الانتقال من حلقة التدريب المفتوحة الكلاسيكية (التدريب دون اتصال offline على بيانات مسجلة ودون تغذية راجعة) إلى الحلقة المغلقة (closed-loop)، حيث يتعلم النموذج مع مراعاة عواقب قراراته، بدلًا من الاكتفاء بتكرار الأنماط الموجودة في مجموعة بيانات ثابتة. ويحاكي هذا النهج بصورة أدق سلوك النظام عند نشره فعليًا، لأن أخطاء النموذج تؤثر في الحالة اللاحقة للمحاكاة تمامًا كما كانت ستؤثر في الموقف المروري الحقيقي.

ما هو معروف عن المشروع:

• المطوِّر: NVIDIA
• اسم المشروع: Alpamayo
• النشر: مدونة NVIDIA Developer Blog، مايو 2026
• فئة النماذج: vision-language-action (VLA) للسيارات ذاتية القيادة
• الهدف المعلن: تقليص الفجوة بين التدريب والنشر الفعلي

وعمليًا، يعتمد الانتقال إلى التدريب في حلقة مغلقة عادةً على محاكاة واسعة النطاق. فبدلًا من انتظار مواقف الطريق الحقيقية، تعيد الشركة إنتاجها في بيئة افتراضية، حيث يستطيع النموذج «قيادة» السيناريو المعقد نفسه آلاف المرات بتنويعات مختلفة، ويتلقى تغذية راجعة عن عواقب كل قرار. ويفيد هذا النهج بوجه خاص في المواقف النادرة لكنها حرجة، مثل مناورات الطوارئ، والسلوك عند التقاطعات غير النمطية، والتعامل مع مشاة لا يمكن التنبؤ بتصرفاتهم. فهذه المواقف إما شديدة الخطورة وإما نادرة جدًا بحيث لا يصح الاعتماد فيها على تسجيلات الرحلات الواقعية وحدها.

لماذا يهم ذلك صناعة النقل ذاتي القيادة؟

تُعد الفجوة بين التدريب والتشغيل من أبرز أسباب بقاء السيارات ذاتية القيادة لسنوات في خانة «شبه جاهزة»، مع استمرار الحاجة إلى توسيع مناطق التشغيل بحذر وعلى مراحل. وأي تقدم في سد هذه الفجوة ينعكس مباشرة على سرعة توسع الشركات في النطاق الجغرافي والظروف التي تعمل فيها أنظمتها دون تدخل بشري.

بالنسبة لمطوري أنظمة القيادة الذاتية، لا تكمن أهمية أدوات مثل Alpamayo في ذاتها، بل في كونها جزءًا من بنية NVIDIA التحتية الأوسع لقطاع السيارات. فالشركة تورّد منذ سنوات الرقائق والمحاكيات والمنصات البرمجية للنقل ذاتي القيادة في آن واحد، ويندرج التدريب في حلقة مغلقة منطقيًا ضمن هذه المنظومة، بوصفه وسيلة لرفع جودة النماذج قبل أن تخرج السيارة إلى الطريق الحقيقي.

تتوجه تدوينة NVIDIA Developer Blog في المقام الأول إلى المهندسين والباحثين الذين يعملون بالفعل على منصات الشركة للنقل ذاتي القيادة. فهي ليست إعلانًا تسويقيًا عن منتج، بل شرح لنهج تقني محدد في التدريب. أما بالنسبة لبقية الصناعة، فتشكّل هذه المواد مرجعًا يُهتدى به: فإذا انتقل أحد أكبر موردي البنية التحتية للقيادة الذاتية إلى التدريب في حلقة مغلقة بوصفه معيارًا، فمن المرجح أن يصبح ذلك ممارسة متوقعة لدى مطورين آخرين لنماذج VLA الخاصة بالنقل.