NVIDIA Alpamayo: تدريب نماذج حلقة مغلقة للمركبات ذاتية القيادة

في مايو 2026، نشرت NVIDIA مقالة على مدونة المطورين الخاصة بها حول مشروع Alpamayo — وهو نهج لتدريب نماذج المركبات المستقلة باستخدام التعلم في حلقة مغلقة. تغطي المقالة كيف تتغلب الشركة على الفجوة بين التدريب والنشر في العالم الحقيقي لنماذج الرؤية-اللغة-الإجراء (VLA) — الأنظمة التي تجمع بين الرؤية وفهم اللغة الطبيعية وتوليد الإجراءات للقيادة المستقلة.

الفجوة بين التدريب والنشر

كما تلاحظ NVIDIA، فإن تطوير سياسات السلوك للمركبات المستقلة (سياسات AV) يتطلب преодоление فجوة مهمة بين كيفية تدريب النموذج وكيف يعمل لاحقاً تحت ظروف الطريق الحقيقية. هذه مشكلة كلاسيكية تُعرف باسم تحول التوزيع: نموذج تم تدريبه على مجموعة ثابتة من الرحلات المسجلة يواجه حالات في العالم الحقيقي لم تكن موجودة في مجموعة بيانات التدريب — وبدون آلية تغذية راجعة، لا يمكنه تصحيح السلوك بناءً على أخطائه الخاصة.

تم تصميم نماذج VLA — الرؤية-اللغة-الإجراء — لدمج ثلاثة مكونات في نظام موحد: إدراك المشهد من خلال الكاميرات وأجهزة استشعار أخرى (الرؤية)، فهم السياق والتعليمات باللغة الطبيعية (اللغة) وتوليد أوامر تحكم محددة للمركبة (الإجراء). تم تطوير هذه الفئة من النماذج بنشاط في السنوات الأخيرة ليس فقط في الروبوتات بل أيضاً في القيادة المستقلة — بالضبط لأنها تسمح لعمارة واحدة بـ "رؤية" حالة الطريق و"التفكير" فيها والتصرف.

ما يوفره التعلم في الحلقة المغلقة

الفكرة الأساسية لـ Alpamayo، بناءً على اسم المشروع وسياق منشور المدونة، هي الانتقال من التدريب الكلاسيكي في حلقة مفتوحة (التدريب بلا اتصال على البيانات المسجلة بدون تغذية راجعة) إلى التدريب في حلقة مغلقة (closed-loop)، حيث يتعلم النموذج مع الأخذ في الاعتبار عواقب قراراته الخاصة بدلاً من مجرد تكرار الأنماط من مجموعة بيانات ثابتة. يحاكي هذا النهج بشكل أوثق كيفية تصرف النظام أثناء النشر الفعلي، لأن أخطاء النموذج تؤثر على الحالة اللاحقة للمحاكاة تماماً كما تؤثر على حالة الطريق الحقيقية.

ما هو معروف عن المشروع:

• المطور — NVIDIA
• اسم المشروع — Alpamayo
• المنشور — مدونة NVIDIA للمطورين، مايو 2026
• فئة النموذج — الرؤية-اللغة-الإجراء (VLA) للمركبات المستقلة
• الهدف المعلن — تقليل الفجوة بين التدريب والنشر في العالم الحقيقي

في الممارسة العملية، عادة ما يعتمد الانتقال إلى التدريب في الحلقة المغلقة على محاكاة واسعة النطاق: بدلاً من انتظار حالات الطريق الحقيقية، تعيد الشركة إنتاجها في بيئة افتراضية حيث يمكن للنموذج أن "يقود" نفس السيناريو المعقد آلاف المرات مع اختلافات مختلفة والحصول على ردود فعل حول عواقب كل قرار. هذا النهج مفيد بشكل خاص للحالات النادرة لكن الحرجة — المناورات الطارئة والسلوك عند التقاطعات غير القياسية والتفاعلات مع المشاة غير المتوقعين — التي تكون خطيرة جداً أو نادرة جداً للاعتماد فقط على سجلات القيادة في العالم الحقيقي.

لماذا هذا مهم لصناعة القيادة المستقلة

مشكلة الفجوة بين التدريب والنشر هي واحدة من الأسباب الرئيسية التي تجعل المركبات المستقلة تبقى في حالة "شبه جاهزة" لسنوات، لكنها تستمر في الحاجة إلى توسع حذر وتدريجي لمناطق تشغيلها. أي تقدم في إغلاق هذه الفجوة يؤثر مباشرة على مدى سرعة تمكن الشركات من توسيع الجغرافيا والشروط التي تعمل بموجبها أنظمتها بدون تدخل إنساني.

بالنسبة لمطوري أنظمة القيادة المستقلة، فإن الأدوات مثل Alpamayo مثيرة للاهتمام ليس بذاتها، بل كجزء من البنية الأساسية الأوسع لـ NVIDIA للصناعة السيارات — أمدت الشركة لسنوات بالرقائق والمحاكاة والمنصات البرمجية لنقل المركبات المستقلة بشكل متزامن، والتدريب في الحلقة المغلقة يناسب منطقياً في هذه المكدس كطريقة لتحسين جودة النموذج قبل أن تخرج المركبة على الطريق الحقيقي.

منشور مدونة NVIDIA للمطورين موجه بشكل أساسي للمهندسين والباحثين الذين يعملون بالفعل مع منصات الشركة للنقل المستقل — هذا ليس إعلاناً تسويقياً لمنتج، بل تحليل لنهج تقني محدد للتدريب. بالنسبة لبقية الصناعة، تخدم هذه المواد كنقطة مرجعية: إذا كان أحد أكبر مزودي البنية الأساسية للقيادة المستقلة ينتقل إلى التدريب في الحلقة المغلقة كمعيار، فمن المحتمل أن يصبح ممارسة متوقعة بين مطوري نماذج VLA الآخرين للنقل أيضاً.