NVIDIA تطلق Ising: أول عائلة مفتوحة من نماذج الذكاء الاصطناعي للأنظمة الكمّية-الكلاسيكية

في 14 أبريل 2026 قدّمت NVIDIA مشروع Ising، وهو أول سلسلة مفتوحة من نماذج الذكاء الاصطناعي لا تستهدف روبوتات الدردشة، بل خدمة المعالجات الكمّية وصيانتها. ويستهدف الإطلاق أكثر نقطتَي اختناق إيلامًا في هذا القطاع: معايرة العتاد الكمّي، وفك ترميز الأخطاء في الوقت الفعلي. ومن دونهما يظل الطريق من العروض المخبرية إلى المهام المفيدة أطول مما ينبغي.

تَعِد الحواسيب الكمّية منذ زمن طويل بتحقيق اختراق، لكن عدد الكيوبتات ليس وحده ما يحدّ من قدراتها عمليًا. فهذه الأنظمة مليئة بالضوضاء وغير مستقرة وتحتاج إلى ضبط مستمر. وحتى لو نجحت معايرة المعالج، فإن الأخطاء في الكيوبتات تتراكم أسرع مما تستطيع البرمجيات التقليدية تصحيحه. لذلك يحتاج الرقاقة الكمّية في الغالب إلى حلقة تحكم كلاسيكية قوية بجوارها، تحلل القياسات باستمرار وتعيد حساب المعاملات وتساعد في إبقاء النظام في حالة تشغيل. وعلى هذه الحزمة، «معالج كمّي مع GPU وبرمجيات كلاسيكية»، تراهن NVIDIA منذ سنوات.

يصدر NVIDIA Ising في اتجاهين. الأول هو Ising Calibration، وهو نموذج بصري-لغوي بحجم 35 مليار معامل، دُرّب على فهم نتائج التجارب الكمّية واقتراح الخطوات التالية لضبط المعالج. وبحسب الشركة، يمكن لهذا النموذج، مع سيناريو وكيلي (agentic)، أن يقلّص زمن المعايرة من أيام إلى ساعات. والثاني هو Ising Decoding، عائلة من نموذجين من نوع 3D-CNN لفك ترميز الأخطاء المبدئي أثناء التصحيح الكمّي للأخطاء. تضم النسخة السريعة نحو 0,9 مليون معامل، والدقيقة نحو 1,8 مليون معامل. وبالمقارنة مع المعيار المفتوح pyMatching، تعلن NVIDIA عن تسارع يصل إلى 2,5 ضعف وزيادة في الدقة تصل إلى 3 أضعاف، وفي بعض الاختبارات المعيارية تحسّنًا بمقدار 1,53 ضعف في مؤشر logical error rate مع انخفاض في زمن التأخير في الوقت نفسه.

ومن النقاط المهمة في الإصدار أن الانفتاح لا يشمل الأوزان فقط، بل الأدوات المصاحبة أيضًا. فـ NVIDIA تتيح النماذج وأطر التدريب ومجموعات البيانات ووصفات التكميم (quantization) وإعادة التدريب (fine-tuning)، إضافةً إلى معيار جديد هو QCalEval لتقييم المعايرة على بيانات حقيقية من منشآت كمّية. وهذا ضروري لأن لكل بنية، سواء كانت فائقة التوصيل أو أيونية أو قائمة على الذرات المحايدة أو غيرها، ضوضاءها الخاصة وسيناريوهات تدهورها الخاصة. والنموذج العام مفيد هنا كنقطة انطلاق، لكن قيمته الحقيقية تظهر حين يتمكن المختبر أو المورّد من تكييفه مع QPU الخاص به دون إخراج بياناته الحساسة إلى الخارج.

وإذا حكمنا من قائمة الشركاء، فالأمر ليس تجربة مخبرية من أجل بيان صحفي. فـ Ising Calibration يستخدمه بالفعل كل من Atom Computing وIonQ وIQM وInfleqtion وHarvard SEAS وFermilab والمختبر الفيزيائي الوطني في بريطانيا. أما نماذج فك الترميز فتختبرها فرق من Cornell وUC San Diego وUC Santa Barbara وUniversity of Chicago وSandia وغيرها. وتُكمل السلسلة كاملةً منصة CUDA-Q للحوسبة الهجينة الكمّية-الكلاسيكية، وحلقة الوصل NVQLink التي يمكن عبرها لـ QPU وGPU تبادل البيانات بزمن تأخير منخفض. وهي خطوة منطقية لـ NVIDIA: فالشركة لا تبني معالجات كمّية خاصة بها، لكنها تريد أن تصبح طبقة الحوسبة القياسية المحيطة بها، من تدريب النماذج إلى التحكم الفعلي وتصحيح الأخطاء.

وعلى نطاق أوسع، يُظهر الإصدار كيف يتغير منطق تطور القطاع الكمّي نفسه. فقد كان الحديث سابقًا يدور حول عدد الكيوبتات والبنى الفيزيائية، أما الآن فيتجه مزيد من الاهتمام إلى برمجيات التحكم والمفكّكات والقياس عن بُعد (telemetry) وأدوات الذكاء الاصطناعي التي تتيح استخلاص أكبر قدر ممكن من العتاد الموجود أصلًا. وبحسب تقديرات محللي Resonance، قد يتجاوز سوق الحوسبة الكمّية 11 مليار دولار بحلول عام 2030، لكن هذا التوقع يعتمد مباشرة على قدرة القطاع على تعلّم معايرة الأنظمة وتوسيعها بسرعة مع تصحيح الأخطاء. وإذا تأكدت مؤشرات Ising المعلنة خارج سيناريوهات العرض التجريبي، فقد يتحول الذكاء الاصطناعي من طبقة إضافية حول الحواسيب الكمّية إلى طبقة تشغيل إلزامية بين الكيوبتات الهشة والمهام التطبيقية الحقيقية.

والخلاصة العملية بسيطة: NVIDIA لا تبيع «ذكاءً اصطناعيًا كمّيًا» كوسم جذاب، بل بنية تحتية تجعل الآلات الكمّية تتوقف عن العمل أقل، وتُضبط أسرع، وتحافظ على حالة مفيدة لفترة أطول. وبالنسبة لمراكز الأبحاث والشركات، فهي فرصة لتقليص زمن التجارب وتقريب اللحظة التي تبدأ فيها الأنظمة الهجينة الكمّية-الكلاسيكية بحل مهام ذات قيمة تجارية حقيقية، لا مهام تعليمية.