NVIDIA تعلن في GTC 2026 «لحظة ChatGPT» للسيارات ذاتية القيادة والروبوتات

نقلت NVIDIA في GTC 2026 الحديث عن physical AI من مرحلة العروض التوضيحية إلى خطة النشر الفعلي. وأعلنت الشركة أن «لحظة ChatGPT» قد حانت للسيارات ذاتية القيادة، وبيّنت في الوقت نفسه كيف تعتزم توسيع نطاق الحزمة التقنية نفسها لتشمل سيارات الأجرة الروبوتية والروبوتات الصناعية والنسخ الرقمية التوأم.

نقطة تحول لقطاع السيارات

تبدو الفكرة الرئيسية التي تطرحها NVIDIA طموحة إلى أقصى حد: القيادة الذاتية لم تعد مشروع بحث وتطوير (R&D) بلا نهاية، بل أصبحت منصة تجارية. وأعلنت الشركة في GTC 2026 أن BYD وGeely وIsuzu وNissan تبني برامج جاهزة للمستوى L4 (L4-ready) على أساس NVIDIA DRIVE Hyperion، وأن Uber توسّع شراكتها مع NVIDIA لإطلاق أسطول سيارات أجرة روبوتية تديره الذكاء الاصطناعي بالكامل في 28 مدينة على أربع قارات بحلول عام 2028. ومن المقرر أن تنطلق الخدمة في لوس أنجلوس ومنطقة خليج سان فرانسيسكو في النصف الأول من عام 2027.

ولا يقتصر التركيز هنا على القدرة الحاسوبية، بل يشمل السلامة أيضًا. فتروّج NVIDIA لنظام Halos OS بوصفه بنية سلامة موحدة للسيارات العاملة بالذكاء الاصطناعي، وتربطه بالنموذج المفتوح Alpamayo 1.5 الذي يُفترض أن يساعد المركبات على تحليل سيناريوهات الطرق النادرة والمعقدة. وهذه محاولة للابتعاد عن النهج القديم الذي يعالج فيه كل فريق على حدة مسائل المستشعرات والتخطيط والتحقق، وبناء حزمة موحدة بدلًا منه تستهدف الإطلاق التجاري بالإنتاج التسلسلي.

«ثورة النقل ذاتي القيادة بدأت بالفعل، وهي أول صناعة روبوتات بتريليونات

الدولارات»، قال رئيس NVIDIA جنسن هوانغ.

أدوات للروبوتات

إلى جانب قطاع السيارات، وسّعت NVIDIA الجانب الروبوتي من حزمة physical AI. فقد عرضت الشركة Cosmos 3 لتوليد العوالم ومحاكاتها، وIsaac Lab 3.0 للتدريب الواسع النطاق للروبوتات في المحاكاة، وGR00T N1.7 بوصفه نموذجًا مفتوحًا للمهارات الروبوتية العامة. كما أُعلن على المسرح عن النموذج المرتقب GR00T N2، الذي تقول NVIDIA إنه ينجح في المهام الجديدة داخل بيئات جديدة بمعدل يزيد على الضعف مقارنة بأفضل أنظمة vision-language-action.

والمغزى من هذه الإصدارات أن NVIDIA لم تعد تبيع شريحة منفردة، ولا حتى مجرد SDK، بل مسارًا متكاملًا من التدريب إلى النشر. فشركات مثل ABB Robotics وFANUC وKUKA وYASKAWA وFigure وAgility وBoston Dynamics تستخدم Omniverse وIsaac وJetson لتجريب الروبوتات أولًا عبر نسخ رقمية توأم دقيقة فيزيائيًا، ثم نقل النماذج إلى العتاد الحقيقي. وبالنسبة للصناعة، يقلل ذلك كلفة الأخطاء: إذ تنتقل التجارب المكلفة من أرض المصنع إلى المحاكاة.

الرهان على البيانات

تتناول طبقة منفصلة من الإعلانات كيفية تدريب physical AI بسرعة أكبر وكلفة أقل. فقد قدمت NVIDIA Physical AI Data Factory Blueprint، وهي بنية مرجعية مفتوحة تجمع في خط معالجة واحد بين جمع البيانات والتوليد الاصطناعي والتعزيز (augmentation) وتقييم النماذج. والمنطق بسيط: العالم الحقيقي لا يوفر بيانات كافية، وهو شديد الفوضى، والحالات الأكثر خطورة بالنسبة للمركبات ذاتية القيادة والروبوتات نادرة الحدوث بطبيعتها. وهذا يعني أن البيانات لا يكفي جمعها، بل ينبغي إنتاجها على نطاق واسع.

وتضم هذه الطبقة عدة مكونات:

• Alpamayo 1.5 للقيادة الذاتية القائمة على الاستدلال (reasoning-based) وتحليل سيناريوهات الذيل الطويل (long-tail)
• Omniverse NuRec لإعادة بناء المشاهد وتحسينها عند تدريب أنظمة المركبات ذاتية القيادة (AV)
• Cosmos 3 لتوليد عوالم اصطناعية ومحاكاة الأفعال
• Isaac Lab 3.0 وJetson Thor للانتقال من التدريب إلى التنفيذ الفعلي
• عمليات نشر سحابية عبر Microsoft Azure وNebius لتوسيع نطاق مصنع البيانات (data factory)

تفسّر هذه الاستراتيجية جيدًا لماذا تتحدث NVIDIA بشكل متزايد عن البنية التحتية، لا عن وحدات GPU بمعزل عنها. فإذا نجح النهج الذي تتحول فيه القدرة الحاسوبية (compute) إلى بيانات، وتتحول البيانات إلى سياسات جاهزة للآلات، فستتمكن الشركة من جني القيمة على عدة طبقات في آن واحد: النماذج والمحاكاة والتنسيق (orchestration) والحواسيب الطرفية (edge) والسحابات الشريكة.

ماذا يعني ذلك

تحاول NVIDIA ترسيخ مكانتها مورّدًا أساسيًا لـ physical AI، كما رسّخت مكانتها سابقًا في الذكاء الاصطناعي التوليدي. وإذا نفذت الشركة خطتها مع Uber وشركائها في قطاع السيارات وحزمتها الروبوتية، فلن تحصل السوق على واجهة عرض أخرى لنماذج توضيحية، بل على بنية تحتية عاملة لنشر الأنظمة المستقلة على نطاق واسع في الطرق والمستودعات والمصانع والروبوتات الخدمية.