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

أعلنت NVIDIA في GTC 2026 عن نقل النقاش بشأن الذكاء الاصطناعي الفيزيائي من العروض التوضيحية إلى خطة النشر. أعلنت الشركة عن وصول "لحظة ChatGPT" للمركبات المستقلة، وفي الوقت نفسه أظهرت كيف تخطط لتوسيع نطاق نفس المجموعة إلى سيارات الأجرة الروبوتية والروبوتات الصناعية والتوائم الرقمية.

تحول في صناعة السيارات

تبدو الأطروحة الرئيسية لـ NVIDIA طموحة للغاية: إن القيادة المستقلة تتوقف عن كونها مشروع بحث وتطوير لا نهاية له وتصبح منصة تجارية. في GTC 2026، أعلنت الشركة أن BYD و Geely و Isuzu و Nissan تبني برامج جاهزة للمستوى الرابع بناءً على NVIDIA DRIVE Hyperion، بينما توسع Uber شراكتها مع NVIDIA لإطلاق أسطول روبوتاكسي مدار بالكامل بالذكاء الاصطناعي في 28 مدينة عبر أربع قارات بحلول عام 2028. من المقرر أن يبدأ الإطلاق في لوس أنجلوس ومنطقة خليج سان فرانسيسكو في النصف الأول من عام 2027.

التركيز المهم هنا ليس فقط على الحوسبة، بل أيضاً على الأمان. تروج NVIDIA لـ Halos OS كمعمارية أمان موحدة للمركبات التي تعمل بالذكاء الاصطناعي وتربطها بنموذج مفتوح Alpamayo 1.5، والذي يجب أن يساعد المركبات على تحليل سيناريوهات الطرق النادرة والمعقدة. هذه محاولة للابتعاد عن النظام القديم حيث كان كل فريق يحل المهام بشكل منفصل لأجهزة الاستشعار والتخطيط والتحقق، وبدلاً من ذلك تجميع مكدس موحد للإنتاج بالسلسلة.

"ثورة النقل المستقل قد بدأت بالفعل — هذه أول صناعة روبوتية بقيمة

تريليونات الدولارات"، قال الرئيس التنفيذي لـ NVIDIA جنسن هوانج.

أدوات للروبوتات

بعيداً عن صناعة السيارات، وسعت NVIDIA أيضاً جزء الروبوتات من مكدس الذكاء الاصطناعي الفيزيائي. عرضت الشركة Cosmos 3 لتوليد وموحاكاة العوالم، و Isaac Lab 3.0 لتدريب الروبوتات على نطاق واسع في المحاكاة، و GR00T N1.7 كنموذج مفتوح للمهارات الروبوتية الشاملة. أعلنت الشركة أيضاً عن نموذج GR00T N2 القادم، والذي وفقاً لـ NVIDIA، يتعامل مع المهام الجديدة في البيئات الجديدة بنجاح أكثر من ضعف الأنظمة الرائدة للرؤية واللغة والإجراء.

النقطة من هذه الإصدارات هي أن NVIDIA لم تعد تبيع مجرد رقاقة منفصلة أو حتى مجرد SDK، بل مساراً كاملاً من التدريب إلى النشر. يستخدم الصانعون مثل ABB Robotics و FANUC و KUKA و YASKAWA و Figure و Agility و Boston Dynamics Omniverse و Isaac و Jetson للتشغيل الأول للروبوتات من خلال التوائم الرقمية الدقيقة فيزيائياً، ثم نقل النماذج إلى الأجهزة الحقيقية. بالنسبة للصناعة، يقلل هذا من تكلفة الأخطاء: التجارب المكلفة تنتقل من الورشة إلى المحاكاة.

المراهنة على البيانات

طبقة منفصلة من الإعلانات مكرسة لتدريب الذكاء الاصطناعي الفيزيائي بشكل أسرع وأرخص. قدمت NVIDIA Physical AI Data Factory Blueprint — معمارية مرجعية مفتوحة تجمع بين جمع البيانات والتوليد الاصطناعي والتعزيز وتقييم النماذج في خط أنابيب واحد. المنطق بسيط: العالم الحقيقي نادر، فهو مختلط جداً، والحالات الأخطر للمركبات المستقلة والروبوتات نادرة الحدوث. وهذا يعني أن البيانات يجب أن تُجمع فحسب، بل تُنتج بكميات ضخمة.

تتضمن هذه الطبقة عدة مكونات:

• Alpamayo 1.5 للقيادة المستقلة القائمة على التفكير وتحليل سيناريوهات ذات الذيل الطويل
• Omniverse NuRec لإعادة بناء وتحسين المشاهد عند تدريب أنظمة المركبات المستقلة
• Cosmos 3 لتوليد العوالم الاصطناعية ومحاكاة الإجراءات
• Isaac Lab 3.0 و Jetson Thor للانتقال من التدريب إلى التنفيذ الحقيقي
• نشر سحابي عبر Microsoft Azure و Nebius لتوسيع نطاق مصنع البيانات

تشرح هذه الاستراتيجية جيداً سبب حديث NVIDIA بشكل متزايد ليس عن GPUs بشكل منفصل، بل عن البنية الأساسية. إذا نجحت الطريقة التي تتحول فيها الحوسبة إلى بيانات، وتتحول البيانات إلى سياسات جاهزة للآلات، ستتمكن الشركة من جني القيمة على عدة مستويات في نفس الوقت: النماذج والمحاكاة والتنسيق وأجهزة الحافة والسحب الشريكة.

ماذا يعني هذا

تحاول NVIDIA أن تثبت نفسها كمزود أساسي للذكاء الاصطناعي الفيزيائي بنفس الطريقة التي ثبتت نفسها بها سابقاً في الذكاء الاصطناعي التوليدي. إذا نفذت الشركة خطتها لـ Uber والشركاء في السيارات ومكدس الروبوتات، سيحصل السوق ليس على مجرد عرض توضيحي إضافي، بل على بنية أساسية تشغيلية للنشر الضخم للأنظمة المستقلة على الطرق والمستودعات والمصانع والروبوتات الخدمية.