تطلق CoreWeave قوالب للذكاء الاصطناعي الفيزيائي لتطوير الروبوتات والمركبات ذاتية القيادة

قبل أن يتمكن فريق للروبوتات من اختبار سياسة جديدة، لا بد من تهيئة المحاكي والبيانات والتخزين والموارد الحاسوبية للعمل معًا. وتستهدف CoreWeave أعمال التحضير هذه من خلال Physical AI Launchables، وهي مجموعة من قوالب أعباء العمل المختبرة، أعلنت عنها في 21 أكتوبر لتطبيقات الروبوتات والمركبات ذاتية القيادة والمحاكاة.

تجمع القوالب بيئات عمل خمس أدوات—NVIDIA Isaac Sim وCARLA وMuJoCo وNVIDIA AlpaSim وNVIDIA Cosmos 3—كي يتمكن المهندسون من إعداد عبء عمل وبدء تشغيله بأمر واحد، بدلًا من بناء بنيته التحتية من الصفر. ويشمل الإطلاق أيضًا مهارات تتيح لوكلاء البرمجة تنفيذ مسارات العمل نفسها.

بالنسبة إلى المطورين، يتمثل السؤال الأهم في معرفة ما الذي يمكن تكراره. وتهدف Launchables إلى الحفاظ على بيئة عمل جاهزة بين التجارب، مع إتاحة تغيير المشاهد ومجموعات البيانات والنماذج والإعدادات التي تحدد النتائج.

نقل أعمال الإعداد إلى ما قبل التجربة

تتطلب تجربة الذكاء الاصطناعي الفيزيائي أكثر من مجرد تشغيل نموذج. فتقييم القيادة يحتاج إلى محاكي وسيناريوهات، بينما يحتاج تدريب الروبوت إلى بيئة وسياسة وطريقة لجمع النتائج. وتحتاج هذه المكونات أيضًا إلى مساحة تخزين مناسبة وموارد حوسبة وحدود للتنفيذ.

تقول CoreWeave إن مهندسيها أنشأوا الإعدادات التي تقوم عليها كل نسخة من القوالب واختبروها. ويمكن للفرق تكييف هذه الإعدادات بما يناسب عملها، باستخدام سعة محجوزة للبرامج المستمرة أو مهام مكثفة لتجارب منفردة. كما تتوفر لكل أداة مدعومة نسخة فارغة من القالب، توفر البيئة من دون أن تفرض طبيعة عبء العمل.

قال ريتشارد أهلْفِلد، النائب الأول لرئيس CoreWeave لشؤون الذكاء الاصطناعي الفيزيائي، في الإعلان: «تمنحهم Physical AI Launchables نقطة انطلاق مختبرة للأدوات التي يستخدمونها بالفعل، بحيث يخصصون وقتًا أكبر للعمل الذي لا يستطيع إنجازه سواهم».

وهذا تمييز مفيد: توفر CoreWeave طبقة التغليف والتنفيذ، بينما تأتي برمجيات المحاكاة والنمذجة من NVIDIA ومطورين آخرين. وتظل الفرق هي من يقرر ما ستختبره وما إذا كانت النتائج ذات دلالة.

ما الذي تستطيع القوالب الأولى تشغيله

تقدم مقالة الإطلاق التقنية من CoreWeave صورة أوضح عن المجموعة. وتشمل الأمثلة مناولة الروبوتات والقيادة المحاكية والبيانات الاصطناعية والتعلم المعزز:

• NVIDIA Isaac Sim: مهام التقاط الأغراض ووضعها باستخدام أذرع الروبوت، ومشاهد مستودعات موسومة، وتجارب ديناميكيات المركبات.
• CARLA: مجموعات من سيناريوهات القيادة تنتج مقاطع فيديو لمراجعتها.
• MuJoCo: تجارب متوازية للتعلم المعزز ومهام مناولة الأدوات في المطبخ.
• NVIDIA AlpaSim: تقييم القيادة ضمن حلقة مغلقة.
• NVIDIA Cosmos 3: إنشاء سيناريوهات مصورة قد يصعب جمعها أو يكون جمعها مكلفًا.

هذه إعدادات أولية، وليست مجموعة ثابتة من العروض التوضيحية. ويمكن للمهندسين تغيير معلمات عبء العمل أو تعديل شيفرة التطبيق مع الإبقاء على البيئة المختبرة التي يعملون ضمنها. ويشمل الإطلاق أيضًا مهارات NVIDIA Cosmos Data Factory لزيادة البيانات ووسمها وتنظيمها واسترجاعها؛ وتقول CoreWeave إن هناك قوالب إضافية ذات صلة قيد التخطيط.

وكلاء البرمجة يحصلون على أدوات التحكم نفسها المتاحة للمهندسين

تتضمن Launchables مهارات مخصصة لـCoreWeave تعمل مع Claude Code وCodex وغيرهما من وكلاء البرمجة. وتوفر هذه المهارات للوكيل إرشادات بشأن الإعدادات ذات الصلة وإمكانية الوصول إلى الأوامر المستخدمة لبدء التشغيل ومراقبته واسترجاع نتائجه.

يشدد الإصدار على الفرق بين اكتمال مهمة ونجاح تجربة. فقد تنتهي عملية تشغيل من دون أن تثبت أن سياسة القيادة تعاملت جيدًا مع سيناريوهاتها أو أن روبوتًا أنجز مهمته. ويتيح إرجاع التقارير والمقاييس والوسائط والبيانات التشخيصية عبر واجهة موحدة للمهندسين والوكلاء الاطلاع على مواد لتقييمها بعد التنفيذ.

قد يجعل ذلك الأتمتة أكثر فائدة عبر التجارب المتكررة. ويمكن للوكيل المساعدة في تشغيل مسار عمل، لكن الفريق يظل بحاجة إلى تقييمات ومعايير نجاح مناسبة. ولا يثبت نجاح عملية النشر أن النموذج جاهز للاستخدام في نظام مادي.

تخصيص وقت وحدة معالجة الرسومات للمهام التي تتطلبها

يتناول الإعلان أيضًا كيفية استهلاك المهام للموارد. وحين تسمح طبيعة عبء العمل بذلك، تفصل القوالب بين التحضير والمعالجة اللاحقة باستخدام وحدة المعالجة المركزية وبين التنفيذ باستخدام وحدة معالجة الرسومات، فتتيح سعة وحدة معالجة الرسومات مجددًا بعد انتهاء تلك المرحلة. وتحدد القوالب متطلبات الموارد وحدود التزامن للمساعدة في تنسيق عمليات التشغيل المتوازية.

تكمن أهمية ذلك في أن تكلفة التجربة تشمل الوقت الذي تقضيه الأجهزة باهظة الثمن في انتظار أعمال أخرى. ويمكن أن يؤدي فصل المراحل إلى تحسين تخصيص الموارد، إلا أن الفائدة الفعلية تعتمد على عبء العمل ومقدار ما يتطلبه من تحضير ومحاكاة وتدريب وتحليل.

لم تقدم CoreWeave في الإعلان المرفق معيارًا عامًا لقياس أداء Launchables أو خفضًا موحدًا لوقت الإعداد. ويتمثل طرحها المباشر في توفير إعداد مختبر وطريقة موحدة لتشغيله، لا في تحقيق مكسب أداء مقاس ينطبق على كل مشروع للروبوتات.

كيف تندرج Launchables ضمن منظومة CoreWeave للذكاء الاصطناعي الفيزيائي

يوسّع هذا الإطلاق نطاق CoreWeave ليتجاوز توفير سعة وحدات معالجة الرسوميات وحدها، ويشمل سير العمل البرمجي الذي يستفيد منها. وتصف الشركة، في صفحة منصتها للذكاء الاصطناعي الفيزيائي، بنية تحتية تشمل الحوسبة بوحدات معالجة الرسوميات ووحدات المعالجة المركزية، والشبكات، والتخزين، والتنسيق باستخدام Kubernetes، وSlurm على Kubernetes. وتلبي هذه المكونات المتطلبات المختلفة لإعداد البيانات والمحاكاة وتدريب النماذج.

تربط منصتها السحابية الأوسع نطاقًا هذه البنية التحتية بـ CoreWeave Forge، التي تجمع أدوات لمراقبة النماذج والوكلاء وتقييمهم وتحسينهم. وتضيف Launchables أعباء عمل هندسية مختبرة فوق هذه الطبقات. وتهدف الاستراتيجية إلى تقليل عدد البيئات التي يتعين على الفريق إعدادها أثناء انتقاله بين البيانات والتجارب والتقييم.

كما سمّت CoreWeave شركات Cadence وConvergent Science وEncord وnTop وPhysicsX وVoxel51 شركاءَ برمجيات يعملون مع بنيتها التحتية. وتشمل هذه الشراكات أدوات البيانات والرؤية الحاسوبية، وصولًا إلى محاكاة الهندسة؛ ولا ينبغي اعتبارها ادعاءً بأن منتجات جميع الشركاء متاحة بالفعل ضمن قوالب الإطلاق.

البداية الأسرع لا تزال تتطلب تقييمًا سليمًا

الفرصة واضحة: فعندما تظل البيئة صالحة للاستخدام من تجربة إلى أخرى، تستطيع الفرق تخصيص مزيد من الوقت لمقارنة النماذج والتحقيق في الإخفاقات. كما يمكن للقوالب المشتركة أن تسهّل على الزملاء إعادة إعداد البيئة نفسها قبل تغيير أحد المتغيرات.

لكن الأسئلة الأصعب تظل مرتبطة بمجال التطبيق نفسه. إذ يجب أن تمثل المشاهد المحاكاة ظروفًا مفيدة، وأن تكون البيانات الاصطناعية ملائمة للمهمة، وأن تكشف التقييمات عن الإخفاقات ذات الأهمية خارج المحاكي. ويمكن لـ Launchables تبسيط إجراء هذه الاختبارات، لكنها لا تلغي الحاجة إلى تصميمها بعناية.

توجّه CoreWeave الفرق المهتمة إلى نظرة عامة على Launchables للذكاء الاصطناعي الفيزيائي للاطلاع على الدليل الأولي ومزيد من المعلومات. وبالنسبة إلى مطوري الروبوتات والمركبات ذاتية القيادة، تتمثل الفائدة العملية في اختصار الطريق من فكرة التجربة إلى نتائج يمكنهم فحصها.