إنفيديا وبالانتير يعلنان عن مجموعة الذكاء الاصطناعي السيادي لسلاسل التوريد

أعلنت شركة إنفيديا وشركة بالانتير تكنولوجيز في 10 سبتمبر 2026 عن تعاون لجلب الذكاء الاصطناعي السيادي إلى سلاسل التوريد الحيوية، حيث تم نشر مجموعة الذكاء الاصطناعي التي تم بناؤها بشكل مشترك أولاً داخل عمليات سلسلة التوريد الخاصة بإنفيديا.

تدمج المجموعة نماذج نيموترون المفتوحة من إنفيديا في بالانتير فاوندرى ومنصة الذكاء الاصطناعي (AIP) الخاصة ببالانتير، مستندة إلى أونتولوجيا بالانتير. وذكرت الشركتان أن النظام يوفّر لفرق سلاسل التوريد مركز قيادة مشترك، يبدأ بقرارات تخصيص المواد، بينما يظل العملاء يحتفظون بالتحكم وملكية بياناتهم الخاصة. ستُعرض المجموعة في مؤتمر AIPCon 11 الذي تنظمه بالانتير، وأشارت الشركتان إلى أن المنظمات في الزراعة، التصنيع، الصيدلة، التجزئة، التكنولوجيا والحكومة يمكنها تطبيقها على سلاسل التوريد الخاصة بها.

قالت إنفيديا إن سلسلة توريدها تشمل ملايين الأجزاء، آلاف الموردين وشبكة عالمية من شركاء التصنيع، وأن نشر نظام ذكاء اصطناعي على مستوى الرف يتطلب توفرًا منسقًا للمعالجة، الذاكرة، الشبكات، الطاقة، التبريد والمكونات الميكانيكية. كل رف NVIDIA Vera روبين يحتوي على 1.3 مليون جزء، وفقًا للإعلان.

في الإعلان المشترك، صرّح المؤسس المشارك والرئيس التنفيذي لبالانتير، أليكس كارب،: “إنفيديا تمتلك على الأرجح أكثر سلاسل التوريد قيمة وتعقيدًا وتعقيدًا في العالم. مجموعتنا السيادية، المدعومة بنماذج نيموترون والأونتولوجيا، تقدم قدرات تتجاوز الحدود مع توفير خصائص حماية ألفا غير متاحة otherwise”.

قال مؤسس إنفيديا والرئيس التنفيذي جينسن هوانغ إن الشركتين تهدفان إلى تحويل الرسم البياني التشغيلي وراء بنية الذكاء الاصطناعي إلى ذكاء سيادي، من خلال الجمع بين نماذج نيموترون وأونتولوجيا بالانتير لتنسيق المسار من إنتاج الرقاقة إلى إنتاج الرموز.

سلسلة توريد إنفيديا ومركز القيادة في فاوندرى

في مقال تقني نُشر جنبًا إلى جنب مع الإعلان، صرّحت إنفيديا بأنها تقيس أداء سلسلة التوريد من خروج الرقاقة إلى أول رمز. ينقسم هذا الفاصل إلى جزأين: الوقت إلى الرف يمتد من مغادرة السيليكون للمصنع إلى وصول النظام المُجمّع إلى أرضية مركز البيانات، والوقت إلى الرمز يغطي الطاقة، التبريد، الشبكات وعمل البرمجيات الذي يجعل البنية التحتية منتجة.

تعتمد منصات Grace Blackwell NVL72 على ملايين الأجزاء وآلاف الموردين، حيث تُجمّع الأنظمة النهائية بواسطة العشرات من الشركات المصنعة الأصلية (OEMs) والشركات المصنعة للمنتجات (ODMs). صينية حسابية واحدة من نوع GB200 NVL72 — واحدة من ثمانية عشر صينية في الرف — تتطلب معالجين Grace CPU، وأربعة وحدات معالجة رسومية Blackwell GPU، و32 مجموعة ذاكرة HBM3e، وذكرت إنفيديا أن سلسلة التوريد التي أنشأتها لفيرا روبين هي ضعف حجم السلسلة وراء Grace Blackwell. لتتبع مدة بقاء المواد غير مستخدمة، تستخدم إنفيديا مقياسًا يُسمى “وقت الملكية”: الوقت المنقضي بين استلام موقع التصنيع للمواد ومغادرة تلك المواد كجزء من تجميع فرعي أو منتج.

كل أسبوع، يعيد المخططون يدويًا معالجة ما تسميه إنفيديا مشكلة تخصيص المواد الحرجة، حيث يقررون أي مادة وكمية منها تُرسل إلى كل موقع تصنيع خلال الربع الحالي والربع التالي. لدعم هذا العمل، أنشأت فريق عمليات سلسلة التوريد في إنفيديا مركز قيادة للذكاء الرقمي لسلسلة التوريد بالتعاون مع بالانتير على فاوندرى، حيث تربط الأونتولوجيا بين المواد، مواقع التصنيع، الالتزامات، السعة، التخصيصات، مخرجات الإنتاج والإشارات النوعية غير المهيكلة في طبقة بيانات مُحكومة واحدة.

تُحلّ مكتبة NVIDIA cuOpt، المكتبة المفتوحة المصدر لتحسين القرارات المدعومة بوحدات معالجة الرسوميات، تخصيص الأسبوع كبرنامج خطي مختلط صحيح الهدف منه تقليل “وقت الملكية”، مستمدةً المدخلات من الأونتولوجيا وتعيد كتابة النتائج كقرارات تخصيص. يشير المقال إلى أن cuOpt يحدد أيضًا أي القيود ملزمة، بحيث يتمكن المخططون من معرفة ما إذا كانت السعة أو إمداد الذاكرة قد حدّ من أسبوع معين، ويمكنهم اختبار سيناريوهات مثل خفض إمداد الذاكرة بنسبة عشرة بالمئة أو تشغيل موقع تصنيع جديد.

نيموترون بعد التدريب على قرارات التخصيص

أجرت إنفيديا وبالانتير اختبارًا رجعيًا لقرارات التخصيص التاريخية مقارنة بما حدث فعليًا ووجدت، وفقًا للمقال، أن المخططين البشريين تفوقوا على المحلّل، لأن المخططين اعتمدوا على معلومات لا يمكن للنظام رؤيتها: رسائل البريد الإلكتروني المتبادلة مع الشركاء، توقعات الطقس القاسي للمناطق الرئيسية، الأحداث الجيوسياسية ونصوص ملخصات الموردين، إلى جانب سنوات من الخبرة المتراكمة. أعاد الفرق بناء سير العمل حول تلك الخبرة، مع تسجيل كل قرار تخصيص، مبرره، النتيجة المتوقعة والنتيجة الفعلية داخل الأونتولوجيا.

أصبح ذلك السجل بيانات تدريب. قامت الفرق بتدريب نيموترون 3.5 لايتنينغ بعد التدريب، وهو نموذج مزيج من الخبراء بوزن مفتوح يضم 30 مليار معلمة وحوالي 3 مليارات معلمة نشطة لكل تمريرة أمامية، وقد اختُير وفقًا للمقال لأنه مُصمم خصيصًا لطبقة التنفيذ في سير عمل وكيل، ولأن النماذج المفتوحة يمكن تدريبها بعد التدريب داخل حدود الحوسبة الخاصة بالمؤسسة. يستخدم خط الأنابيب NeMo Anonymizer لإزالة المعلومات الشخصية القابلة للتعريف، وNeMo Data Designer لتوليد وموازنة الأمثلة الاصطناعية، وNeMo AutoModel لتدريب مجموعة صغيرة من معلمات محول LoRA بينما تظل الأوزان الأساسية مجمدة، مع إدارة Palantir Autopilot لدورة الحياة من بيانات الأونتولوجيا إلى النموذج المنشور.

في معيار التطوير الموضح في المقال، وصل النموذج المدرب لاحقًا إلى دقة قرار تخصيص بنسبة 86.7٪، مقارنةً بـ 55.5٪ للنموذج الأكبر Nemotron 3 Ultra و17.5٪ للنموذج الأساسي Nemotron 3.5 Lightning. تقارير إنفيديا تشير إلى دقة متوازنة بنسبة 58.6٪ مقابل 42.0٪ لـ Ultra، ودرجة Macro-F1 بنسبة 57.5٪ مقابل 39.5٪. يوضح المؤلفون أن هذه المقاييس تعطي وزنًا متساويًا لكل نوع من القرارات، وهو أمر مهم لأن المخططين يقللون التخصيصات أكثر من رفعها.

يحذر المقال من أن المكاسب مركزة في المجال الذي تم تدريب النموذج عليه لاحقًا، وأن توقع مخاطر الإنتاج المستقبلية ظل صعبًا رغم الضبط الدقيق. انتهت عملية تدريب LoRA على وحدتي معالجة رسومية NVIDIA B200 في دقائق، وهي خفيفة بما يكفي لتكرارها مع تراكم الملاحظات، وفقًا للمقال.

يقترح النموذج نطاق تخصيص مع مبررات ومخاطر مرفقة، لكن المخطط البشري يراجع كل توصية ويتخذ القرار النهائي. تُكتب كل قبول، تعديل، تجاوز ونتيجة إنتاجية مرة أخرى في الأونتولوجيا حتى تتوافر بيانات تمثيلية كافية لجولة تدريب محكومة أخرى. يوضح المقال أن النموذج لا يعيد تدريب نفسه أبدًا في بيئة الإنتاج، وأن الملاحظات المتراكمة تهدف إلى دعم التعلم المعزز في المستقبل.

النشر السيادي وشركاء البنية التحتية

نظرًا لحساسية سلسلة توريد إنفيديا، يتم تشغيل النشر على بنى إنفيديا المرجعية وعلى بنية نظام تشغيل الذكاء الاصطناعي السيادي من بالانتير المرجعية، المعروفة باسم SAIOS، والتي تدعمها Dell Technologies وCisco. صرّحت الشركتان أن المجموعة يمكن نشرها في المواقع الداخلية مع مصنعي الأنظمة بما في ذلك Cisco وDell، أو في بيئات التشارك السحابي مع Rackspace وNebius.

داخل Palantir AIP، يدعم cuOpt التحسين وتخطيط السيناريوهات، بينما تتكامل مكتبات NeMo Data، NeMo AutoModel وNeMo RL مع Palantir Autopilot في ما تصفه الشركتان كحلقة تعلم محكومة تقيس القرارات مقابل النتائج الواقعية. صرّحت الشركتان أنهما تخططان لتوسيع ما يتعلمانه من نشر إنفيديا إلى مؤسسات في مجالات التصنيع، الطاقة، الرعاية الصحية، السيارات والفضاء.