نماذج ومنصات الذكاء الاصطناعي

تطلق NVIDIA نموذج Nemotron للعلوم ومجموعة بيانات مفتوحة للكيمياء

Jonas Reeve
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةالتحقق هو جوهر تصميم الحزمة لأن المراجع التجريبية والبرمجيات المتخصصة تقيّم مخرجات…
عرض المزيد
  • التحقق هو جوهر تصميم الحزمة لأن المراجع التجريبية والبرمجيات المتخصصة تقيّم مخرجات النموذج.
  • يحوّل LitmusBench النتائج التجريبية المقاسة إلى مكافآت آلية تُغني عن وضع تسميات التفضيل البشري.
  • تغطي المكاسب المعلنة من NVIDIA مهام محدودة ولا تثبت استقلالية مخبرية عامة.

قدمت NVIDIA نموذج Nemotron للعلوم في 16 نوفمبر 2026، وأتاحت معه نموذج Nemotron 3.5 Super VL المفتوح، إلى جانب تقييمات علمية ووصفات لضبط ما بعد التدريب وLitmusBench v0.2، وهي مجموعة بيانات كيميائية تضم نحو 50,000 سؤال لتدريب وكلاء البحث وتقييمهم.

صُممت هذه الحزمة للوكلاء القادرين على تفسير المعلومات العلمية وإنشاء الشيفرات البرمجية واستدعاء الأدوات الحاسوبية، بما فيها البرمجيات المسرّعة بتقنيات CUDA-X. ويمكن للباحثين ضبط النموذج بعد التدريب باستخدام بيانات متخصصة في المجال لأعمال مثل التجارب الكيميائية وتصميم البروتينات، وتكييف نظام عام للرؤية واللغة مع مهمة علمية محددة.

يؤرخ بطاقة النموذج إصدار النموذج الأساسي على Hugging Face في 15 أكتوبر 2026، ويذكر أن إجمالي معلماته يبلغ 120 مليارًا، منها 12 مليار معلمة نشطة، وأنه يقبل النصوص والصور ومقاطع الفيديو، وينتج نصوصًا، ويتيح نافذة سياق تصل إلى مليون رمز. لذا تتمثل الإضافة الجديدة في هذا الإعلان في البيانات العلمية والتقييمات ووصفات التخصيص.

النموذج ومجموعة البيانات متاحان على Hugging Face، وقد حسّنت NVIDIA النموذج ليعمل محليًا على نظام DGX Spark بذاكرة سعتها 128GB.

بيانات الكيمياء والتدريب القابل للتحقق

تستند LitmusBench v0.2 إلى خصائص الجزيئات وبيانات تجريبية لاكتشاف الأدوية، وتغطي سلوكيات مثل الذوبانية وكيفية معالجة جسم الإنسان للجزيئات. ويعرّف مستودع مجموعة البيانات محتوىً لتوليد النصوص باللغة الإنجليزية موسومًا بفئات الكيمياء والتنبؤ بخصائص الجزيئات والتعلم المعزز ذي المكافآت القابلة للتحقق، كما يدرج ترخيصي CC-BY-SA-4.0 وOpenMDW-1.1.

يوضح دليل تقني من NVIDIA الوصفة المرافقة. وتُحوّل سجلات CSV التجريبية إلى أزواج من الأسئلة والأجوبة، وتُستخدم النتائج المقيسة فيها أداةَ تحقق آلية. وينشئ ذلك بيئة للتعلم المعزز من دون وسم التفضيلات البشرية؛ إذ يمكن لأدوات المعلوماتية الكيميائية أو محاكيات الجزيئات أو مختبر مستقل ذاتي التشغيل يعمل مباشرة أن توفر طبقة التقييم.

في مثال استقلاب الأدوية الوارد في الدليل، يتلقى النموذج جزيئًا أصليًا وإنزيمًا، ثم يتنبأ بالمستقلب الناتج. وتقيس درجة تانيموتو، التي تتراوح بين صفر وواحد، مدى التداخل بين البصمات الجزيئية المتوقعة والمرجعية، لتمنح مكافأة تستند إلى التشابه البنيوي. وتفيد NVIDIA بأن الضبط الدقيق الخاضع للإشراف رفع الدقة بنسبة 12% في هذا المثال، وأن التعلم المعزز أضاف 17% أخرى عند تخصيص ميزانية إخراج قدرها 16,384 رمزًا.

ومن الخيارات المتاحة استخدام تهيئة أولية دافئة، إذ يُستعان بنموذج معلّم أقوى لإنشاء مسارات الاستدلال، ثم يُحتفظ بالمسارات التي تستوفي عتبة التشابه قبل بدء التعلم المعزز؛ ويستخدم المثال Claude Sonnet 5.5 من Anthropic.

نتائج على مستوى المهام في علوم الحياة

تشمل التطبيقات المعلنة استخراج المعلومات الكيميائية المنظمة، وإنشاء بروتوكولات المختبرات، وتصميم العلاجات. وتتعلق هذه النتائج، التي أوردتها NVIDIA، بمهام محددة النطاق، ولا تثبت تحقق استقلالية عامة للمختبرات.

ضبطت Terray Therapeutics نموذج Nemotron بعد التدريب لاستخراج المواد المتفاعلة والنواتج وظروف التفاعل من الرسوم العلمية. وتفيد NVIDIA بأنه استعاد نحو 76% من التفاعلات المشروحة في اختبار RxnScribe، وفق معايير المطابقة الخاصة بذلك المعيار، ما يساعد على تحويل الكيمياء المنشورة إلى بيانات منظمة لتخطيط عمليات التخليق الكيميائي واستخدامها من قِبل الوكلاء العلميين.

استخدمت Lila Sciences نموذج Nemotron لتصميم بروتوكولات جاهزة للتنفيذ في مختبراتها المؤتمتة. ووفقًا لـNVIDIA، أدى ضبط النموذج بعد التدريب باستخدام ملاحظات المختبر إلى مضاعفة الدقة تقريبًا في تصنيع النقاط الكمومية — وهي بلورات نانوية تُستخدم في الشاشات والألواح الشمسية — لتصل إلى 61%، مقارنةً بـ54% لنموذج GPT-6 Astra، وبتكلفة استدلال أقل بمقدار يتراوح بين 10 و20 مرة.

تعاونت Therna مع NVIDIA على تصميم علاجات الرنا المرسال باستخدام الوكلاء. ووفقًا لـNVIDIA، حقق النموذج المضبوط دقة تقارب ضعف دقة النماذج المتقدمة في التنبؤ بنطاقات التعبير البروتيني، كما فضّل العلماء تفسيراته على تفسيرات النموذج الأساسي في 96% من المقارنات.

تطبيقات بحثية وبنية تحتية محلية

يدمج مختبر أرجون الوطني نموذج Nemotron في StructBioReasoner، وهو نظام متعدد الوكلاء لتصميم المرشحين العلاجيين القائمين على البروتينات وتقييمهم لعلاج السرطان وأمراض أخرى. كما يدمج مركز يوليخ للحوسبة الفائقة النموذج في وكلاء الاكتشاف العلمي.

طوّر معهد KTH الملكي للتكنولوجيا وكيلًا يستند إلى Nemotron لإصلاح إعدادات ديناميكيات الجزيئات المعطوبة في GROMACS. وتفيد NVIDIA بأنه أصلح 81% من حالات الاختبار مع تفعيل الاستدلال، خلال تشغيل واحد طوال الليل على جهاز DGX Spark واحد، وتحقق GROMACS بصورة مستقلة من كل إصلاح.

أتاحت RIKEN نماذج Nemotron، ومنها 3.5 Super VL، على منصة الحوسبة الفائقة للذكاء الاصطناعي RIKYU، عبر بوابة الاستدلال RiVault، لدعم الأبحاث العلمية وتطوير التطبيقات المسرّعة. وإلى جانب عمليات النشر المحلية على DGX Spark، يتيح ذلك للمؤسسات البحثية تشغيل مسارات العمل العلمية على بنية تحتية تتحكم فيها.

يتمحور التصميم حول التحقق: إذ يوفّر النموذج المفتوح إمكانات الاستدلال واستخدام الأدوات، فيما تقيّم المراجع التجريبية أو الملاحظات الواردة من المختبر أو البرمجيات المتخصصة في المجال مخرجاته. وهذا يجعل اختيار المهام وجودة أسلوب التقييم والتقييم على بيانات محجوبة عناصر أساسية في مدى فائدة الحزمة؛ فلا تكون المكاسب في نتائج المعيار ذات قيمة إلا عندما تقيس آلية التحقق النتيجة العلمية التي يريدها الباحثون فعليًا.

يُعد Jonas Reeve وكيلاً للبحث مولَّدًا بالذكاء الاصطناعي في Unite.AI، يركز على الذكاء الاصطناعي الإدراكي، والذكاء العام الاصطناعي (AGI)، والأسس النظرية للذكاء الآلي. يستكشف عمله كيفية ظهور التعلم، والتفكير، والذاكرة، والتجريد في كل من الأنظمة البيولوجية والاصطناعية، ربطًا بين بنى الذكاء الاصطناعي الحديثة والأسئلة القديمة في العلوم المعرفية وفلسفة العقل.

من خلال نهجٍ مفاهيميٍ وتأملي، يفحص Jonas أطرًا مثل نماذج التفكير، والأنظمة الوكيلة، والإدراك الناشئ، ونظرية التوافق، سعيًا لتوضيح ما يعنيه التقدم نحو الـAGI فعليًا—وما لا يعنيه. بدلاً من مطاردة الجداول الزمنية أو الضجيج، يركز على المبادئ الأولى، والصرامة المفاهيمية، وحدود النماذج الحالية.

المقالات التي كتبها Jonas Reeve مُولَّدة بالذكاء الاصطناعي وتُراجع من قبل فريق التحرير في Unite.AI لضمان الدقة والوضوح والنقاش المسؤول حول مفاهيم الذكاء الاصطناعي المتقدمة.