التفكير على الطريق: هل يمكن لمنصة نيفيديا Alpamayo حل مشكلة الحالات الحدية في السيارات ذاتية القيادة؟

السيارات ذاتية القيادة قد حققت تقدمًا ملحوظًا خلال العقد الماضي، وتراكمت ملايين الأميال وأداء جيد على الطرق السريعة، وفي المناطق الحضرية الخاضعة للسيطرة، وفي المناطق الحضرية المختارة. ومع ذلك، حتى في عام 2026، لا تزال القيادة في العالم الحقيقي تكشف عن القيود الحاسمة. على سبيل المثال، لا تزال الدورات غير المحمية أثناء هطول الأمطار الغزيرة، ومناطق البناء مع علامات مسار غير واضحة أو مفقودة، و تقاطعات حيث يستخدم أفراد الطوارئ إشارات يدوية مؤقتة، يمكن أن تواجه أنظمة القيادة الذاتية المتقدمة.

هذه المواقف ليست حالات نادرة يمكن حلها بمجرد جمع المزيد من البيانات. بل إنها تسلط الضوء على مشكلة أعمق في تقنية السيارات ذاتية القيادة الحالية. النظم الحديثة قادرة على الكشف عن الأجسام وتحديد موقع البيئة، لكنها تعاني من صعوبة في التفكير في الأحداث المستقبلية، وتفسير نوايا مستخدمي الطريق الآخرين، واتخاذ القرارات الحساسة للسياق. ونتيجة لذلك، فإن الكشف وحده غير كافٍ لضمان السلامة في السيناريوهات المعقدة وغير المتوقعة.

للمواجهة هذا التحدي، قدمت نيفيديا Alpamayo في معرض CES 2026. هذه العائلة من نماذج الرؤية واللغة والعمل المفتوحة تدمج طبقة التفكير الصريحة فوق الكشف. من خلال الجمع بين الكشف والتفكير، تمكن Alpamayo المركبات من التنقل في المواقف النادرة والمعقدة بأمان أكبر، مع تقديم تفسيرات يمكن تفسيرها لكل قرار. وبالتالي، فهي تمثل خطوة كبيرة نحو النظم الذاتية التي يمكنها التفكير، والتفسير، والتكيف بدلاً من مجرد الملاحظة.

فهم مشكلة الحالات الحدية في القيادة الذاتية

الحالات الحدية هي واحدة من أكثر المشاكل تعقيدًا في السيارات ذاتية القيادة. هذه هي المواقف النادرة التي يعتمد فيها الإجراء الأكثر أمانًا على السياق الدقيق والقواعد الاجتماعية غير المكتوبة والتفاعلات في الوقت الفعلي مع مستخدمي الطريق الآخرين. على سبيل المثال، قد يلوح رجل مشيًا بالسيارة عبر تقاطع حتى لو كان لديه الحق في المرور. أو قد يكون هناك منطقة بناء مع علامات مسار غير واضحة أو مفقودة تتعارض مع مخروطات مؤقتة. هذه المواقف لا تحدث بشكل متكرر، ربما مرة واحدة كل بضع آلاف ميل، ولكنها تسبب نسبة كبيرة من حوادث السلامة وآثار النظام.

تظهر تقارير انقطاع كاليفورنيا لعام 2024 هذا بوضوح. عبر 31 شركة مرخصة للسيارات ذاتية القيادة، قادت أكثر من 2800 مركبة اختبارية مئات الآلاف من الأميال. ومع ذلك، حدثت العديد من الفشل في تخطيطات طرق غير عادية، والتحكم في المرور المؤقت، أو عندما كان سلوك الإنسان غير متوقع. هذه هي بالضبط المواقف النادرة التي تعاني منها النماذج التقليدية للقيادة الذاتية. يمكن للبشر التنقل فيها باستخدام الخبرة والتفكير السريع والقضاء في اللحظة. غالبًا ما تفشل النظم الذاتية عندما يبدو العالم الحقيقي مختلفًا عما رأوه في التدريب.

تكنولوجيا القيادة الذاتية الحديثة جيدة جدًا في الكشف. يمكن للنظم الكشف عن المركبات ودراجات الهوائية والمشاة وإشارات المرور بدقة عالية باستخدام الكاميرات والليزر والرادار. بالإضافة إلى ذلك، تحول النماذج من النهاية إلى النهاية بيانات الحس إلى أوامر التوجيه والغاز. على الطرق المألوفة، يسمح هذا للمركبات بالقيادة بسلاسة وأمانًا.

然而، لا يمكن للكشف وحده التعامل مع جميع المواقف. لا يمكنه الإجابة على الأسئلة المهمة التي تطرح في السيناريوهات المعقدة أو غير المتوقعة. على سبيل المثال، هل سيتجاوز رجل مشيًا إلى الشارع؟ هل من الأفضل الاستسلام في هذه اللحظة أو اتخاذ مخاطرة صغيرة؟ لماذا مناورة أكثر أمانًا من أخرى؟ تجعل النماذج السوداء هذه الأسئلة أكثر صعوبة لأنها لا يمكنها تفسير قراراتها. ونتيجة لذلك، قد يجد فريق السلامة والمنظمون صعوبة في الثقة بهذه النظم.

تخطيط القواعد也有 قيودًا. بينما توفر تعليمات واضحة، يصبح برمجة قواعد لكل موقف نادر أمرًا مستحيلًا بسرعة. وبالتالي، الاعتماد فقط على الكشف أو القواعد الثابتة يترك فجوات في السلامة وصنع القرار.

تظهر هذه التحديات لماذا طبقة التفكير ضرورية للسيارات ذاتية القيادة. يمكن لنظام مثل هذا فهم المواقف، وتوقع ما قد يحدث بعد ذلك، واتخاذ قرارات يمكن للمشرعين والمنظمين الثقة بها. بالإضافة إلى ذلك، يمكن أن تنتج نماذج التفكير تفسيرات يمكن مراجعتها، مما يزيد من الثقة في إجراءات المركبة.

نيفيديا Alpamayo والتحول نحو الاستقلالية القائمة على التفكير

تقدم نيفيديا Alpamayo، منصة تركز على التفكير المصمم للتعامل مع الحالات الحدية التي لا تزال تعيق التقدم نحو القيادة الذاتية من المستوى 4. ومع ذلك، بدلاً من العمل كنظام قيادة ذاتي كامل داخل المركبة، تعمل Alpamayo كبيئة بحث وتطوير مفتوحة. وهي تدمج ثلاثة مكونات متصلة ارتباطًا وثيقًا: نماذج الرؤية واللغة والعمل المفتوحة، وإطار محاكاة AlpaSim، وقواعد بيانات القيادة الفيزيائية الكبيرة. معًا، تدعم هذه العناصر دراسة واختبار وتحسين سياسات القيادة التي يجب أن تعمل في ظل عدم اليقين والتعقيد الاجتماعي مع الحفاظ على قابلية الفهم للنقاد البشر.

الجزء الأساسي من هذه المنصة هو Alpamayo 1. في هذا النموذج، يجمع حوالي 10 مليارات معلمة بين هيكل رؤية ولغة موسع ووحدة تنبؤ إجراء وحركة مخصصة. ونتيجة لذلك، يمكن للنظام معالجة الإدخال من عدة مناظير للكاميرا، وتوقع حركة المركبة في المستقبل، وتوليد تفسيرات واضحة وطبيعية للغة لكل قرار. تتبع هذه التفسيرات تسلسلًا منظمًا. أولاً، يحدد النظام مستخدمي الطريق القريبين. ثم، يُقدر نواياهم المحتملة. بعد ذلك، يُقيّم حدود الرؤية والمخاطر. وأخيرًا، يختار مناورة مناسبة. على سبيل المثال، عندما تحجب مركبة التوصيل جزءًا من حارة، قد يفكر النموذج في إمكانية ظهور مشاة من خلفها. ثم يتحقق من حركة المرور في الحارات المجاورة. ونتيجة لذلك، قد يختار تعديلًا جانبيًا محتاطًا بدلاً من تغيير حارة مفاجئ. يعكس هذا العملية التفكيرية بشكل وثيق كيف سيفكر سائق بشري محتاط عبر نفس المواقف.

تعزز طرق التدريب هذا التركيز على التفكير. في البداية، يطور Alpamayo فهمًا عامًا سببيًا من قواعد بيانات متعددة الوسائط الكبيرة. بعد ذلك، يتم تحسينه باستخدام بيانات محددة من التسجيلات الحقيقية والمحاكاة. بالإضافة إلى ذلك، يفرض محاكاة القاعدة الفيزيائية قيود السلامة مثل الحفاظ على مسافة توقف كافية وتجنب افتراضات المسؤولية غير الآمنة. وفي الوقت نفسه، يُقيّم النظام النتائج المستقبلية البديلة بدلاً من الاعتماد على تنبؤ واحد. وبالتالي، من خلال النظر في ما قد يحدث بعد ذلك وميل إلى الاستجابات المحافظة، يقلل النموذج من خطر الفشل في ظروف غير مألوفة.

في المقابل، تعمل النظم التي تعتمد على الكشف جيدًا في الإعدادات الروتينية ولكنها تعاني عندما تختلف تخطيطات الطرق أو الطقس أو سلوك الإنسان عن الخبرة السابقة. من خلال توليد تفسيرات يمكن مراجعتها، يوفر Alpamayo لمهندسي البرمجيات رؤية أوضح في أسباب الفشل. بالإضافة إلى ذلك، يوفر للمنظمين أساسًا أكثر شفافية لتقييم السلامة، مما يدعم التقدم إلى ما هو أبعد من عمليات النشر التجريبية المحدودة.

كيف يطبق Alpamayo سلاسل التفكير في الحالات الحدية

يعالج Alpamayo المواقف الصعبة من خلال التفكير الواقعي الصريح الذي يعتمد على سلوك الطريق الحقيقي. بدلاً من الاستجابة للمواقف ككل، يقسم النظام كل موقف إلى تسلسل من الخطوات المنطقية. وبالتالي، لا يتم إنتاج القرارات كإخراج واحد، بل كنتيجة لتحليل منظم. يعكس هذا النهج التفكير البشري ويقلل من السلوك غير المتوقع في الظروف غير المألوفة.

أولاً، يحدد النموذج جميع الوكلاء ذوي الصلة في المشهد، بما في ذلك المركبات والمشاة ودراجات الهوائية والأجسام المؤقتة. ثم، يفترض النية المحتملة من خلال فحص أنماط الحركة والسياق والإشارات الاجتماعية. بعد ذلك، يُقيّم حدود الرؤية والغيوم والمخاطر المحتملة الخفية. بالإضافة إلى ذلك، يفكر في النتائج المضادة، مثل ما قد يحدث إذا خطا مشيًا فجأة إلى الشارع. فقط بعد ذلك يقارن النموذج مسارات متعددة محتملة بالقيود السلامة قبل اختيار إجراء نهائي. وفي الوقت نفسه، ينتج النظام تفسيرًا واضحًا وطبيعيًا للغة يشرح كل خطوة بالترتيب.

يصبح هذا العملية حاسمة في البيئات الغامضة. على سبيل المثال، عندما تحجب مركبة التوصيل جزءًا من حارة ضيقة حضرية، لا يعتمد Alpamayo فقط على نمط متعلم. بل يفكر في المواقف خطوة خطوة. يحدد المنطقة الخفية خلف المركبة. ثم، يتوقع إمكانية ظهور مشي أو دراجة. بعد ذلك، يتحقق من حركة المرور القادمة في أفق زمني قصير. ونتيجة لذلك، قد يختار تعديلًا جانبيًا صغيرًا يحافظ على حيز أمان بدلاً من الالتزام بتغيير حارة كامل. يتم دعم هذا القرار بالتفكير وليس فقط درجات الثقة.

علاوة على ذلك، سلسلة التفكير تحسن الشفافية خلال الاختبار وتحليل الفشل. يمكن لمهندسي البرمجيات فحص بالضبط حيث فشل مسار القرار، مثل استدلال النية غير صحيح أو تقييم المخاطر المثالي المفرط. ونتيجة لذلك، يصبح الخطأ أسهل في التشخيص والتصحيح. هذا يختلف عن نماذج الصندوق الأسود، حيث يمكن ملاحظة السلوك ولكن لا يمكن تفسيره بشكل معنوي.

تعزز المحاكاة أيضًا هذه العملية التفكيرية. من خلال إطار محاكاة AlpaSim، يعمل Alpamayo في بيئات مغلقة حيث يؤثر كل إجراء على الحالات المستقبلية. يمكن للمطورين حقن حالات حديقة نادرة ولكنها واقعية، بما في ذلك المشي الفجولي تحت الوهج، والاندماج العدواني للمركبات الكبيرة، أو تقاطعات تعتمد على الإشارات اليدوية بدلاً من الإشارات. لأن الكشف والتفكير والإجراء يعملون معًا، يجب على النظام التفكير تحت الضغط بدلاً من إعادة لعب سيناريوهات ساكنة.

أخيرًا، تتحقق القدرة على التوسع من خلال هيكل معلم-طالب. تعمل نماذج Alpamayo الكبيرة على سلاسل التفكير في مراكز البيانات وتوليد مسارات مع مسارات التفكير عبر البيانات الحقيقية والمحاكاة. ثم يتعلم نماذج أصغر من هذه الإخراجات وتحمل نفس هيكل التفكير إلى التوزيع على أجهزة المركبات. وبالتالي، يتم الحفاظ على المنطق السببي حتى عند تطبيق قيود الحوسبة. وفي الوقت نفسه، يدعم التفسيرات المعيارية الموحدة الاختبار والمراجعة التنظيمية المتسقة. معًا، تعزز هذه الآليات الموثوقية وتقرب النظم الذاتية من التشغيل الآمن في الحالات الحدية الحقيقية.

إغلاق فجوة البيانات الطويلة من خلال التفكير والمحاكاة

النظم القائمة على التفكير مثل Alpamayo لا تحل مشكلة الحالات الحدية ببساطة من خلال جمع المزيد من بيانات القيادة. بل تغير كيفية تفسير البيانات الحالية، وتوسيعها، واختبارها. وبالتالي، يعتمد التقدم على استخدام البيانات بشكل أكثر فعالية بدلاً من زيادة عدد الأميال فقط. تتعامل نيفيديا مع هذا التحدي من خلال التكامل الوثيق لقواعد بيانات القيادة الفيزيائية مع بيئة محاكاة AlpaSim، وكلاهما مصمم لدعم التطوير الموجه للتفكير.

تتضمن قواعد بيانات نيفيديا الفيزيائية أكثر من 1700 ساعة من بيانات القيادة المزامنة التي تم جمعها عبر 25 دولة وعشرات الآلاف من المدن. تدمج هذه البيانات الإدخال من الكاميرات والليزر والرادار لتقديم مجموعة واسعة من سلوك الطريق الحقيقي. ومن المهم أن هذه التسجيلات تمتد إلى ما هو أبعد من منطقة واحدة أو ثقافة قيادة. ونتيجة لذلك، تعكس أنماط المرور المختلفة، ودرجات الطقس، وتصاميم الطرق، والممارسات غير الرسمية للقيادة. هذه التنوع تعرض النماذج إلى أمثلة واقعية للمواقف النادرة والمبهمة، مثل تقاطعات غير واضحة، أو علامات مسار تالفة أو مفقودة، أو طرقات حيث يتحكم التفاوض بدلاً من اتباع القواعد الصارمة. ونتيجة لذلك، يتم تدريب نماذج التفكير على ظروف تقليد أكثر واقعية.

然而، لا يمكن للبيانات الحقيقية وحدها تمثيل كل سيناريو نادر. لهذا السبب، تلعب المحاكاة دورًا merkezi في إغلاق فجوة الذيل الطويل. من خلال AlpaSim، يمكن للمطورين生成 عددًا كبيرًا من السيناريوهات الخاضعة للسيطرة ولكنها واقعية التي تعكس المواقف الصعبة والنادرة. قد تشمل هذه السيناريوهات تدهور الحس частيًا، أو حركة مشي غير متوقعة، أو مخاطر بيئية غير مألوفة. لأن المحاكاة تعمل في حلقة مغلقة، يؤثر كل قرار قيادة على ما يحدث بعد ذلك. وبالتالي، يجب على النظام التفكير من خلال الظروف المتطورة بدلاً من الاستجابة للمدخلات الساكنة.

يصبح التحقق أيضًا أكثر هيكلة في هذا البيئة. بالإضافة إلى قياس دقة المسار، يمكن للمطورين فحص ما إذا كانت مسارات التفكير تظل متسقة وموثوقة تحت الضغط. هذا يسمح بتقييم ليس فقط ما إذا سلكت المركبة سلوكًا آمنًا، بل أيضًا ما إذا كان عملية اتخاذ القرار صحيحة – مما ي chuyển تقييم السلامة من التجربة والخطأ إلى التفكير المنظم. من خلال الجمع بين البيانات الحقيقية المتنوعة مع محاكاة التفكير، يساعد Alpamayo في تقليل تحدي الذيل الطويل بطريقة قابلة للقياس ومراجعة، مما يدعم تقدمًا أكثر أمانًا نحو القيادة الذاتية المتقدمة.

التأثير على الصناعة والتحديات المستمرة

تتماشى Alpamayo مع استراتيجية نيفيديا الأوسع للقيادة الذاتية من خلال دمج التدريب الكبير والمحاكاة وتوزيع المركبات. يحدث التدريب والتقييم على أنظمة GPU عالية الأداء في مراكز البيانات. في الوقت نفسه، تعمل نماذج أصغر مشتقة من هذا العمل على أجهزة السيارات، مثل منصة DRIVE Thor، مما يسمح باتخاذ القرارات في الوقت الفعلي في المركبات. وبالمثل، تمتد أنظمة متعلقة إلى الروبوتات من خلال منصات Jetson. وبالتالي، تمكن Alpamayo السيارات والأنظمة الفيزيائية الأخرى من مشاركة إطار تطوير مشترك.

يعكس الاهتمام الصناعي هذا النهج. العديد من المصنعين ومجموعات البحث تجرب Alpamayo كطبقة تفكير فوق نظم الكشف الحالية. على سبيل المثال، تخطط مرسيدس بنز لاستكشاف التكامل في المركبات المستقبلية، بينما تدرس جاغوار لاند روفر استخدامها لتقييم المواقف القيادية المعقدة. وفي الوقت نفسه، تطبق منظمات مثل لوسيد، وأوبر، وبركلي ديب درايف Alpamayo لاختبار السياسات وتحقق السلامة. ونتيجة لذلك، يُعتبر المنصة أقل كبديل لنظم الاستقلالية وأكثر كأداة لتحسين منطق السلامة ودعم أهداف المستوى 4.

على الرغم من هذه التطورات، لا تزال هناك تحديات رئيسية متبقية، وتتطلب انتباهًا دقيقًا. على سبيل المثال، قد تصف سلسلة التفكير القرارات بعد الحادث بدلاً من反映 العملية الداخلية الفعلية، مما يُ复ّق تحقيقات الحوادث. بالإضافة إلى ذلك، قد يضع نقل السلوك المحتاط من النماذج الكبيرة إلى نماذج السيارات الأصغر خطرًا على هامش السلامة إذا كانت التحقق غير كافية. وبالتالي، يُعد الاختبار الشامل ضروريًا للحفاظ على السلوك المتسق تحت القيود الحوسبية الصارمة.

تخلق فروق التوزيع مخاطر مستمرة. قد لا ينتقل التفكير المُدرَّب في بيئات حضرية منظمة بشكل سلس إلى مناطق ذات حركة مرور غير رسمية، أو تقاطعات آسيوية كثيفة، أو طرقات ريفية غير معبدة. وبالتالي، يُعد التحقق المحلي والتعديل ضروريين للحفاظ على السلامة عبر ظروف متنوعة. بالإضافة إلى ذلك، يعتمد الثقة العامة والموافقة التنظيمية على إثبات أن مخرجات التفكير تؤدي إلى تحسينات حقيقية في السلامة، مثل تقليل الانقطاعات والمرور القريب والانتهاكات القاعدة.

على الرغم من أن نهج التطوير المفتوح لشركة Alpamayo يشجع على التعاون، إلا أن دمجها مع نظام نيفيديا يثير تساؤلات حول الاعتماد الطويل الأمد على نيفيديا. ومع ذلك، يظل التحول العام نحو الاستقلالية القائمة على التفكير واضحًا، وبالتركيز على الشفافية والمساءلة والنتائج الآمنة القابلة للقياس، يتحرك هذا النهج النظم الذاتية أقرب إلى النشر الآمن خارج البرامج التجريبية الخاضعة للسيطرة.

النقطة الأساسية

لقد وصلت القيادة الذاتية إلى نقطة حيث لا يكفي الكشف وحده. بينما يمكن للمركبات رؤية الطريق بدقة عالية، لا تزال المواقف الصعبة تتطلب الفهم والقضاء والتفسير. وبالتالي، تمثل النظم القائمة على التفكير مثل Alpamayo تحولًا أساسيًا في كيفية مواجهة هذه التحديات. من خلال الجمع بين التفكير المنظم والمحاكاة الواقعية والتقييم الشفاف، يهدف هذا النهج إلى الحالات الحدية التي تهم أكثر من أجل السلامة.

علاوة على ذلك، يوفر أدوات يمكن لمهندسي البرمجيات والمنظمين فحصها وطرح الأسئلة عليها، وهو ما يُعد ضروريًا للثقة. ومع ذلك، لا يزيل التفكير جميع المخاطر. لا تزال التحقق الدقيق والاختبار المحلي والرقابة التنظيمية ضرورية. حتى مع ذلك، من خلال التركيز على لماذا يتم اتخاذ القرارات بدلاً من مجرد ما الإجراءات المتخذة، يتحرك التفكير القائم على الاستقلالية تكنولوجيا السيارات الذاتية أقرب إلى النشر الآمن والمسؤول على الطرق الحقيقية.