NVIDIA تختبر ذكاء Palantir على 1.3 مليون قطعة قبل بيعه للمصانع
بدأت NVIDIA وPalantir في 10 سبتمبر 2026 نشر منظومة ذكاء اصطناعي لسلاسل الإمداد داخل عمليات NVIDIA أولًا، تمهيدًا لتوسيعها إلى مؤسسات أخرى. ويحدد إعلان NVIDIA وPalantir مكوناتها في نماذج NVIDIA Nemotron المفتوحة وPalantir Foundry وAIP وOntology، مع إمكان تشغيلها سحابيًا أو داخل المؤسسة.
يبدأ هذا النشر الداخلي بقرارات تخصيص المواد في سلسلة Vera Rubin، التي تقول NVIDIA إن الرف الواحد منها يحتاج إلى 1.3 مليون قطعة عبر آلاف الموردين وشبكة تصنيع عالمية. وتصف تغطية StorageReview المنشورة في 10 سبتمبر سلسلة NVIDIA بأنها أول بيئة تشغيل للمنظومة؛ لذلك يشير «الاختبار على 1.3 مليون قطعة» إلى تطبيقها على مشكلة تخصيص بهذا الحجم، لا إلى فحص كل قطعة منفردة.
سلسلة NVIDIA هي الاختبار التجاري الأول
المنظومة تعمل على بيانات وقرارات حقيقية داخل NVIDIA، لكنها ليست بعدُ دراسة حالة تثبت أثرًا تشغيليًا لدى مصنع خارجي. يبدأ سير العمل من تخصيص المواد: تحديد الأجزاء التي تذهب إلى كل موقع تصنيع، ورصد القيود، ومقارنة البدائل وفق أثرها في الإنتاج من الرقاقة إلى تشغيل النظام النهائي.
هذا الاختيار يضع البرمجيات أمام مشكلة مترابطة؛ فالرف الكامل يحتاج إلى وصول مكونات الحوسبة والذاكرة والشبكات والطاقة والتبريد والأجزاء الميكانيكية في الوقت المناسب. نقص عنصر واحد قد يقيد التجميع كله، ولهذا تحتاج فرق الإمداد إلى رؤية العلاقات بين الأجزاء والموردين والطاقة الإنتاجية والطلبات، لا إلى جدول مخزون منفصل لكل جهة.
أما عبارة «قبل بيعه للمصانع» في العنوان فتعكس ترتيب النشر لا موعد إصدار منتج جديد. الشركتان تتيحان للمؤسسات بناء حزمها الخاصة وتعرضان خيارات تشغيل تجارية، لكنهما تبدأان داخل NVIDIA وتعتزمان نقل الدروس إلى قطاعات تشمل التصنيع والطاقة والسيارات والطيران؛ ولم تعلنا سعرًا موحدًا أو عدد العملاء الخارجيين الذين دخلوا التشغيل الفعلي.
كيف تتوزع الوظائف بين Palantir وNVIDIA؟
ليست الحزمة نموذجًا لغويًا يدير المصنع بمفرده. إنها سلسلة طبقات تجمع البيانات التشغيلية، وتمثل علاقاتها، وتحسب بدائل التخصيص، ثم تعرض توصية يراجعها مخطط الإمداد قبل اتخاذ القرار النهائي.
- Foundry: تجمع بيانات المؤسسة وتعدها داخل بيئة محكومة بدل تركها موزعة بين أنظمة منفصلة.
- Ontology: تحول السجلات إلى كائنات وعلاقات تشغيلية، مثل الجزء والمورد والموقع والطلب والقيد وقرار التخصيص.
- AIP: تربط النماذج والبيانات والأدوات والصلاحيات بسير العمل الذي يستخدمه المخططون.
- cuOpt: يحل مسائل التحسين ويتيح اختبار سيناريوهات القيود والمفاضلة بين بدائل توزيع المواد.
- Nemotron: يتعلم من القرارات السابقة ومبرراتها ونتائجها ليقترح نطاق تخصيص، ويشرح العوامل المؤثرة، وينبه إلى المخاطر؛ ويبقى الاعتماد النهائي لدى المختص.
- NeMo وPalantir Autopilot: يدعمان إعداد بيانات التدريب وإدارة دورة تخصيص النموذج وتتبّع الصلة بين البيانات والإصدار والتوصية.
عمليًا، يتطلب هذا السير بيانات قائمة المواد والمخزون وعروض الموردين والتزامات مواقع التصنيع والإنتاج الفعلي، إضافة إلى الإشارات النوعية التي يستخدمها المخططون، مثل مراسلات الشركاء وتوقعات الطقس والأحداث الجيوسياسية ومحاضر اجتماعات الموردين. هذه ليست حزمة بيانات قياسية أعلنت الشركتان أنها مكتملة لكل عميل؛ بل مدخلات ظهرت في وصف تطبيق NVIDIA، ويتعين على كل مؤسسة مواءمتها مع سلسلة توريدها.
السيادة لا تعني السحابة أو الموقع المحلي وحدهما
تستخدم الشركتان وصف «الذكاء السيادي» لأن البيانات الخاصة وأوزان النموذج والاستدلال يمكن أن تبقى داخل بيئة تحكمها المؤسسة. يعمل نشر NVIDIA على بنى NVIDIA المرجعية وبنية Palantir Sovereign AI Operating System Reference Architecture، المعروفة اختصارًا باسم SAIOS.
يمكن نشر الحزمة داخل المؤسسة على أنظمة Cisco أو Dell، أو في مرافق الاستضافة المشتركة والسحابة مع Rackspace وNebius. هذا يمنح المؤسسة خيار موضع التشغيل بدل إلزامها بخدمة عامة واحدة، لكنه لا يثبت تلقائيًا إقامة البيانات داخل دولة بعينها.
في الشرق الأوسط وشمال أفريقيا، تتوقف السيادة الفعلية على التكوين والعقد: موقع مراكز البيانات والنسخ الاحتياطية، وإدارة مفاتيح التشفير، وصلاحيات المشغل، وسجلات الوصول، والجهات القادرة على رؤية المدخلات أو تشغيل النموذج. الإعلان يثبت تعدد خيارات النشر والسيطرة المؤسسية، لا امتثال كل خيار لجميع القواعد المحلية.
نتيجة 86.7% تثبت التخصص لا أثر التوريد
هناك نتيجة تقنية منشورة بالفعل، لكنها أضيق من نجاح سلسلة الإمداد. توضح الصفحة التقنية لتطبيق NVIDIA أن نموذج Nemotron 3.5 Lightning المخصص حقق دقة 86.7% في قرارات التخصيص على معيار تطوير داخلي، مقابل 55.5% لنموذج Nemotron 3 Ultra غير المخصص و17.5% للنسخة الأساسية من Lightning.
أُجري القياس على مهمة محددة وبيانات NVIDIA، باستخدام إعادة تشغيل قرارات تاريخية وفق المعلومات التي كانت متاحة وقتها. كما سجل النموذج المخصص دقة متوازنة قدرها 58.6% وMacro-F1 قدره 57.5%، وظل التنبؤ بمخاطر الإنتاج المستقبلية صعبًا رغم التخصيص. وبذلك تدعم الأرقام فائدة التدريب على سياق المؤسسة، ولا تثبت تفوق النموذج في كل مهمة أو إمكانية نقل النتيجة نفسها إلى مصنع آخر.
ولم تنشر الشركتان أرقامًا تربط المنظومة حتى الآن بانخفاض المخزون، أو تقليص زمن التسليم، أو تراجع تكلفة الشحن العاجل، أو زيادة عدد الرفوف المكتملة. رقم 1.3 مليون يقيس تعقيد قائمة أجزاء الرف، أما 86.7% فيقيس تطابق قرارات نموذج متخصص على معيار داخلي؛ ولا يجوز دمجهما بوصفهما نتيجة تشغيلية واحدة.
ما الذي يفصل النشر الداخلي عن نجاح المصانع؟
الاختبار الصناعي الأوسع يحتاج إلى مقاييس تحيط بالقرار ونتيجته. على مستوى النموذج تشمل هذه المقاييس دقة اكتشاف القيود، وجودة تفسير المفاضلات، ونسبة توصيات التخصيص التي قبلها المخططون أو عدلوها أو تجاوزوها. وعلى مستوى التشغيل تشمل زمن دورة التخصيص، وتوافر المواد، والالتزام بمواعيد التسليم، والمواد الراكدة، وحالات تعطل التجميع بسبب نقص مكوّن.
يجب أيضًا مقارنة هذه المؤشرات بخط أساس وفترة زمنية وظروف معلومة، لأن تحسن الإنتاج قد ينتج من إضافة مورد أو ارتفاع الطاقة التصنيعية أو تغير الطلب، لا من المنظومة وحدها. ولا يكفي نقل النموذج والبرمجيات إلى عميل جديد: تختلف شبكة الموردين وقواعد القرار وجودة البيانات والقيود التنظيمية من مؤسسة إلى أخرى.
الوضع المؤكد هو أن NVIDIA وضعت الحزمة داخل سير تخصيص المواد لديها، ونشرت معيارًا داخليًا يظهر تحسن النموذج المتخصص في هذه المهمة، بينما بقي القرار البشري جزءًا من الحلقة. ما لم يُنشر بعد هو أثر قابل للمقارنة في المخزون والتسليم والتكلفة، ونتائج تشغيل مستقلة لدى المصانع، وتفاصيل الأسعار ومدد التنفيذ وضمانات إقامة البيانات لكل سوق.
اقرأ أيضًا:
اشترك في نشرتنا الإخبارية
احصل على أحدث أخبار الويب 3 والذكاء الاصطناعي والعملات المشفرة مباشرة في بريدك.