منظومة NVIDIA للروبوتات تدفع الذكاء الاصطناعي المادي نحو الأتمتة الصناعية

يتجاوز الذكاء الاصطناعي الصناعي بيئات البحث وينتقل إلى تطبيقات المصانع. ففي مؤتمر GTC 2026، سلطت NVIDIA الضوء على تعاونات تركز على الربط بين المحاكاة والتدريب ومعدات الأتمتة الواقعية. ويتمثل الهدف في اختصار المسار من تطوير النماذج إلى الأنظمة الروبوتية الجاهزة للإنتاج.

وقد أوضح شركاء من بينهم FANUC وUniversal Robots وInfineon كيفية دمج منصات المحاكاة والحوسبة الطرفية والمعدات الصناعية ضمن سير عمل واحد. وتعكس هذه التطورات تحولًا نحو روبوتات يمكن تدريبها والتحقق من أدائها وتكييفها باستخدام بيانات التشغيل الفعلية.

ربط المحاكاة بتطبيقات المصانع

استعرضت FANUC التكامل بين محاكاة الروبوت والتنفيذ في العالم الحقيقي. ومن خلال ربط أدوات المحاكاة غير المتصلة بالإنترنت ببيئات مدعومة بالذكاء الاصطناعي، يستطيع المهندسون نمذجة خطوط الإنتاج والتحقق من حركة الروبوت قبل النشر.

وبعد التحقق، يمكن نقل هذه الإعدادات مباشرة إلى الروبوتات الفعلية. ويقلل ذلك من وقت التشغيل التجريبي ويحد من الفجوة بين الاختبار الافتراضي وأداء المصنع.

تتيح وحدات الذكاء الاصطناعي الطرفية للروبوتات تنفيذ الاستدلال محليًا مع الحفاظ على التوافق مع أدوات التطوير المفتوحة. كما يقلل دعم ROS 2 وPython من الاعتماد على بيئات البرمجة الاحتكارية.

وتنقل هذه القدرات برمجة الروبوتات من مسارات الحركة الثابتة إلى السلوك التكيفي. إذ تستطيع الأنظمة تفسير المدخلات عالية المستوى وتوليد الحركة ديناميكيًا، مما يحسن المرونة في بيئات الإنتاج المتغيرة.

بيانات التدريب من حركة الروبوتات الفعلية

ركزت Universal Robots على أحد القيود الرئيسية في الذكاء الاصطناعي الفيزيائي: جمع بيانات تدريب قابلة للاستخدام. ويعتمد نهجها على التقاط معلومات الحركة والقوة مباشرة من روبوتات الإنتاج بدلًا من الأنظمة المخبرية الخاضعة للسيطرة.

في هذا الإعداد، يوجه مشغل روبوتًا بينما يحاكي روبوت آخر الحركة. ويسجل النظام مجموعات بيانات متزامنة تشمل بيانات الموضع والقوة والرؤية. وتغذي هذه المجموعات نماذج ذكاء اصطناعي مصممة لمهام المناولة والتجميع.

وتُستخدم أدوات المحاكاة من NVIDIA لتوسيع مجموعات البيانات هذه بفضل سيناريوهات تدريب اصطناعية. ويؤدي الجمع بين البيانات المحاكاة والبيانات الواقعية إلى إنشاء حلقة تغذية راجعة لتحسين النماذج بسرعة أكبر.

يحسن سير العمل هذا الانتقال من التدريب إلى النشر. فالنماذج المدربة على معدات الإنتاج تتصرف بصورة أكثر قابلية للتنبؤ عند نقلها إلى أنظمة الأتمتة العاملة.

منصات المعدات للذكاء الاصطناعي الفيزيائي

تناولت Infineon طبقة المعدات اللازمة لدعم الروبوتات المعتمدة على الذكاء الاصطناعي. ويركز التعاون على الجمع بين التحكم في المحركات والاستشعار ومنصات الحوسبة ضمن بنيات مرجعية.

وتتيح التوائم الرقمية للمشغلات والمستشعرات للمطورين التحقق من استراتيجيات التحكم في الحركة قبل الانتهاء من المعدات. ويقلل ذلك من مخاطر التكامل ويسرّع تطوير المنصات الروبوتية المعقدة.

كما تشكل الأمان والسلامة الوظيفية جزءًا من البنية. وتهدف الحماية على مستوى المعدات وميزات الإقلاع الآمن إلى دعم المتطلبات الصناعية للنشر الآمن للذكاء الاصطناعي.

توسيع منظومة الروبوتات

عززت إعلانات إضافية من المنظومة التحول نحو الذكاء الاصطناعي الفيزيائي القابل للنشر. فقد قدم مورّدو الأتمتة طبقات برمجية ومكونات بنية تحتية وأنظمة لالتقاط الحركة مصممة للروبوتات المعتمدة على الذكاء الاصطناعي.

• توحد منصات البرمجيات تفاعل الذكاء الاصطناعي مع معدات الأتمتة
• تعالج حلول البنية التحتية احتياجات الطاقة والتبريد لأحمال الذكاء الاصطناعي
• تولد أنظمة التقاط الحركة بيانات تدريب للروبوتات الشبيهة بالبشر

تشير هذه التطورات مجتمعة إلى الانتقال من الأتمتة الثابتة إلى أنظمة تتعلم من البيانات وتتكيف مع متطلبات الإنتاج المتغيرة. ويُنظر إلى المحاكاة والتدريب والنشر بصورة متزايدة على أنها سلسلة متصلة بدلًا من مراحل منفصلة.

ومع نضوج هذه التقنيات، قد تنتقل الروبوتات الصناعية من آلات مبرمجة مسبقًا إلى منصات تكيفية قادرة على الاستجابة لظروف المصانع الفعلية.

يكتب لين هاي بين عن تقنيات الأتمتة الصناعية، مع التركيز على الروبوتات وأنظمة التحكم المدعومة بالذكاء الاصطناعي ومنصات التصنيع من الجيل التالي.