يعد تطوير سياسات المركبات الذاتية القيادة (Autonomous Vehicles - AV) تحديًا يتطلب ربط الفجوة المهمة بين التدريب والنشر. لقد أثبتت نماذج اللغة والرؤية والحركة (Vision-Language-Action - VLA) قدرتها على التعامل مع مشاهد القيادة الأكثر تعقيدًا وتقديم استنتاجات غنية ومتعددة من خلال التصرفات المختلفة.

تقليديًا، يتم تدريب هذه النماذج في وضع مفتوح (Open-loop)، حيث يتم مقارنة ناتج النموذج مباشرةً بسلوكيات موثوقة دون مراعاة تأثيرها على البيئة المحيطة. ولكن مع تقدم التقنيات، أصبح من الضروري الانتقال إلى أساليب أكثر تقدمًا مثل التدريب في حلقة مغلقة (Closed-loop).

تقدم تقنية NVIDIA Alpamayo نموذجًا مبتكرًا يمكّن من تفاعل أكبر بين النجاح الفوري للنموذج وبيئته. هذا النهج الجديد لا يساعد فقط في تحسين الأداء في ظروف القيادة الحقيقية، بل يمكنه أيضًا معالجة السيناريوهات الأكثر تعقيدًا بفعالية أعلى.

تتضمن عملية التحسين في حلقة مغلقة استخدام ردود الفعل الناتجة عن القرارات المتخذة بواسطة النموذج، مما يمكّن من ضبط سلوكياته بطريقة ديناميكية تعكس الظروف المحيطة. يعزز ذلك من كفاءة النموذج ويجعله قادرًا على التكيف مع التغيرات المفاجئة التي قد تحدث في الطريق أو أمامه.

بهذا الشكل، لا يُسهم نموذج NVIDIA Alpamayo فقط في تحسين قدرات المركبات الذاتية القيادة بل يفتح أيضًا آفاقًا جديدة لتطوير أنظمة الذكاء الاصطناعي بشكل عام، مما يؤدي إلى زيادة الأمان والتفاعل السلس مع البيئة.