تصور کنید در دنیایی زندگی می‌کنید که ایمنی خودروهای خودران یک قابلیت اضافی یا یک قطعه‌ی الحاقی نیست، بلکه یک الزام تمام‌عیار در کل پشته‌ی فناوری (Full-stack Requirement) است. برای پاسخ به این نیاز حیاتی، انویدیا (NVIDIA) سامانه‌ی Halos را عرضه کرد؛ یک زیربنای ایمنی یکپارچه که طراحی شده تا تضمین کند تولیدات مربوط به هوش مصنوعی فیزیکی — به ویژه روبوتاکسی‌های سطح ۴ (Level 4) — سخت‌گیرانه‌ترین استانداردهای قابلیت‌اتکاء را از فضای ابری تا داخل خودرو رعایت می‌کنند. بر اساس گزارش یک جلسه‌ی توجیهی شرکت در تاریخ ۲۲ ژوئن ۲۰۲۶، این سیستم دقیقاً شکاف موجود میان توانایی‌های سطح بالای هوش مصنوعی و نیازهای عملیاتی ایمنی در مرحله‌ی تولید انبوه را پر می‌کند.
خودروهای خودران مدرن در حال انتقال به سمت معماری‌های هوش مصنوعی «پایان‌به-پایان» (End-to-End) هستند. در حالی که این مدل‌ها رانندگی شهودی و منعطفی را ممکن می‌کنند، اما اغلب فاقد شفافیت و نرده‌های حفاظتی قطعی (Deterministic Guardrails) هستند که رگولاتورها و ناظران قانونی برای صدور مجوز به آن‌ها نیاز دارند. این موضوع تضادی میان چابکی و سرعت تکامل هوش مصنوعی و صلبیت استانداردهای ایمنی عملکردی، مانند ISO 26262، ایجاد کرده است. انویدیا اکنون Halos را به عنوان لایه‌ی حیاتی معرفی می‌کند که به توسعه‌دهندگان اجازه می‌دهد روی مدل‌های هوش مصنوعی خود تکرار و بهبود (Iterate) داشته باشند، بدون آنکه پایداری در سطح کل سیستم به خطر بیفتد.
انویدیا برای ایجاد این شفافیت و پاسخگویی، Halos را در سه مرحله عملیاتی متمایز اجرا می‌کند تا قابلیت توضیح‌پذیری (Explainability) را در پشته‌ی خودروهای خودران نهادینه کند:
- زمان طراحی (Design-time): با استفاده از زیرساخت NVIDIA DGX، سیستم ایمنی سخت‌افزاری و نرم‌افزاری را در همان مراحل اولیه‌ی آموزش مدل تثبیت می‌کند.
- زمان اعتبارسنجی (Validation-time): در این مرحله، NVIDIA Omniverse و Cosmos حفاظ‌های مبتنی بر شبیه‌سازی را برای تولید داده‌ها و تضمین ایمنی مادام‌العمر فراهم می‌کنند. این ابزارها شبیه به نرده‌های حفاظتی در لبه‌ی پرتگاه عمل می‌کنند که اجازه نمی‌دهند خودرو در سناریوهای مختلف از مسیر ایمن خارج شود.
- زمان استقرار (Deployment-time): در نهایت، NVIDIA DRIVE AGX وظیفه‌ی نظارت در زمان اجرا (Run-time Monitoring) و درون‌بینی لحظه‌ای (Real-time Introspection) را در حالی که خودرو در جاده در حال حرکت است، بر عهده می‌گیرد.
هسته‌ی این سامانه، Halos OS است؛ یک زیربنای نرم‌افزاری آماده‌ی تولید که به چهار لایه‌ی اصلی تقسیم شده است تا هر بخش از زنجیره‌ی ایمنی را پوشش دهد:
۱. Halos Core: این لایه بر پایه DriveOS با گواهینامه‌ی ISO 26262 ASIL D ساخته شده است. این هسته از یک هایپروایزر (Hypervisor) پیشرفته برای جداسازی کامل عملکردهای حساس به ایمنی از پردازش‌های سنگین هوش مصنوعی استفاده می‌کند تا تداخلی در اجرای دستورات حیاتی رخ ندهد.
۲. Halos SDK: یک لایه‌ی نرم‌افزاری میانی (Middleware) است که انتزاع حسگرها، ارتباطات بین-پردازشی بدون کپی (Zero-copy IPC) و زمان‌بندی قطعی عملیات را مدیریت می‌کند تا تأخیر در تصمیم‌گیری به حداقل برسد.
۳. Halos Applications: این بخش شامل حفاظ‌های مبتنی بر قانون (Rule-based) است. مواردی مانند ترمز اضطراری خودکار (AEB) و هشدار خروج از خط در این لایه قرار دارند و از مدل‌های پایان‌به-پایان NVIDIA Alpamayo پشتیبانی می‌کنند تا در صورت خطای مدل AI، قوانین سخت‌گیرانه فعال شوند.
۴. Halos Infra: لایه‌ای در سمت ابر (Cloud) است که DGX و Omniverse را از طریق «چارچوب ارزیابی ایمنی» (Safety Evaluation Framework یا SEF) به یک چرخه‌ی حیات واحد و یکپارچه متصل می‌کند. این رویکرد یکپارچه‌ساز، مشابه راهکارهای پیشرفته‌ای است که در آن عامل‌های هوش مصنوعی برای رفع خودکار اختلالات در شبکه‌های عظیم به کار گرفته می‌شوند تا پایداری سیستم در مقیاس وسیع تضمین گردد.
طبق مستندات فنی شرکت، این نرم‌افزار روی یک سیستم-روی-تراشه (SoC) اجرا می‌شود که اختصاصاً برای ایمنی طراحی شده و دارای صدها مکانیزم داخلی برای تشخیص خطا است. NVIDIA DRIVE Hyperion این تراشه را به حسگرهای خودرو متصل می‌کند و اجازه می‌دهد تا در صورت شکست یا از کار افتادن سیستم اصلی، خودرو بتواند برنامه‌های جایگزین و اقدامات احتیاطی (Contingency Plans) را برای توقف ایمن اجرا کند. برای تضمین هماهنگی کامل این اجزا، انویدیا آزمایشگاه بازرسی سیستم‌های هوش مصنوعی Halos را تأسیس کرد. این مرکز، نخستین برنامه‌ای در سطح جهان است که توسط هیئت اعتباربخشی ملی ANSI (ANAB) برای ایمنی عملکردی هوش مصنوعی تأیید و اعتباربخشی شده است.
ابعاد مهندسی و مقیاس سرمایه‌گذاری در این پروژه خیره‌کننده است. انویدیا برای تبدیل شدن به استانداردی در ایمنی، مقادیر زیر را گزارش کرده است:
- اختصاص بیش از ۱۸,۶۰۰ «سال-مهندس» (Engineering Years) برای تمرکز بر ایمنی خودرو.
- به‌کارگیری بیش از ۲۱ میلیارد ترانزیستور که تمامی آن‌ها از نظر ایمنی ارزیابی و تأیید شده‌اند.
- تولید ۷ میلیون خط کد که به‌طور کامل از نظر ایمنی بررسی شده‌اند.
- اجرای ۲ میلیون تست یکپارچه‌سازی پایان‌به-پایان به‌صورت روزانه برای اعتبارسنجی سیستم.
- انتشار بیش از ۳۳۰ مقاله‌ی پژوهشی تخصصی در زمینه‌ی ایمنی خودروهای خودران.
غول‌های صنعتی جهان نیز هم‌اکنون در حال ادغام این ابزارها در زنجیره تولید خود هستند. شرکت بوش (Bosch) از آزمایشگاه بازرسی سیستم‌های Halos استفاده می‌کند تا تخصص خود در زمینه‌ی حسگرهای ADAS را با چارچوب اعتبارسنجی انویدیا ترکیب کند. شرکای استراتژیک دیگری مانند TÜV Rheinland، UL Solutions و CertX نیز در حال هماهنگ‌سازی گزارش‌های تست وCertification هستند تا مسیر ورود سیستم‌های نوآورانه به بازار را هموار کرده و سرعت عرضه را افزایش دهند.
در لایه‌ی الگوریتمی، انویدیا به دنبال حل چالش «دم بلند» (Long Tail) است؛ یعنی همان سناریوهای بسیار نادر و Edge-caseهایی که در رانندگی رخ می‌دهند و مدل‌های عادی قادر به پیش‌بینی آن‌ها نیستند. مدل Alpamayo 1 از اتوماسیون مبتنی بر استدلال (Reasoning-based Autonomy) استفاده می‌کند تا بتواند اقدامات لازم در این شرایط نادر را پیش‌بینی کند. برای پشتیبانی از این قابلیت، خط لوله‌ی Cosmos-Drive-Dreams داده‌های رانندگی مصنوعی (Synthetic Data) تولید می‌کند تا هزینه و زمان جمع‌آوری داده‌های حساس و خطرناک در دنیای واقعی به شدت کاهش یابد.
تحلیل تحلیلی
انویدیا با تغییر استراتژی از «فروش تراشه» به «ارائه یک سیستم‌عامل ایمنی گواهینامه‌دار»، در واقع در حال ساخت یک «خندق رگولاتوری» (Regulatory Moat) در صنعت رانندگی خودران است. برای اپراتورهای روبوتاکسی، بزرگ‌ترین مانع امروز، توانایی AI در رانندگی نیست، بلکه توانایی اثبات این موضوع برای نهادهای دولتی است که AI دچار شکست فاجعه‌بار نخواهد شد. Halos ایمنی را از یک سری تست‌های پراکنده و تکه‌تکه شده، به یک خط لوله‌ی نرم‌افزاری مستمر تبدیل می‌کند.
این تغییر رویکرد، انویدیا را بیش از آنکه یک فروشنده‌ی سخت‌افزار باشد، به یک «شریک اعتباربخشی» تبدیل می‌کند. اگر صنعت خودرو Halos را به عنوان استاندارد برای انطباق با ASIL D در هوش مصنوعی بپذیرد، یک اثر «قفل‌شدگی» (Lock-in) قدرمند ایجاد می‌شود. توسعه‌دهندگانی که پرونده‌های ایمنی خود را بر اساس چارچوب SEF انویدیا بنا کنند، در آینده هزینه‌ی بسیار گزافی برای مهاجرت به سخت‌افزارهای دیگر خواهند پرداخت، زیرا تمام فرآیندهای اعتبارسنجی آن‌ها با اکوسیستم Halos گره خورده است.
گام بعدی شما
- انتشار NVIDIA Physical AI Dataset را دنبال کنید تا ببینید این چهارچوب‌های ایمنی چگونه در رباتیک عمومی (خارج از حوزه خودرو) به کار می‌روند.
- بنچمارک‌های ایمنی تخصصی را در آخرین «گزارش ایمنی خودروهای خودران انویدیا» بررسی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو