همکاری میسترال و انویدیا: هوش مصنوعی به مهندسی صنعتی می‌رسد

شرکت Mistral و انویدیا همکاری تازه‌ای را برای آوردن هوش مصنوعی به مهندسی صنعتی اعلام کردند؛ از شبیه‌سازی سریع‌تر روی GPU تا بنچمارک‌های باز برای سنجش ایجنت‌هایی که باید کار واقعی طراحی انجام دهند.

۱. چه چیزی اعلام شد؟

شرکت فرانسوی Mistral و انویدیا در ۲۱ اکتبر ۲۰۲۶ همکاری تازه‌ای را معرفی کردند که هدفش آوردن هوش مصنوعی به دل مهندسی صنعتی است. بر اساس اعلام رسمی میسترال، دو شرکت روی گردش‌کارهای مهندسی «بومی هوش مصنوعی» کار می‌کنند که روی محاسبات شتاب‌یافته‌ی انویدیا اجرا می‌شوند. این گردش‌کارها قرار است شبیه‌سازی را سریع‌تر کنند و میان شبیه‌سازی، توسعه‌ی مدل هوش مصنوعی و طراحی مهندسی یک حلقه‌ی بسته بسازند.

تا اینجا خبر شبیه بسیاری از اعلام‌های همکاری است، اما نکته‌ی متمایز آن تمرکز روی ارزیابی است. به جای اینکه فقط وعده‌ی «مدل قوی‌تر» بدهند، قرار است بنچمارک‌ها و دیتاست‌های عمومی منتشر شود تا بتوان دقت و عملکرد مدل‌های فیزیکی و ایجنت‌های مهندسی را با هم مقایسه کرد. اگر دنبال زمینه‌ی بیشتری درباره‌ی شرکت‌های بزرگ این حوزه هستید، مقاله‌ی OpenAI چیست نقطه‌ی شروع خوبی است.

۲. مهره‌های فنی: Large 4، CUDA-X، Warp و Omniverse

این همکاری چند مؤلفه را کنار هم می‌گذارد. اولی مدل Mistral Large 4 است؛ مدلی چندوجهی با حدود یک تریلیون پارامتر کل که در معماری ترکیب خبرگان پراکنده در هر توکن حدود ۴۹ میلیارد پارامتر را فعال می‌کند. میسترال می‌گوید آن را روی ۳٬۸۰۰ پردازنده‌ی گرافیکی Grace Blackwell انویدیا در دیتاسنترهای اروپایی خودش آموزش داده و انتشار وزن‌ها را برای پایان اکتبر برنامه‌ریزی کرده است.

دومی خط‌لوله‌های تولید داده و مدل‌سازی فیزیکی میسترال است، و سومی کتابخانه‌های CUDA-X و NVIDIA Warp؛ چارچوبی پایتونی برای نوشتن کرنل‌های شبیه‌سازی و گرافیک روی GPU. در کنار این‌ها، مدل‌های میسترال با کتابخانه‌های Omniverse یکپارچه می‌شوند تا ساخت صحنه‌ی سه‌بعدی و دارایی‌های SimReady روی GPU شتاب بگیرد. دارایی SimReady یک شیء سه‌بعدی است که ویژگی‌هایی مثل جرم، جنس و اصطکاک روی آن حاشیه‌نویسی شده تا مستقیم در شبیه‌سازی به کار رود.

اگر با مفهوم اندازه‌ی مدل‌ها و تفاوت پارامتر کل و فعال آشنا نیستید، مقاله‌ی توانایی‌ها و محدودیت‌های واقعی هوش مصنوعی دید خوبی می‌دهد.

۳. CAE و EDA یعنی چه و چرا مهم‌اند؟

CAE مخفف «مهندسی به کمک رایانه» است؛ همان شبیه‌سازی‌هایی که مهندسان برای بررسی استحکام، جریان هوا، حرارت یا تصادف قطعات انجام می‌دهند. EDA مخفف «اتوماسیون طراحی الکترونیک» است و ابزارهایی را شامل می‌شود که تراشه‌ها را طراحی، چیدمان و راستی‌آزمایی می‌کنند. هر دو حوزه معمولاً با نرم‌افزارهای تخصصی، گران و پیچیده انجام می‌شوند و خطای کوچک در آن‌ها می‌تواند هزینه‌ی سنگینی داشته باشد.

به همین دلیل پرسش اصلی این نیست که «آیا هوش مصنوعی می‌تواند متن بنویسد»، بلکه این است که آیا می‌تواند ابزار مهندسی را درست به کار بگیرد، یک گردش‌کار چندمرحله‌ای را تمام کند و نتیجه‌ای از نظر فنی صحیح بدهد. همین سؤال است که دو شرکت می‌خواهند با ارزیابی‌های مستقل پاسخش را عمومی و تکرارپذیر کنند.

۴. بنچمارک و دیتاست باز؛ قلب ماجرا

طبق متن اعلام، یکی از محورهای اصلی انتشار بنچمارک‌ها و دیتاست‌های باز برای ارزیابی مدل‌های فیزیکی است تا تیم‌ها بتوانند دقت و کارایی را مقایسه و گردش‌کارهای خودکارِ تبدیل CAD به شبیه‌سازی را اعتبارسنجی کنند. جدا از آن، ارزیابی‌هایی برای ایجنت‌های هوش مصنوعی در CAE و EDA طراحی می‌شود که سه چیز را می‌سنجد: توانایی استفاده از ابزارهای مهندسی، تکمیل گردش‌کارهای چندمرحله‌ای و درستی فنی خروجی، به‌علاوه‌ی زمان اجرا و هزینه‌ی محاسباتی.

نیل اشتون، معاون محاسبات مهندسی در میسترال، از «بنچمارک‌های بازی» حرف زده که به اندازه‌ی کافی سخت‌گیر باشند تا ایجنت‌ها را روی کار واقعی CAE و EDA اعتبارسنجی کنند. تیم کاستا از انویدیا هم بر «بنچمارک‌های مشترک صنعتی» برای ساختن اعتماد به توانایی هوش مصنوعی تأکید کرده است. اگر به مقایسه‌ی مدل‌ها و شیوه‌ی سنجش آن‌ها علاقه دارید، مطلب نبرد هوش‌های مصنوعی شطرنج‌باز نمونه‌ی سرگرم‌کننده‌ای از مقایسه‌ی مدل‌هاست.

۵. حوزه‌های هدف: هوافضا، خودرو، نیمه‌هادی

سه صنعت هدف اولیه عبارت‌اند از هوافضا، خودرو و نیمه‌هادی‌ها. در هوافضا سخن از شبیه‌سازی جریان هوا و رفتار سازه است. در خودروسازی تحلیل تصادف، حرارت و آیرودینامیک مطرح است و در نیمه‌هادی‌ها چیدمان و راستی‌آزمایی تراشه. این‌ها همان جاهایی هستند که شبیه‌سازی‌های سنگین زمان و هزینه‌ی زیادی می‌گیرند و هر کاهش زمان اجرا مستقیماً به سرعت چرخه‌ی طراحی ربط دارد.

به بیان ساده، اگر مدل‌های جایگزین (surrogate) یا ایجنت‌ها بتوانند بخشی از اجرای شبیه‌سازی‌های تکراری را سریع‌تر و ارزان‌تر انجام دهند، مهندسان فرصت می‌کنند طرح‌های بیشتری را امتحان کنند. اهمیت کسب‌وکاری این موضوع را در مقاله‌ی اهمیت هوش مصنوعی در کسب‌وکار هم می‌توانید دنبال کنید.

۶. زمینه‌ی همکاری و برنامه‌ی محاسباتی میسترال

این اولین همکاری دو شرکت نیست. آن‌ها پیش‌تر Mistral NeMo را مشترکاً توسعه داده بودند و اکنون هم در «ائتلاف Nemotron» انویدیا روی یک مدل پایه‌ی پیشرو همکاری می‌کنند. میسترال همچنین اعلام کرده زیرساخت بیشتری مبتنی بر انویدیا را راه‌اندازی می‌کند و در نقشه‌ی راه محاسباتی‌اش ظرفیت یک گیگاوات تا سال ۲۰۳۰ را هدف گرفته است. این رقم یک هدف آینده است و ظرفیت فعلی در متن اعلام مشخص نشده.

تصویر کلی این است که میسترال می‌خواهد خود را فقط یک سازنده‌ی مدل زبانی عمومی نشان ندهد و «هوش مصنوعی برای مهندسی صنعتی» را ستون پژوهشی خود بداند؛ چیزی که آرتور منش، مدیرعامل میسترال، در پیام خود به همین صورت توصیف کرده است.

۷. چه چیزهایی هنوز روشن نیست؟

برای اینکه ذوق‌زده نشویم، باید به شکاف‌ها نگاه کنیم. بر اساس گزارش‌های منتشرشده، در زمان اعلام هیچ مخزن کدی، دیتاستی، وظیفه‌ی بنچمارکی یا مجوزی منتشر نشده بود. زمان‌بندی مشخصی برای ارزیابی‌ها هم داده نشده و عدد عملکردی یا قیمتی ارائه نشده است. همچنین مشخص نیست این گردش‌کارها در محیط‌های محلی پشتیبانی می‌شوند یا نه؛ موضوعی که برای تیم‌هایی با طراحی‌های اختصاصی و حساس بسیار تعیین‌کننده است.

بنابراین بهتر است این خبر را «اعلام مسیر» بدانیم، نه «عرضه‌ی محصول». ارزش واقعی آن زمانی روشن می‌شود که بنچمارک‌ها و دیتاست‌ها واقعاً منتشر شوند و جامعه بتواند ایجنت‌های مختلف را روی آن‌ها بسنجد.

۸. این خبر برای کاربران و مهندسان ایرانی چه معنایی دارد؟

برای مهندسان، دانشجویان و علاقه‌مندان به هوش مصنوعی، پیام اصلی این است که رقابت از «چت‌بات بهتر» به «ایجنتی که ابزار تخصصی را درست به کار بگیرد» رسیده است. اگر بنچمارک‌های باز منتشر شوند، حتی کسانی که به سخت‌افزار گران دسترسی ندارند هم می‌توانند نتایج را دنبال و مقایسه کنند. برای یادگیری نحوه‌ی ارتباط مؤثر با مدل‌ها، راهنمای نوشتن پرامپت برای مبتدیان و بخش آموزش‌های ChatGPT را ببینید.

همچنین یادمان باشد که مهارت و قضاوت مهندس جایگزین‌شدنی نیست؛ ایجنت ابزار است و درستی خروجی همچنان باید راستی‌آزمایی شود. نگاه واقع‌بینانه‌ای که در مقاله‌ی توهم هوش مصنوعی؛ توسعه‌دهنده‌ی تنها در برابر مهندس واقعی آمده، اینجا هم صدق می‌کند. اخبار بیشتر را هم می‌توانید در بخش اخبار دنبال کنید.

۹. چرا ارزیابی ایجنت‌ها در مهندسی دشوار است؟

ارزیابی یک ایجنت در مهندسی با سنجش یک مدل زبانی در پاسخ به سؤال‌های متنی تفاوت بزرگی دارد. در شبیه‌سازی، خروجی فقط یک جواب درست یا غلط نیست؛ باید بررسی شود که شبکه‌بندی، شرایط مرزی، حل‌گر و تفسیر نتایج همگی درست انتخاب شده‌اند. یک ایجنت ممکن است گردش‌کار را تا انتها اجرا کند و عددی تحویل دهد که ظاهراً منطقی است اما از نظر فیزیکی اشتباه است. به همین دلیل اعلام کرده‌اند معیار فقط تکمیل کار نیست و «درستی فنی» هم باید سنجیده شود.

عامل دیگر هزینه است. اجرای یک شبیه‌سازی سنگین می‌تواند ساعت‌ها پردازنده‌ی گرافیکی مصرف کند. ایجنتی که برای رسیدن به جواب درست ده‌ها بار شبیه‌سازی را تکرار کند، از نظر اقتصادی ممکن است بی‌صرفه باشد. اینکه دو شرکت زمان اجرا و هزینه‌ی محاسباتی را هم جزو معیارها آورده‌اند، نشان می‌دهد به سنجش واقع‌گرایانه فکر می‌کنند و فقط به دنبال امتیاز بالا روی یک جدول نیستند.

در نهایت، تکرارپذیری مهم است. اگر بنچمارک‌ها و دیتاست‌ها واقعاً عمومی شوند، پژوهشگران و شرکت‌های دیگر هم می‌توانند ایجنت‌های خود را با همان معیار بسنجند و ادعای دو شرکت را مستقل بررسی کنند. این همان چیزی است که در حوزه‌های دیگر هوش مصنوعی، از کدنویسی تا استدلال ریاضی، باعث شتاب گرفتن پیشرفت شده است.

۱۰. پرسش‌های متداول

آیا Mistral Large 4 متن‌باز است؟

طبق اعلام میسترال، مدل در پیش‌نمایش عمومی است و انتشار وزن‌ها برای پایان اکتبر برنامه‌ریزی شده است. جزئیات مجوز در متن اعلام نیامده.

CAE و EDA دقیقاً چه تفاوتی دارند؟

CAE به شبیه‌سازی و تحلیل قطعات و سازه‌ها (استحکام، جریان، حرارت) می‌پردازد و EDA به طراحی و راستی‌آزمایی مدارها و تراشه‌ها.

آیا محصول آماده‌ای عرضه شده است؟

خیر. تا زمان اعلام، بخش عمده‌ی اجزا مثل بنچمارک‌ها، دیتاست‌ها و یکپارچگی‌ها در مرحله‌ی برنامه‌ریزی بودند.

چرا بنچمارک‌های باز اهمیت دارند؟

چون ادعای «ایجنت مهندسی» بدون معیار مشترک قابل مقایسه و راستی‌آزمایی نیست؛ بنچمارک باز اعتماد و تکرارپذیری می‌آورد.