پرش به محتوا
منو
داده‌نوشت
فناوری، زیرساخت و هوش مصنوعی
هوش مصنوعی

NemoClaw؛ runtime امن برای عامل‌های مهندسی طولانی‌مدت

بخش دشوار مهندسی صنعتی فقط اجرای شبیه‌سازی نیست. طراحی CAD، آماده‌سازی mesh، تنظیم simulation، رفع خطا، تحلیل نتیجه و نوشتن گزارش باید به هم وصل شوند. NVIDIA در ۲ ژوئن ۲۰۲۶ NemoClaw را به‌عنوان blueprintای برای عامل‌های تخصصی و طولانی‌مدت معرفی کرد؛ عامل‌هایی

انتشار: ۱۲ خرداد ۱۴۰۵به‌روزرسانی: ۲۶ مرداد ۱۴۰۵3 دقیقه
تصویر رسمی NVIDIA برای NemoClaw؛ runtime امن برای عامل‌های مهندسی طولانی‌مدت
تصویر رسمی NVIDIA؛ منبع تصویر: https://blogs.nvidia.com/blog/industrial-software-leaders-secure-autonomous-ai-engineers-nemoclaw/

NemoClaw؛ runtime امن برای عامل‌های مهندسی طولانی‌مدت

بخش دشوار مهندسی صنعتی فقط اجرای شبیه‌سازی نیست. طراحی CAD، آماده‌سازی mesh، تنظیم simulation، رفع خطا، تحلیل نتیجه و نوشتن گزارش باید به هم وصل شوند. NVIDIA در ۲ ژوئن ۲۰۲۶ NemoClaw را به‌عنوان blueprintای برای عامل‌های تخصصی و طولانی‌مدت معرفی کرد؛ عامل‌هایی که در حوزه‌هایی مانند طراحی تراشه، تولید، خنک‌سازی و تحلیل چندفیزیکی کار می‌کنند.

#آنچه در blueprint قرار دارد

NemoClaw یک مدل منفرد نیست. NVIDIA آن را ترکیبی از harness قابل انتخاب، model router، کتابخانه‌های NeMo و runtimeای به نام OpenShell توضیح می‌دهد. این جداسازی مهم است: سازمان می‌تواند orchestration را با چارچوب مناسب خود هماهنگ کند و در عین حال policy دسترسی به فایل، شبکه و ابزار را در runtime اعمال کند.

OpenShell قرار است دیوار حفاظتی میان عامل و محیط واقعی باشد. عامل ممکن است نیاز داشته باشد فایل CAD بخواند، ابزار mesh را اجرا کند یا نتیجه را در سامانه پروژه بنویسد؛ runtime باید این درخواست‌ها را به مجوزهای مشخص تبدیل کند. برای یک job طولانی، ثبت اینکه کدام ابزار با چه ورودی و در چه زمانی اجرا شده، به اندازه نتیجه نهایی اهمیت دارد.

#نمونه‌های صنعتی

در اعلامیه، Cadence از NemoClaw برای عامل مهندسی RTL و کوتاه کردن زمان verification از هفته به ساعت استفاده می‌کند. Dassault Systèmes، Siemens، Synopsys، Ansys و چند شرکت دیگر نیز سناریوهایی برای طراحی، شبیه‌سازی و تولید معرفی کرده‌اند. این مثال‌ها نمایش همکاری و محصول‌سازی‌اند؛ زمان اعلام‌شده را نباید بدون دسترسی به همان داده، سخت‌افزار و workflow به هر کارخانه تعمیم داد.

برای مثال، یک عامل خنک‌سازی ممکن است چند طراحی را تولید کند و شبیه‌سازی‌های حرارتی را پشت سر هم اجرا کند. اگر معیار فقط کم شدن زمان باشد، عامل می‌تواند جواب‌هایی بسازد که از نظر محدودیت مواد یا تلرانس ساخت قابل استفاده نیستند. قیدهای مهندسی باید در ابزار، evaluator و approval نهایی جای بگیرند، نه فقط در توضیح متنی عامل.

#local، cloud و مسئولیت

NemoClaw می‌تواند روی DGX Spark، مرکز داده سازمان یا cloud اجرا شود. این انعطاف انتخاب deployment را بیشتر می‌کند، ولی محیط‌ها رفتار یکسان ندارند. تفاوت در GPU، storage، network و نسخه شبیه‌ساز باید در ارزیابی ثبت شود. عامل local هم لزوماً کم‌خطر نیست؛ فایل‌های شخصی یا secrets ممکن است در همان دستگاه در دسترس قرار گیرند.

NemoClaw زمانی برای صنعت مفید است که از یک demo به چرخه مهندسی قابل ممیزی برسد: ورودی نسخه‌دار، ابزار محدود، اجرای قابل تکرار، بررسی متخصص و گزارش تغییرات. runtime امن پایه لازم است، اما کیفیت طراحی و مسئولیت مهندس را به عامل واگذار نمی‌کند.

مطالب مرتبط

برای ادامه مطالعه

این یادداشت‌ها بر اساس موضوع مشترک، هم‌پوشانی برچسب‌ها و تازگی انتشار انتخاب می‌شوند.

تصویر رسمی Anthropic برای واترمارک متنی Claude؛ نشانه‌گذاری آماری به‌جای ادعای تشخیص قطعی
هوش مصنوعی

واترمارک متنی Claude؛ نشانه‌گذاری آماری به‌جای ادعای تشخیص قطعی

Anthropic در ۱۴ اوت ۲۰۲۶ درباره سازوکار واترمارک متنی Claude توضیح داد. ایده این است که مدل در هنگام انتخاب tokenها، الگوی آماری بسیار ظریفی ایجاد کند که بعداً بتوان آن را با یک detector بررسی کرد. این روش با واترمارک تصویری که پیکسل یا metadata را تغییر می‌ده

۲۳ مرداد ۱۴۰۵3 دقیقه
تصویر رسمی Anthropic برای سه حادثه سایبری Anthropic؛ چرا ارزیابی آزمایشگاهی کافی نیست
هوش مصنوعی

سه حادثه سایبری Anthropic؛ چرا ارزیابی آزمایشگاهی کافی نیست

Anthropic در ۳۰ ژوئیه ۲۰۲۶ سه حادثه واقعی را در کنار ارزیابی‌های امنیت سایبری خود بررسی کرد. هدف مقاله اعلام یک benchmark تازه نیست؛ نشان دادن فاصله میان محیط کنترل‌شده و استفاده واقعی است. مدل ممکن است در یک CTF رفتار خطرناک نشان ندهد، اما وقتی به ابزار، هدف،

۸ مرداد ۱۴۰۵3 دقیقه
تصویر رسمی NVIDIA برای Vera Rubin و محاسبه‌ای که پس از آموزش مدل ادامه پیدا می‌کند
هوش مصنوعی

Vera Rubin و محاسبه‌ای که پس از آموزش مدل ادامه پیدا می‌کند

در مدل‌های عامل‌محور، آموزش پایان کار نیست. عامل بعد از استقرار با ابزار، کدبیس و edge caseهای تازه روبه‌رو می‌شود و همین تجربه می‌تواند به چرخه post-training برگردد. NVIDIA در ۱۷ ژوئیه ۲۰۲۶ استدلال کرد که این چرخه پیوسته، معیار زیرساخت را از صرفاً سرعت infere

۲۶ تیر ۱۴۰۵3 دقیقه