تقرير بحثي عن سوق حلقة البيانات المغلقة للقيادة الذاتية في الصين 2025: التعاون الفعّال بين المركبة والسحابة يُعد عاملاً محورياً في تسريع التحديثات يُظهر تقرير "بحث سوق حلقة البيانات المغلقة للقيادة الذاتية في الصين، 2025" الذي أضافه موقع ResearchAndMarkets.com، تحوّلاً جوهرياً في صناعة السيارات الذكية، حيث أصبح التعاون المتكامل بين المركبة والسحابة العامل الحاسم لتحقيق تطوير أسرع وأكثر كفاءة للأنظمة الذاتية. يشير التقرير إلى أن جوهر حلقة البيانات المغلقة يكمن في نظام تحسين دوري يشمل مراحل "الجمع – النقل – المعالجة – التدريب – النشر"، وخلال عام 2025، تنتقل الصناعة من مرحلة "البدء من الصفر" إلى عصر "الجودة العالية والكفاءة العالية"، مع تركيز مركزي على تغطية السيناريوهات النادرة وخفض التكاليف. أحد أبرز التطورات الملاحظة هو ارتفاع نسبة البيانات الاصطناعية في تدريب النماذج من 20%-30% في 2023 إلى أكثر من 50% في 2025. ويشكل هذا التحول نقلة نوعية، حيث تُعد البيانات الحقيقية أساساً لبناء القدرات الأساسية، بينما تُستخدم البيانات الاصطناعية لتجاوز الحدود وتمكين النماذج من التعلم في سيناريوهات نادرة أو مركبة. وتُعتمد تقنيات التوليد الاصطناعي مثل الشبكات التوليدية التقابلية (GAN) ونماذج التشتت (Diffusion Models) لملء الفجوات في البيانات الحقيقية وتحسين قدرة النماذج على التعميم. في المقابل، تشهد حلقة البيانات المغلقة تحولاً من تركيزها على تحسين خطوة واحدة (مثل تحسين كفاءة التصنيف) إلى بناء سلسلة متكاملة وآلية من "الجمع – التصنيف – التدريب – المحاكاة – النشر"، بفضل دمج نماذج الذكاء الاصطناعي الكبيرة وتكنولوجيا التعاون بين السحابة والحوسبة الحافة. وتُعد منصات مثل MindFlow وExceedData من أبرز المحركات في هذا المجال، حيث تم توظيفها من قبل أكثر من 15 شركة تصنيع سيارات رائدة، بما في ذلك SAIC، Changan، Geely، Li Auto، Huawei، وBosch، وتُستخدم في أكثر من 30 نموذجاً شائعاً. وتفيد بيانات ميدانية أن حلقة البيانات المغلقة المتكاملة بين المركبة والسحابة، مثل تلك المقدمة من ExceedData، تُقلل من تكاليف نقل البيانات بنسبة 75%، وتكاليف التخزين السحابي بنسبة 90%، وتكاليف الحوسبة السحابية بنسبة 33%. وفي حالة تعاون مع أحد شركات المركبات، أظهرت الحسابات تقليل التكاليف الإجمالية بنسبة تصل إلى 85%. كما يبرز تقرير التحليل نموذجًا متميزًا من شركة Xpeng Motors، التي أنشأت "مصنع نماذج سحابي" بقدرة حوسبة تصل إلى 10 EFLOPS بحلول 2025، ما يُقلل دورة التحديث من البداية إلى النشر إلى متوسط 5 أيام فقط. كما أطلقت Xpeng أول نموذج أساسي متعدد الوسائط بسعة 72 مليار معلمة لقيادة من المستوى L4، يمتلك قدرة على التفكير المتسلسل (Chain-of-Thought) ويُحاكي التفكير البشري، ثم نقل هذه القدرات إلى نماذج صغيرة على المركبة عبر تقنية التقليل النموذجي (Model Distillation)، مما يحقق تطبيقات ذكية خفيفة وشخصية. ومن الجدير بالذكر أن البيانات عالية القيمة، مثل السيناريوهات الحادة (Corner Cases)، تُحسم أولياً عبر محركات قواعد على المركبة، بينما يُستخدم السحابة لتعزيزها عبر توليد بيانات اصطناعية، وتُدمج النماذج النهائية (E2E وVLA) لاستقبال مدخلات متعددة الوسائط وتحويلها مباشرة إلى أوامر تحكم، مع الاعتماد على التدريب السحابي على نماذج ضخمة. في النهاية، تتجه شركات تصنيع المركبات نحو نموذج توصيل ذكي يتجاوز التسليم البرمجي للمركبة الواحدة، إلى تقديم خدمة سحابية قائمة على الاشتراك كأساس رئيسي. وتعتبر حلقة البيانات المغلقة المتكاملة بين المركبة والسحابة عاملاً حاسماً في تمكين المركبات الذكية من التطور المستمر بفضل الذكاء الاصطناعي، مع تحقيق توازن بين الجودة، الكفاءة، والاستقرار.
في تقرير "بحث سوق الدائرة المغلقة للبيانات في القيادة الذاتية في الصين 2025" الصادر عن ResearchAndMarkets.com، يبرز التحول الجذري في صناعة السيارات الذاتية القيادة نحو نموذج متكامل يعتمد على التكامل بين المركبة والسحابة، حيث أصبحت الدائرة المغلقة للبيانات عاملًا حاسمًا لتسريع التطورات التكنولوجية. يركز التقرير على أن جوهر هذه الدائرة هو نظام دوري لتحسين الأداء عبر مراحل "الجمع – النقل – المعالجة – التدريب – النشر"، والذي ينتقل من مرحلة البدء (0→1) إلى مرحلة التطور عالي الجودة والكفاءة. أحد أبرز التطورات هو ارتفاع نسبة البيانات الاصطناعية في تدريب النماذج من 20-30% في 2023 إلى أكثر من 50% بحلول 2025. تُعد البيانات الحقيقية أساسية لبناء القدرات الأساسية، بينما تُمكّن البيانات الاصطناعية من تغطية السيناريوهات النادرة (الـlong-tail) وتوسيع حدود الأداء. ويُستخدم في هذا السياق تقنيات متقدمة مثل نماذج التوليد التنازلي (GAN) والنمذجة التوسعية (Diffusion Models) لملء الفجوات في البيانات الحقيقية. على الصعيد التقني، بدأت الصناعة في اعتماد أدوات آلية متكاملة من بداية جمع البيانات حتى النشر، تُعرف بـ"السلاسل الأتمتية الكاملة". يُمكن لمنصات مثل MindFlow، التي تدعم شركات كـSAIC، Changan، Geely، Huawei، وBosch، تقليل التكاليف وتحسين الكفاءة من خلال دمج الذكاء الاصطناعي وتقنيات السحابة-الحافة (cloud-edge collaboration). كما يُظهر تقرير ExceedData أن حلوله المتكاملة، التي تشمل محركات الحوسبة الحافة (vCompute)، ومحركات البيانات (vADS)، وبيئة التخزين السحابية (vCloud)، تمكّن الشركات من خفض تكاليف نقل البيانات بنسبة 75%، وتقليل تكاليف التخزين السحابي بنسبة 90%، وتكاليف الحوسبة بنسبة 33%، ما يُحقق وفورات تصل إلى 85% في التكاليف الإجمالية، وفقًا لحالة تعاون مع أحد شركات المصنّعين. تُعد شركة Xpeng Motor نموذجًا بارزًا في هذا المجال، حيث أنشأت "مصنع نماذج سحابي" بقدرة حوسبة تصل إلى 10 EFLOPS بحلول 2025، مما يُقلل دورة التكرار من النموذج إلى النشر إلى متوسط 5 أيام فقط. كما أطلقت Xpeng أول نموذج عالمي متعدد الوسائط بـ72 مليار معلمة لمستوى L4، يمتلك قدرة تفكير منطقي (Chain-of-Thought) وينقل مهاراته إلى النماذج الصغيرة على المركبة عبر تقنية التقطيع النموذجي (Model Distillation)، مما يحقق تطبيقًا ذكيًا وشخصيًا بحجم صغير. يُعد التكامل بين المركبة والسحابة محورًا رئيسيًا، حيث تُجمع البيانات الحساسة من المركبة، ثم تُعالج في السحابة بعد تشفيرها وضغطها، لتُستخدم في التدريب والتحسين، قبل إرسال التحديثات عبر OTA. وتُظهر التقارير أن النموذج التسويقي ينتقل من توزيع كود مخصص لكل مركبة إلى تقديم خدمات ذكية عبر اشتراك سحابي، مما يعزز الاستدامة والتحديث المستمر. بشكل عام، تُشير التطورات إلى أن النجاح في مجال القيادة الذاتية يعتمد الآن على كفاءة الدائرة المغلقة، وتمكّن الشركات من تطوير أنظمة أكثر دقة، استقرارًا، وتكلفة منخفضة، عبر تكامل البيانات الحقيقية والاصطناعية، وآليات التدريب المدعومة بالذكاء الاصطناعي، وبنية حوسبة موزعة بين الحافة والسحابة.
