עד כה, כמה מהשחקנים החמים ביותר בזירה האוטונומית השקיעו את מרצם בנסיעה אינסופית של מיילים על מנת לכוונן את הטכנולוגיה מבוססת הבינה המלאכותית שלהם. זה גוזל זמן ויקר, ורוב אתרי נהיגת המבחן המאושרים היו בחלקים בעולם עם שמיים שטופי שמש וכבישים יבשים, בקושי מעידים על תנאי נהיגה נפוצים.

עם השיטה הזו של מייל אחר מייל, קשה לדמיין שנהיגה עצמית יכולה להפוך לדבר שבשגרה בקרוב.

עם זאת, ישנה גישה נוספת לאימון וכוונון בינה מלאכותית לנהיגה עצמית אופטימלית - סימולטורים חדישים המשפרים למידה עמוקה ומציעים כל מספר תרחישי נהיגה לאימון ה-AI, ועוזרים להביא כלי רכב אוטונומיים (AV) לשוק ציר זמן סביר. הגישות החדשות ביותר לנהיגה עצמית מכירות בכך שבהסתמכות על סביבת בדיקה מדומה, הפיתוח מקבל דחיפה עצומה מבחינת עלות, זמן ובטיחות.

מעניין לציין כי תעשיית התעופה משמשת מודל לחיקוי לרכב בתחום זה, עם רמת האוטומציה הגבוהה ותקני הבטיחות המעולים. עם זאת, אי אפשר להכשיר נהגי מכוניות כמו טייסים בגלל המספרים העצומים בלבד.

טכנולוגים אוטונומיים חכמים קבעו שהדרך הטובה ביותר לשחזר את יחסי התאונות הנמוכים של התעופה היא להחליף נהגים באלגוריתמים. על מנת להפוך את האלגוריתמים הללו לחכמים מספיק, ה-AI צריך להיחשף למספר הגבוה ביותר האפשרי של תרחישי תנועה.

סימולציה פותרת יותר מסתם זמן ועלות

כאן מתחילה הסימולציה.

בסביבת מציאות מדומה המבוססת על מנוע משחקים, ניתן לחזור על סצנות מספר אינסופי של פעמים שבקושי היו מתרחשות או שיהוו סיכון בלתי נסבל לנהגים אנושיים. שלא כמו אימון טייסי תעופה, סימולטור אחד יכול לבצע את העבודה עבור כל ה-AV, שכן ניסיון שנאסף תוך כדי הפעלת תרחישי תנועה שונים ניתן להעביר בקלות למספר בלתי מוגבל של מכוניות באמצעות עדכוני Over-the-Air (OTA).

נתונים שנאספו על ידי הדמיית מזג אוויר, תאורה ותנאי פני כביש שונים מציעים מגוון גדול בהרבה מכל ניסוי נהיגה אחר בעולם האמיתי. קחו למשל את פרויקט הנהיגה העצמית של גוגל Waymo. הפרויקט רשם יותר מ-2 מיליון מיילים, אך מלבד כמה תאונות דרכים קלות, הוא לא נתקל באירועים יוצאי דופן.

ללמד בינה מלאכותית כיצד להתנהג בכל מיני מצבי תעבורה יחייב מיליארדי מיילים נוסעים על פני מגוון רחב של מיקומים, ובתקופות שונות של השנה. בנוסף, זה ידרוש משא ומתן על אירועים מסוכנים, תאונות ומכשולים שעלולים לגרום לנזק של ממש, והוא יצטרך לעשות זאת מספר פעמים על מנת להבטיח שהטכנולוגיה הוכשרה כראוי. במילים אחרות, זה כמעט בלתי אפשרי ובוודאי משחק סכום אפס כשמנסים להביא טכנולוגיה אוטונומית להמונים.

כמו משחק וידאו, רק חכם יותר

טכנולוגיית סימולטור הבינה המלאכותית נראית ומרגישה פחות או יותר כמו כל משחק מכוניות. ההבדל היחיד הוא במקום ששחקן משחק בודק את כישוריו, זו מכונה שמאומנת לנווט ולהגיב עם כל סימולציה חדשה.

בינה מלאכותית לומדת על ידי הסתמכות על רשתות עצביות, בערך כמו המוח האנושי. זה יותר מסתם הזנת כללים או מושגים לזיכרון המחשב - במקום זאת, לאחר שנחשפה למגוון רחב של תרחישי תנועה וחוויות, המכונה מסוגלת להגיע בהדרגה לנקודה שהיא "מבינה" כיצד לנהוג.

מה שהכי מבטיח בגישה הזו הוא שאנחנו כבר רואים דברים מטופלים במומחיות על ידי ה-AI שיכולים להיות מורכבים מאוד עבור המוח האנושי. דוגמה מושלמת לכך היאשער ניצחוןכיכר בפריז, שם הנהגים מנווטים על פני שישה נתיבים ללא סימון כבישים או כל אותות תנועה. הודות לטכנולוגיית סימולציה, בינה מלאכותית כבר יכולה להתמודד עם מה שנקרא תופעה מבוססת צאן.

היכן שהעולם האמיתי והסימולציה נפגשים

ככלל, זה הוגן לומר שהלמידה העמוקה המשמשת בנהיגה אוטונומית תישאר נחותה מהידע המומחה של טייסים מאומנים היטב במשך זמן רב. עם זאת, מערכות מבוססות בינה מלאכותית יכולות לנהוג בכלי רכב כמו הנהג האמין ביותר, ולמנוע את עיקר תאונות הטעויות האנושיות שאנו רואים כיום.

חשוב לציין שבעוד שסימולציה טומנת בחובה את ההבטחה להיות חסכונית יותר, מהירה יותר ובטוחה יותר מאשר נהיגת מבחן בעולם האמיתי, האחרונה לא תיעלם לגמרי. זה דבר טוב. חלק זעיר של בדיקות שנערכו בתנאי חיים אמיתיים הוא כל מה שנדרש כדי להשלים בצורה מושלמת סימולציית AI, לעזור להגיע לאוטונומיה מלאה מהר יותר.

לסלו קישונטי, מייסד ומנכ"ל AImotive, הוא יזם סדרתי. AImotive התפתח מהמיזם הראשון שלו, Kishonti Ltd; שהפכה במהרה לחברת פתרונות גרפיקה ומחשוב בעלת ביצועים גבוהים. לאחר מכן, החברה הפנתה את המיקוד שלה לרכב כאשר בינה מלאכותית ונהיגה אוטונומית החלו לצבור תאוצה עולמית. לסלו יש רקע חינוכי בכלכלה ובפיננסים.