Der Moment der autonomen Lastkraftwagen
Raquel Urtasun, die ehemalige AI-Professorin aus Toronto, die das autonome Lastkraftwagen-Startup Waabi gründete, neigt nicht zu Hype. Ihre Karriere umfasst Jahre grundlegender maschineller Lernforschung, Führungsaufgaben in Ubers Advanced Technologies Group und jetzt der Aufbau eines der technisch ehrgeizigsten selbstfahrenden Lastkraftwagen-Programme der Welt. Wenn sie sagt, dass Level-4-autonome Lastkraftwagen auf kommerzielle Machbarkeit hinarbeiten, trägt die Aussage ein Gewicht, das spekulativere Behauptungen im Bereich der autonomen Fahrzeuge nicht haben.
In einem ausführlichen Interview mit IEEE Spectrum beschrieb Urtasun Waabis technischen Ansatz, ihren Fortschritt in Richtung kommerzielle Bereitstellung und ihre Sicht darauf, wie generative KI den Zeitplan für die Erreichung der Art robuster, verallgemeinerbarer Autonomie grundlegend verändert hat, die den Fernverkehr zu einer praktikablen Anwendung für vollständig autonome Technologie macht. Ihr Argument ist nicht, dass das Problem einfach geworden ist, sondern dass sich die verfügbaren Werkzeuge zu seiner Lösung dramatisch verbessert haben.
Level-4-Autonomie — die Fähigkeit, alle Fahrtaufgaben innerhalb einer definierten Betriebsdesignbereich ohne menschliche Eingriffe zu bewältigen — ist die Grenze, die Demonstrationstechnologie von Geschäftsprodukten trennt. Für Lastkraftwagen-Anwendungen ist der relevante Bereich hauptsächlich das Autobahnfahren auf definierten Strecken, eine erheblich mehr eingeschränkte Umgebung als die komplexen städtischen Einstellungen, die Autonomie-Programme für Personenkraftwagen jahrelang herausgefordert haben.
Der Vorteil generativer KI
Urtasuns Kernargument ist, dass generative KI-Ansätze zum autonomen Fahren — die große Modelle verwenden, die auf riesigen Mengen von Fahrdaten trainiert werden, um verallgemeinerbare Fahrverhalten zu erlernen, anstatt explizite Regeln zu kodieren — qualitative Verbesserungen in der Robustheit autonomer Systeme auf Weise erbracht haben, die frühere Ansätze zu erreichen hatten Schwierigkeiten. Die gleichen Skalierungsdynamiken, die GPT-4 und seine Nachfolger hervorgebracht haben, werden nun auf das Fahrtproblem angewendet, mit vergleichbaren Sprüngen in den Fähigkeiten.
Waabis Architektur konzentriert sich auf das, was das Unternehmen ein generatives Weltmodell nennt — eine erlernte Simulationsumgebung, die realistische Fahrszenarios generieren kann, einschließlich seltener und gefährlicher Grenzfälle, die in der realen Datenerfassung zu gefährlich oder zu teuer wären zu begegnen und zu registrieren. Diese Simulationsfähigkeit behebt einen der grundlegendsten Engpässe in der Entwicklung autonomer Fahrzeuge: die Notwendigkeit von Trainingsdaten, die die vollständige Verteilung von Situationen abdecken, auf die das System bei der Bereitstellung treffen könnte, einschließlich Ereignisse mit geringer Wahrscheinlichkeit, die überproportionale Sicherheitsimplikationen haben.
Die Fähigkeit, erlernte Simulation zum Stresstesting autonomer Systeme gegen eine praktisch unbegrenzte Vielfalt generierter Szenarien zu nutzen, bedeutet, dass Waabi und ähnlich strukturierte Programme viel mehr der Tail-Risk-Verteilung abdecken können als Programme, die auf aufgezeichnete Daten aus der realen Welt angewiesen sind. Für Sicherheitszertifizierung und behördliche Genehmigung ist dies nicht nur ein Entwicklungseffizienzvorteils — es ist ein grundlegend anderer Ansatz, um zu demonstrieren, dass ein System für die Bereitstellung bereit ist.
