El Momento de los Camiones Autónomos
Raquel Urtasun, la ex profesora de IA de Toronto que fundó la startup de camiones autónomos Waabi, no es propensa al sensacionalismo. Su carrera abarca años de investigación fundamental en aprendizado automático, liderazgo del Grupo de Tecnologías Avanzadas (Advanced Technologies Group) de Uber, y ahora la construcción de uno de los programas de camiones autónomos más técnicamente ambiciosos del mundo. Cuando dice que los camiones autónomos de Nivel 4 están alcanzando viabilidad comercial, la declaración tiene un peso que las afirmaciones más especulativas en el espacio de vehículos autónomos no tienen.
En una entrevista extendida con IEEE Spectrum, Urtasun describió el enfoque técnico de Waabi, su progreso hacia el despliegue comercial, y su visión de cómo la IA generativa ha cambiado fundamentalmente el cronograma para lograr el tipo de autonomía robusta y generalizable que hace que el transporte de larga distancia sea una aplicación viable para la tecnología completamente autónoma. Su argumento no es que el problema se ha vuelto fácil, sino que las herramientas disponibles para resolverlo han mejorado dramáticamente.
La autonomía de Nivel 4 — la capacidad de manejar todas las tareas de conducción dentro de un dominio de diseño operacional definido sin ninguna intervención humana — es el umbral que separa la tecnología de demostración del producto comercial. Para aplicaciones de transporte de carga, el dominio relevante es principalmente la conducción en carretera en rutas definidas, un ambiente substancialmente más restringido que los ambientes urbanos complejos que han desafiado los programas de autonomía de vehículos de pasajeros durante años.
La Ventaja de la IA Generativa
El argumento central de Urtasun es que los enfoques de IA generativa para conducción autónoma — que utilizan modelos grandes entrenados en cantidades vastas de datos de conducción para aprender comportamientos de conducción generalizables en lugar de codificar reglas explícitas — han producido mejoras cualitativas en la robustez de sistemas autónomos de formas que los enfoques anteriores tuvieron dificultades para lograr. Las mismas dinámicas de escala que produjeron GPT-4 y sus sucesores ahora se están aplicando al problema de la conducción, con resultados comparables de cambios de capacidad.
La arquitectura de Waabi se centra en lo que la empresa llama un modelo de mundo generativo — un ambiente de simulación aprendido que puede generar escenarios de conducción realistas incluyendo casos extremos raros y peligrosos que serían demasiado peligrosos o costosos de encontrar y registrar en la recopilación de datos del mundo real. Esta capacidad de simulación aborda uno de los cuellos de botella más fundamentales en el desarrollo de vehículos autónomos: la necesidad de datos de entrenamiento que cubran la distribución completa de situaciones que el sistema podría encontrar en el despliegue, incluyendo eventos de baja probabilidad que tienen implicaciones de seguridad desproporcionadas.
La capacidad de utilizar la simulación aprendida para hacer pruebas de estrés en sistemas autónomos contra una variedad prácticamente ilimitada de escenarios generados significa que Waabi y programas arquitectados similarmente pueden cubrir mucho más de la distribución de riesgo extremo que programas dependientes de datos reales grabados. Para la certificación de seguridad y aprobación regulatoria, esto no es meramente una ventaja de eficiencia de desarrollo — es un enfoque fundamentalmente diferente para demostrar que un sistema está listo para el despliegue.
