Le Moment des Camions Autonomes
Raquel Urtasun, l'ancienne professeure d'IA de Toronto qui a fondé la startup de camions autonomes Waabi, n'est pas portée sur le battage médiatique. Sa carrière s'étend sur des années de recherche fondamentale en apprentissage automatique, la direction du Groupe des technologies avancées (Advanced Technologies Group) d'Uber, et maintenant la construction de l'un des programmes de camions autonomes les plus ambitieux techniquement au monde. Quand elle dit que les camions autonomes de niveau 4 approchent de la viabilité commerciale, cette déclaration porte un poids que les affirmations plus spéculatives dans l'espace des véhicules autonomes n'ont pas.
Dans une entrevue approfondie avec IEEE Spectrum, Urtasun a décrit l'approche technique de Waabi, ses progrès vers le déploiement commercial, et sa vision de la façon dont l'IA générative a fondamentalement changé le calendrier pour atteindre le type d'autonomie robuste et généralisable qui rend le transport longue distance une application viable pour la technologie complètement autonome. Son argument n'est pas que le problème est devenu facile, mais que les outils disponibles pour le résoudre se sont améliorés de manière spectaculaire.
L'autonomie de niveau 4 — la capacité à gérer toutes les tâches de conduite dans un domaine de conception opérationnel défini sans aucune intervention humaine — est le seuil qui sépare la technologie de démonstration du produit commercial. Pour les applications de transport de fret, le domaine pertinent est principalement la conduite sur autoroute sur des itinéraires définis, un environnement nettement plus contraint que les environnements urbains complexes qui ont défié les programmes d'autonomie des véhicules de passagers pendant des années.
L'Avantage de l'IA Générative
L'argument central d'Urtasun est que les approches d'IA générative à la conduite autonome — qui utilisent de grands modèles entraînés sur de vastes quantités de données de conduite pour apprendre des comportements de conduite généralisables plutôt que d'encoder des règles explicites — ont produit des améliorations qualitatives de la robustesse des systèmes autonomes d'une manière que les approches précédentes ont lutté pour réaliser. Les mêmes dynamiques d'échelle qui ont produit GPT-4 et ses successeurs sont maintenant appliquées au problème de la conduite, avec des résultats comparables de changement de capacité.
L'architecture de Waabi s'articule autour de ce que l'entreprise appelle un modèle de monde générative — un environnement de simulation appris qui peut générer des scénarios de conduite réalistes, y compris les cas extrêmes rares et dangereux qui seraient trop dangereux ou trop coûteux à rencontrer et à enregistrer dans la collecte de données du monde réel. Cette capacité de simulation résout l'un des goulots d'étranglement les plus fondamentaux du développement des véhicules autonomes : le besoin de données d'entraînement couvrant la distribution complète des situations que le système pourrait rencontrer lors du déploiement, y compris les événements à faible probabilité qui ont des implications de sécurité disproportionnées.
La capacité à utiliser la simulation apprise pour tester les systèmes autonomes par rapport à une variété pratiquement illimitée de scénarios générés signifie que Waabi et les programmes architectes de manière similaire peuvent couvrir bien plus de la distribution des risques extrêmes que les programmes dépendant des données enregistrées du monde réel. Pour la certification de sécurité et l'approbation réglementaire, ce n'est pas simplement un avantage d'efficacité de développement — c'est une approche fondamentalement différente pour démontrer qu'un système est prêt pour le déploiement.
