O Momento do Transporte de Carga Autônomo
Raquel Urtasun, a ex-professora de IA de Toronto que fundou a startup de caminhões autônomos Waabi, não é dada a hype. Sua carreira abrange anos de pesquisa fundamental em aprendizado de máquina, liderança do Grupo de Tecnologias Avançadas (Advanced Technologies Group) da Uber, e agora a construção de um dos programas de caminhões autônomos mais tecnicamente ambiciosos do mundo. Quando ela diz que os caminhões autônomos Level-4 estão se aproximando da viabilidade comercial, a afirmação carrega peso que reivindicações mais especulativas no espaço de veículos autônomos não têm.
Em uma entrevista estendida com IEEE Spectrum, Urtasun descreveu a abordagem técnica da Waabi, seu progresso em direção à implantação comercial, e sua visão de como a IA generativa fundamentalmente mudou o cronograma para alcançar o tipo de autonomia robusta e generalizável que torna o transporte de longa distância uma aplicação viável para tecnologia completamente autônoma. Seu argumento não é que o problema se tornou fácil, mas que as ferramentas disponíveis para resolvê-lo melhoraram dramaticamente.
Autonomia Level-4 — a capacidade de lidar com todas as tarefas de condução dentro de um domínio de design operacional definido sem qualquer intervenção humana — é o limiar que separa a tecnologia de demonstração do produto comercial. Para aplicações de transporte de carga, o domínio relevante é principalmente a condução em rodovia em rotas definidas, um ambiente substancialmente mais restrito do que os ambientes urbanos complexos que desafiaram programas de autonomia de veículos de passageiros por anos.
A Vantagem da IA Generativa
O argumento central de Urtasun é que abordagens de IA generativa para condução autônoma — que usam modelos grandes treinados em vastas quantidades de dados de condução para aprender comportamentos de condução generalizáveis em vez de codificar regras explícitas — produziram melhorias qualitativas na robustez dos sistemas autônomos de formas que abordagens anteriores lutaram para alcançar. A mesma dinâmica de escala que produziu GPT-4 e seus sucessores agora está sendo aplicada ao problema de condução, com resultados comparáveis de mudança de capacidade.
A arquitetura da Waabi se centra no que a empresa chama de modelo de mundo generativo — um ambiente de simulação aprendido que pode gerar cenários de condução realistas, incluindo casos extremos raros e perigosos que seriam muito perigosos ou caros de encontrar e registrar em coleta de dados do mundo real. Essa capacidade de simulação aborda um dos gargalos mais fundamentais no desenvolvimento de veículos autônomos: a necessidade de dados de treinamento cobrindo a distribuição completa de situações que o sistema pode encontrar na implantação, incluindo eventos de baixa probabilidade que têm implicações de segurança desproporcionais.
A capacidade de usar simulação aprendida para fazer testes de estresse em sistemas autônomos contra uma variedade praticamente ilimitada de cenários gerados significa que Waabi e programas arquitetados similarmente podem cobrir muito mais da distribuição de risco cauda do que programas dependentes de dados reais registrados. Para certificação de segurança e aprovação regulatória, isso não é meramente uma vantagem de eficiência de desenvolvimento — é uma abordagem fundamentalmente diferente para demonstrar que um sistema está pronto para implantação.
