No es el mejor momento para las nuevas empresas de automóviles autónomos. El año pasado, las grandes empresas de tecnología adquirieron nuevas empresas que se estaban quedando sin efectivo y las empresas de transporte privado cerraron costosos proyectos de automóviles autónomos. sin perspectivas de estar listo para la producción en el corto plazo.
Sin embargo, en medio de esta recesión, Waabi, una startup de autos autónomos con sede en Toronto, acaba de salir del sigilo con una increíble cantidad de $ 83.5 millones en una ronda de financiamiento Serie A liderada por Khosla Ventures, con participación adicional de Uber. , 8VC, Radical Ventures, OMERS Ventures, BDC y Aurora Innovation. Los patrocinadores financieros de la empresa también incluyen Geoffrey Hinton, Fei-Fei Li, Peter Abbeel y Sanja Fidler, científicos de inteligencia artificial con gran influencia en la academia y la comunidad de IA aplicada.
¿Qué hace que Waabi esté calificado para tal apoyo? Según la empresa comunicado de prensa, Waabi tiene como objetivo resolver el desafío de «escala» de la investigación de vehículos autónomos y «llevar tecnología de conducción autónoma comercialmente viable a la sociedad». Esos son dos desafíos clave de la industria de los automóviles autónomos y se mencionan en numerosas ocasiones en el comunicado.
Lo que Waabi describe como su «próxima generación de tecnología de conducción autónoma» aún no ha pasado la prueba del tiempo. Pero su plan de ejecución proporciona pistas sobre las direcciones que podría tomar la industria de los vehículos autónomos.
Mejores simulaciones y algoritmos de aprendizaje automático
Según el comunicado de prensa de Waabi: “El enfoque tradicional para diseñar vehículos autónomos da como resultado una pila de software que no aprovecha al máximo el poder de la IA y que requiere un ajuste manual complejo y que requiere mucho tiempo. Esto hace que escalar sea costoso y técnicamente desafiante, especialmente cuando se trata de resolver situaciones de conducción menos frecuentes e impredecibles «.
Las principales empresas de vehículos autónomos han conducido sus coches por carreteras reales durante millones de millas. para entrenar sus modelos de aprendizaje profundo. La formación en carreteras reales es costosa tanto en términos de logística como de recursos humanos. También está plagado de desafíos legales, ya que las leyes que rodean las pruebas de vehículos autónomos varían en diferentes jurisdicciones. Sin embargo, a pesar de toda la capacitación, la tecnología de los vehículos autónomos tiene dificultades para manejar los casos de las esquinas, situaciones raras que no se incluyen en los datos de capacitación. Estos crecientes desafíos hablan de los límites de la tecnología actual de los vehículos autónomos.
Así es como Waabi afirma resolver estos desafíos (el énfasis es mío): “El avance de la compañía, Enfoque de IA primero, desarrollado por un equipo de tecnólogos líderes en el mundo, aprovecha aprendizaje profundo, inferencia probabilística y optimización compleja para crear software que sea Entrenador de principio a fin, interpretable y capaz de razonamientos muy complejos.. Esto, junto con un revolucionario simulador de circuito cerrado que tiene un nivel de fidelidad sin precedentes, permite realizar pruebas a escala de tanto en escenarios de conducción comunes como en casos extremos críticos para la seguridad. Este enfoque significativamente reduce la necesidad de conducir millas de prueba en el mundo real y da como resultado una solución más segura y asequible «.
Hay mucha jerga ahí (mucha de la cual probablemente sea jerga de marketing) que necesita ser aclarada. Me comuniqué con Waabi para obtener más detalles y actualizaré esta publicación si recibo noticias de ellos.
Con «enfoque de IA primero», supongo que quieren decir que pondrán más énfasis en la creación de mejores modelos de aprendizaje automático y menos en tecnología complementaria como lidars, radares y datos de mapeo. El beneficio de tener una gran cantidad de software son los bajos costos de actualización de la tecnología. Y habrá muchas actualizaciones en los próximos años a medida que los científicos continúen encontrando formas de eludir los límites de la IA autónoma.
La combinación de «aprendizaje profundo, razonamiento probabilístico y optimización compleja» es interesante, aunque no constituye un gran avance. La mayoría de los sistemas de aprendizaje profundo utilizan inferencias no probabilísticas. Proporcionan una salida, digamos una categoría o un valor predicho, sin dar el nivel de incertidumbre sobre el resultado. El aprendizaje profundo probabilístico, por otro lado, también proporciona la confiabilidad de sus inferencias, lo que puede ser muy útil en aplicaciones críticas como la conducción.
Los modelos de aprendizaje automático «capacitables de extremo a extremo» no requieren funciones de ingeniería manual. Esto significa que una vez que haya desarrollado la arquitectura y determinado las funciones de pérdida y optimización, todo lo que necesita hacer es proporcionar el modelo de aprendizaje automático con ejemplos de entrenamiento. La mayoría de los modelos de aprendizaje profundo se pueden entrenar de principio a fin. Algunas de las arquitecturas más complicadas requieren una combinación de características y conocimientos diseñados a mano junto con componentes entrenables.
Por último, la «interpretabilidad» y el «razonamiento» son dos de los desafíos clave del aprendizaje profundo. Las redes neuronales profundas están compuestas por millones y miles de millones de parámetros. Esto hace que sea difícil solucionarlos cuando algo sale mal (o encontrar problemas antes de que suceda algo malo), lo que puede ser un verdadero desafío en escenarios críticos como conducir automóviles. Por otro lado, el falta de poder de razonamiento y comprensión causal hace que sea muy difícil para los modelos de aprendizaje profundo manejar situaciones que no han visto antes.
De acuerdo a Cobertura de TechCrunch del lanzamiento de Waabi, Raquel Urtasan, directora general de la empresa, describió el sistema de inteligencia artificial que utiliza la empresa como una «familia de algoritmos».
“Cuando se combinan, el desarrollador puede rastrear el proceso de decisión del sistema de IA e incorporar conocimientos previos para no tener que enseñarle todo al sistema de IA desde cero”, escribió TechCrunch.
El entorno de simulación de circuito cerrado sustituye al envío de coches reales por carreteras reales. En En una entrevista con The Verge, Urtasan dijo que Waabi puede «probar todo el sistema» en simulación. «Podemos entrenar un sistema completo para aprender en simulación, y podemos producir las simulaciones con un increíble nivel de fidelidad, de modo que realmente podamos correlacionar lo que sucede en la simulación con lo que sucede en el mundo real».
Estoy un poco indeciso en el componente de simulación. La mayoría de las empresas de vehículos autónomos utilizan simulaciones como parte del régimen de formación de sus modelos de aprendizaje profundo. Pero crear entornos de simulación que sean réplicas exactas del mundo real es prácticamente imposible, por lo que las empresas de vehículos autónomos continúan utilizando pruebas de carretera exigentes.
Waymo tiene al menos 20 mil millones de millas de conducción simulada para completar con sus 20 millones de millas de pruebas en carreteras reales, lo cual es un récord en la industria. Y no estoy seguro de cómo una startup con $ 83.5 millones en financiamiento puede superar el talento, los datos, la computación y los recursos financieros de una empresa autónoma con más de una década de historia y el respaldo de Alphabet, una de las empresas más ricas. en el mundo.
Se pueden encontrar más pistas del sistema en el trabajo que Urtasan, quien también es profesor en el Departamento de Ciencias de la Computación de la Universidad de Toronto, realiza en investigación académica. El nombre de Urtasan aparece en muchos periódicos sobre conducción autónoma. Pero uno, en particular, cargado en el servidor de preimpresión arXiv en enero, es interesante.
Con el título “MP3: un modelo unificado para mapear, percibir, predecir y planificar”, el documento analiza un enfoque de la conducción autónoma que se acerca mucho a la descripción del comunicado de prensa de lanzamiento de Waabi.
Los investigadores describen MP3 como «un enfoque de extremo a extremo para la conducción sin mapas que es interpretable, no genera pérdida de información y tiene motivos de incertidumbre en las representaciones intermedias». En el artículo, los investigadores también discuten el uso de «capas espaciales probabilísticas para modelar las partes estáticas y dinámicas del entorno».
MP3 se puede entrenar de un extremo a otro y utiliza la entrada LIDAR para crear representaciones de escenas, predecir estados futuros y planificar trayectorias. El modelo de aprendizaje automático evita la necesidad de datos cartográficos muy detallados que empresas como Waymo utilizan en sus vehículos autónomos.
Raquel publicó un video en su YouTube que brinda una breve explicación de cómo funciona MP3. Es un trabajo fascinante, aunque muchos investigadores señalarán que no se trata tanto de un gran avance como de una inteligente combinación de técnicas existentes.
También existe una brecha considerable entre la investigación académica de IA y la IA aplicada. Queda por ver si MP3 o una variación del mismo es el modelo que está usando Waabi y cómo funcionará en entornos prácticos.
Un enfoque más conservador de la comercialización
La primera aplicación de Waabi no serán los automóviles de pasajeros que pueda solicitar con su aplicación Lyft o Uber.
«El equipo se centrará inicialmente en implementar el software de Waabi en logística, específicamente en camiones de larga distancia, una industria donde la tecnología de conducción autónoma tiene el mayor y más rápido impacto debido a una escasez crónica de conductores y problemas de seguridad generalizados», afirma el comunicado de prensa de Waabi. .
Sin embargo, lo que el comunicado no menciona es que la configuración de las carreteras es un problema más fácil de resolver porque es mucho más predecible que las áreas urbanas. Esto los hace menos propensos a los casos extremos (como un peatón que corre delante del automóvil) y más fáciles de simular. Los camiones autónomos pueden transportar carga entre ciudades, mientras que los conductores humanos se encargan de la entrega dentro de las ciudades.
Con Lyft y Uber fallando en lanzar sus propios servicios de robo-taxi, y con Waymo aún lejos de convertir One, su servicio de transporte sin conductor, en un negocio escalable y rentable, el enfoque de Waabi parece estar bien pensado.
Dado que las aplicaciones más complejas aún están fuera de su alcance, podemos esperar que la tecnología de conducción autónoma haga incursiones en entornos más especializados, como camiones y camiones. complejos industriales y fábricas.
Waabi tampoco menciona una línea de tiempo en el comunicado de prensa. Esto también parece reflejar los fracasos de la industria de los vehículos autónomos en los últimos años. Los altos ejecutivos de las empresas automotrices y de automóviles autónomos han hecho constantemente declaraciones audaces y han dado plazos sobre la entrega de tecnología totalmente autónoma. Ninguno de esos plazos se ha cumplido.
Ya sea que Waabi tenga éxito de forma independiente o termine uniéndose a la cartera de adquisiciones de uno de los gigantes tecnológicos, su plan parece ser una verificación de la realidad en la industria de los automóviles autónomos. La industria necesita empresas que puedan desarrollar y probar nuevas tecnologías sin mucha fanfarria, adoptar el cambio a medida que aprenden de sus errores, realizar mejoras incrementales y ahorrar su dinero para una carrera larga.
Este artículo fue publicado originalmente por Ben Dickson en TechTalks, una publicación que examina las tendencias en tecnología, cómo afectan la forma en que vivimos y hacemos negocios, y los problemas que resuelven. Pero también discutimos el lado malo de la tecnología, las implicaciones más oscuras de la nueva tecnología y lo que debemos tener en cuenta. Puede leer el artículo original aquí.