Wayve و مایکروسافت در مقیاس وسایل نقلیه خودران شریک هستند


ما هیجان زده هستیم که Transform 2022 را به صورت حضوری در 19 ژوئیه و تقریباً 20 تا 28 ژوئیه بازگردانیم. برای گفتگوهای روشنگر و فرصت های شبکه هیجان انگیز به رهبران هوش مصنوعی و داده بپیوندید. امروز ثبت نام کنید!


در حدود سال 2017، هیاهوی زیادی در مورد رانندگی خودران وجود داشت. اگر بخواهیم آن را به صورت اسمی در نظر بگیریم، به این معنی است که رانندگی خودران تا به حال یک واقعیت بوده است. ظاهراً اینطور نیست و الکس کندال ادعا می کند که همیشه این را می دانسته است. با این حال، این باعث نشد که او در آن زمان شروع به کار کند و او هنوز هم روی آن کار می کند.

کندال یکی از بنیانگذاران و مدیر عامل شرکت Wayve است، شرکتی که در سال 2017 برای مقابله با چالش رانندگی خودران بر اساس رویکرد یادگیری عمیق تاسیس شد. امروز، Wayve از همکاری با مایکروسافت برای استفاده از زیرساخت ابر محاسباتی مورد نیاز برای پشتیبانی از توسعه مدل‌های مبتنی بر هوش مصنوعی برای وسایل نقلیه خودران در مقیاس جهانی خبر داد.


وسایل نقلیه خودمختار 2.0

Wayve پس از تحقیقات در سطح جهانی در زمینه یادگیری عمیق از دانشگاه کمبریج تأسیس شد و اولین ربات خود را در یک گاراژ خانه-دفتر ساخت. کندال خود سابقه هوش مصنوعی دارد و مدرک دکترا دارد. در یادگیری عمیق

کندال خود را به عنوان علاقه مند به ساخت ماشین های هوشمند توصیف می کند که واقعاً می توانند ارزش زیادی به زندگی ما بیافزایند. برای او، او در ادامه افزود که شامل ساختن هوش تجسم یافته است. واقعاً اینطور نیست که بیشتر مردم در مورد وسایل نقلیه خودران فکر می کنند. کندال اظهارات خود را به شرح زیر توصیف کرد:

«طراحی مشترک سخت‌افزار و نرم‌افزار برای ساختن سیستم‌هایی که توانایی استدلال در محیط‌های پیچیده را دارند – و من فکر می‌کنم جایی بهتر از رانندگی خودکار برای شروع وجود ندارد. رانندگی خودران اولین نمونه گسترده از ماشین‌های هوشمند خواهد بود که واقعاً شهرهایی را که ما در آن زندگی می‌کنیم متحول می‌کند.

این به خوبی مقدمه ای ملایم برای رویکرد Wayve است، که شرکت آن را AV2.0 (خودروهای خودکار 2.0) در مقابل AV1.0 می نامد، اصطلاح Wayve برای اشاره به “رانندگان خودمختار کلاسیک” استفاده می کند.

همانطور که توسط تیم Wayve در یک نشریه Arxiv استدلال شده است، AVهای امروزی بر اساس همان معماری رباتیک مشورتی طراحی شده‌اند که بسط پارادایم حس-طرح-عمل است. مشکل در چند حوزه کلیدی تقسیم می شود: حس کردن، نمایش صحنه، برنامه ریزی و کنترل.

تیم Wayve معتقد است که اکثریت آنها برای رانندگی بر اساس موفقیت معیارهای مربوطه به اندازه کافی بالغ هستند. در حالی که ممکن است دستاوردهای بیشتری حاصل شود، هیچ یک از این زمینه ها تغییری گام به گام را برای باز کردن قفل رانندگی مقیاس پذیر ارائه نمی دهند. آنچه برای دستیابی به آینده ای مستقل از نظر Wayve مورد نیاز است، تجزیه است: حل رانندگی با داده ها.

این تیم از نمونه هایی مانند پردازش زبان طبیعی با GPT-3 و بازی های MuZero و AlphaStar الهام گرفتند. در این مثال‌ها، راه‌حل کار به قدری پیچیده بود که لایه‌ها و ویژگی‌های انتزاعی دست‌ساز قادر به مدل‌سازی کافی مشکل نبودند. رانندگی به همین ترتیب پیچیده است، بنابراین چرا Wayve استدلال می کند که به راه حل مشابهی نیاز دارد.

راه حلی که Wayve دنبال می کند، یک محرک کاملاً آموخته شده است. به عبارت دیگر، یک رویکرد مبتنی بر یادگیری عمیق پایان به پایان برای رانندگی مستقل. هنگامی که از کندال خواسته شد مقایسه نقطه به نقطه بین معماری AV2.0 و AV1.0 انجام دهد، کندال پاسخ داد که AV2.0 فقط یک جزء دارد و بنابراین مقایسه قابل قبولی نیست.

رانندگی خودکار: آنچه در پنج سال آینده امکان پذیر است

همه چیز خوب و خوب است، اما چگونه در دنیای واقعی کار می کند و مایکروسافت کجا آمده است؟ به گفته کندال، او در سال 2017 می‌توانست ببیند که این راهی است، حتی اگر می‌دانست که هنوز کاملاً آنجا نبوده‌اند. به سرعت به سال 2022 بروید و راه‌اندازی اکنون آماده است تا همه چیز سر جای خود قرار گیرد.

کندال گفت: “شما باید برای آنچه که در مدت پنج سال ممکن است بسازید، برای آنچه در آینده امکان پذیر است تا در موقعیتی قرار بگیرید که واقعاً در این زمینه پیشرو باشید.”

Wayve یک سری B 200 میلیون دلاری را با حمایت یک گروه برجسته از سرمایه‌گذاران مالی و استراتژیک جهانی – از جمله مایکروسافت – در ژانویه 2022 جمع‌آوری کرد. این مبلغ کل سرمایه‌گذاری شرکت را به 260 میلیون دلار رساند. دفتر مرکزی این شرکت در لندن است و یک دفتر کوچک نیز در منطقه خلیج سانفرانسیسکو دارد. تیم Wayve در حال حاضر بیش از 150 نفر را شامل می شود.

کندال اضافه کرد که یادگیری ماشینی در مقیاس 90٪ یک چالش مهندسی و 10٪ سرهم بندی با الگوریتم ها است. علاوه بر انجام تحقیقات داخلی، که بیشتر آن در مکان‌های علمی برتر منتشر می‌شود، تلاش زیادی برای مواردی مانند معیارها، زیرساخت‌های داده، سیستم‌های تجسم، شبیه‌سازی و محاسبات انجام می‌شود.

وقتی نوبت به داده‌ها می‌رسد، Wayve بر روی استفاده از ویدئوهای جمع‌آوری‌شده از طریق دوربین‌ها در زمان واقعی تمرکز می‌کند و داده‌های رادار نقش مکمل دارند. کندال ادعا کرد برای آموزش مدل های یادگیری عمیق، Wayve بیش از یک ترابایت داده در دقیقه جمع آوری می کند. این شرکت از سال 2020 با مایکروسافت و ابر Azure آن کار می کند.

کندال گفت: از آن زمان، تیم شتاب مطلق در عملکرد در مقیاس بالاتر آموزش دیده است: داده های بیشتر، محاسبات بیشتر، پارامترهای بیشتر در مدل های یادگیری ماشین. او در ادامه افزود، این واقعاً شروع به جابجایی مرزهای آنچه برای هر ارائه ابر تجاری امروزی وجود دارد، می کند.

اگر به بسیاری از فن‌آوری‌های ابررایانه‌ای که امروزه توسعه یافته‌اند فکر می‌کنید، بسیاری از آنها در مورد پردازش متن یا زبان طبیعی در مقیاس بزرگ هستند. کندال توضیح داد، اما انتقال از کیلوبایت داده متنی به پتابایت یا اگزابایت داده ویدیویی واقعاً چیزی است که برای ایجاد رباتیک متحرک یا رانندگی خودکار در مقیاس با یادگیری ماشین لازم است. “این چیزی است که Wayve و مایکروسافت در حال ساختن آن هستند.”

به گفته کندال، مشارکت بین دو شرکت فراتر از سناریوی معمولی است که در آن ارائه دهندگان برنامه های کاربردی تجاری با فروشندگان ابری شریک می شوند. در آن سناریو، فروشندگان ابر معمولاً دسترسی رایگان یا با تخفیف به زیرساخت های خود را برای شرکای خود فراهم می کنند. کندال گفت، آنچه در اینجا اتفاق خواهد افتاد این است که Wayve با مایکروسافت همکاری خواهد کرد تا مرزهای آنچه در Azure امکان پذیر است را پشت سر بگذارد.

این مانند یک برد-برد به نظر می‌رسد، زیرا Wayve به توسعه زیرساخت‌های مورد نیاز خود کمک می‌کند و مایکروسافت از نزدیک روی یک مورد استفاده که به آزمایش و پیشبرد Azure کمک می‌کند، همکاری خواهد کرد. این به خوبی در استراتژی مایکروسافت برای محافظت از شرط‌بندی‌های خود در مورد وسایل نقلیه خودران و سایر برنامه‌های کاربردی سطح بالا نیز مناسب است.

زدن به جاده

در مورد استقرار در دنیای واقعی، Wayve یک برنامه و موفقیت هایی برای نشان دادن آن دارد. این طرح بر ناوگان تجاری متمرکز است. همانطور که کندال توضیح داد، ناوگان تجاری پوشش بسیار زیادی از جهان را دارند. Wayve با گروه Ocado، Asda و DPD، سه تا از بزرگترین ناوگان تجاری در بریتانیا، شراکت دارد.

در حال حاضر، شرکای Wayve به شرکت کمک می‌کنند تا از طریق دستگاه‌های جمع‌آوری داده‌ها که ناوگان‌های هدایت‌شونده دستی به آن‌ها مجهز هستند، به حجم زیادی از داده‌های آموزشی دسترسی پیدا کند. Wayve همچنین از داده‌های مصنوعی تولید شده در داخل استفاده می‌کند تا بتواند بهتر با موارد لبه مقابله کند – موقعیت‌هایی که به راحتی در طبیعت با آنها مواجه نمی‌شوید.

در آینده، ناوگان شریک اولین ناوگانی خواهند بود که فناوری AV Wayve به صورت تجاری بر روی آنها به کار گرفته خواهد شد. کندال گفت که این به هر شریک اجازه می دهد تا روی کاری که به خوبی انجام می دهد تمرکز کند. همچنین منعکس کننده روشی است که پیشرفت های فناوری معرفی می شوند – ابتدا در مقیاس سازمانی مستقر شدند، سپس به مصرف کنندگان رسیدند.

هدف جاه طلبانه Wayve این است که اولین کسی باشد که AV ها را به 100 شهر می آورد. اخیراً اولین گام در جهت این هدف توسط شرکت برداشته شده است. Wayve تصمیم گرفت آزمایش کند که آیا مدل AV2.0 آنها که در لندن آموزش داده شده است، می تواند هوش رانندگی خود را به شهرهای جدید تعمیم دهد، بدون اینکه هیچ جمع آوری داده قبلی برای تأثیرگذاری بر عملکرد مدل در شهرهای جدید وجود نداشته باشد.

این مدل در سپتامبر 2021 در پنج شهر بریتانیا (کمبریج، کاونتری، لیدز، لیورپول و منچستر) طی یک دوره سه هفته‌ای در سپتامبر 2021 آزمایش شد. این شرکت ادعا می‌کند که سیستم رانندگی خودکار آن بیش از 610 کیلومتر را در شهرهایی که قبلاً دیده نشده بود بدون شهر قبلی رانندگی کرده است. سازگاری های خاص، نشان دادن تمام مهارت هایی که در لندن آموخته است.

قابل پیش بینی، تفسیر پذیری و اعتماد

تعمیم یکی از چالش های بزرگ یادگیری عمیق به طور کلی است و Wayve آن را در میان هفت چالش بزرگ برای رانندگی آموخته شده نیز شناسایی کرده است. شش مورد دیگر عبارتند از سازگاری خودرو، مدل‌سازی پیچیدگی دنیای واقعی، یادگیری از داده‌های در دسترس خارج از خط‌مشی، ایمنی در شرایط عدم قطعیت، تفسیرپذیری شکست‌ها و پاداش‌های رانندگی.

در حالی که هیچ یک از اینها شاهکار کوچکی نیست، آنچه که به گفته کندال به آن می رسد عملکرد و پیش بینی پذیری است.

ما باید ماشین‌های هوشمندی بسازیم که قبل از هر چیز کارایی داشته باشند، ایمن باشند، ارزشی ایجاد کنند و در زندگی ما تأثیر بگذارند. ماشین‌هایی که قابل پیش‌بینی هستند، کارهای نامنظم انجام نمی‌دهند، در مورد آنچه که می‌توانند و نمی‌توانند انجام دهند دقیق هستند و انتظارات را برآورده می‌کنند یا فراتر از آن هستند. این واقعاً چیزی است که ما باید در مورد آن فکر کنیم.» کندال گفت. «تفسیرپذیری [for example] از منظر توسعه، از منظر اعتبارسنجی، از این نوع دیدگاه‌ها واقعاً مهم است. من فکر نمی‌کنم که برای ارائه این فناوری به بازار نیازی به حل علیت و استدلال علّی در یادگیری عمیق داشته باشیم.

او در ادامه توضیح داد که استدلال علّی چیزی نیست که مغز انسان و AV1.0 بتواند ارائه دهد.

“من فکر می کنم چیزی که ما به آن نیاز داریم یک سیستم است، در حالی که تیم های مهندسی، ما می توانیم تریاژ را بفهمیم و خطا کنیم و در نهایت سیستم را بهبود دهیم تا یک اشتباه را دو بار مرتکب نشویم. این فوق العاده مهم است. اما تحقیقات نشان می‌دهد که برای ایجاد اعتماد چندان مهم نیست. اگر به این فکر کنید که اگر امروز با یک هواپیما، در یک شرکت هواپیمایی بروید، درک قابل تفسیری از نحوه کار هواپیما به دست نمی آورید، اما به آن اعتماد دارید زیرا عملکرد و قابل پیش بینی است. و در درجه اول، اینها چیزهایی هستند که ما باید در مقیاس خود از اعتماد و پذیرش این فناوری مطمئن شویم.»

ماموریت VentureBeat این است که یک میدان شهر دیجیتال برای تصمیم گیرندگان فنی باشد تا دانشی در مورد فناوری سازمانی متحول کننده کسب کنند و معامله کنند. کسب اطلاعات بیشتر در مورد عضویت.