 |
| التعلم الآلي سوف يشعل الموجة التالية من السيارات ذاتية القيادة |
التعلم الآلي والسيارات ذاتية القيادة
تنجح شركات التكنولوجيا جزئياً بسبب التوقيت الجيد. في حد ذاته ، لا يضمن منتج التقنية الرائعة الجر على نطاق واسع. إن تصميم الحل "المناسب" للعميل - الحل الذي يمكنه القيام بعمل موثوق وقيم باستمرار - أمر بالغ الأهمية.
لقد علمتني وقتي في شركة جنرال إلكتريك لأنظمة الحكم الذاتي للبناء ، وعلى مدار السنوات الخمس الماضية التي قضيتها في الاستثمار في شركات الروبوتات في Eclipse Ventures جنبًا إلى جنب مع زملائي من Tesla و Flex و SunPower ، أن الناس لا يهتمون حقًا بالبوت. إنهم يهتمون بإنجاز العمل بشكل موثوق بكفاءة أكبر.
المرحلة التالية من الروبوتات
يكافح النهج الكلاسيكي في هندسة الروبوتات من أجل تحقيق الموثوقية في البيئات المعقدة غير المقيدة. تعتبر الحالة الحالية لتطوير المركبات المستقلة مثالًا مثاليًا في الوقت المناسب تمامًا. أجهزة استشعار باهظة الثمن ، وخرائط عالية الكثافة لليد العاملة ، وقواعد مشفرة يدويًا - هذه المجموعة التكنولوجية تبدو مرهقة بشكل متزايد ، أليس كذلك؟
المزيد من المال والمزيد من البيانات والمزيد من الهندسة والمزيد من السيارات في أسطول الاختبار لن يحل المشكلة. لقد شعرنا في Eclipse أن هناك حاجة إلى نهج مختلف ، وهو تصميم جديد للنظام بشكل أساسي ، لإحضار السيارة المستقلة بعيد المنال إلى الجماهير.
بعد أكثر من عقد من مسابقات DARPA للسيارات ذاتية القيادة ، وملايين الأميال التدريبية ، والمليارات المستثمرة في التطوير ، لا يزال لدينا نموذج استهلاكي واحد على طرقاتنا.
نموذج جديد للأنظمة الذاتية
بالعودة إلى النقطة الأولية ، فإن التطورات الحديثة في التكنولوجيا تجعل الوقت مناسبًا لمعالجة المشكلة من زاوية مختلفة تمامًا:
لقد تطورت رؤية الكمبيوتر بشكل سريع في العقد الماضي ، وأصبح نهج البصريات فقط كافيًا لتمكين الأنظمة الذاتية من العمل.
تتيح بيئات المحاكاة القوية تدريب خوارزميات التعلم الآلي (ML) باستخدام بيانات واقعية أقل بكثير.
ستؤدي الأنظمة الحاسوبية الجديدة المصممة خصيصًا لتدريب ML واستدلال الحافة إلى تقليل الوقت والموارد اللازمة لتحسين النماذج التي تكون أوامر حجمها أكثر تعقيدًا من تلك المستخدمة اليوم ونشرها.
أصبحت "التعلم بالتقليد" و "التعلم التعزيز" ، وهما فئتان فرعيتان من التعلم الآلي الذي انتُقد منذ وقت طويل بسبب كونه شديد الجوع في البيانات وحسابًا مكثفًا ، قابلة للحياة الآن بالنسبة إلى الروبوتات التطبيقية.
معًا ، تُمكّن هذه التطورات التكنولوجية الآن من بناء نظام يمكن تدريسه للعمل بشكل أكثر موثوقية من الإنسان. علاوة على ذلك ، فإنهم يمكّنون من بناء نظام بتكلفة اقتصادية ولا يحتاجون إلى نفقات تشغيل لتوسيع نطاق خطي مع نمو الأسطول - لأن من يريد حقًا إنفاق 180 ألف دولار على سيارة سيدان عائلية؟
تطور الآلات الذكية
لهذا السبب استثمرنا في Wayve ، وهي شركة مقرها المملكة المتحدة رائدة في مجال برامج الذكاء الاصطناعي للسيارات ذاتية القيادة. يقود كل من عمار شاه وأليكس كيندال ، خبراء في مجالات التعلم التعزيز العميق ورؤية الكمبيوتر ، كل هذه التطورات. يتيح نهج التعلم الآلي الفريد من نوعه إلى النهاية للسيارات قيادة المركبات في بيئات حضرية معقدة.
تتيح جولة التمويل التي تم الإعلان عنها للتو والتي تبلغ تكلفتها 20 مليون دولار والتي قادتها Eclipse لـ Wayve إطلاق أسطول تجريبي من جاكوار I-PACE المتمتعة بالحكم الذاتي في وسط لندن - نعم ، واحدة من أكثر مدن الأرض ازدحامًا. وشارك في الجولة بالديرتون كابيتال ، والمستثمرون الحاليون ، والعديد من القادة البارزين الذين لم يكشف النقاب عنهم في التعلم الآلي والروبوتات.
انظر لنفسك كيف ، في الربيع الماضي ، عرض Wayve سيارة ذاتية القيادة تتنقل على الطرق التي لم تكن السيارة موجودة فيها من قبل. تم تحقيق ذلك باستخدام الكاميرات الأساسية فقط ، وخريطة طريق سات ناف بسيطة ، و "دماغ القيادة" لدى Wayve.
نحن ندخل نموذجًا جديدًا لتطوير نظام الحكم الذاتي ، الذي لا يزال يحتفظ بالموثوقية والأداء بأهمية قصوى ، لكنه يوسع نطاق ما يمكن أن تفعله هذه الأنظمة في العالم المادي بشكل كبير. وفي Eclipse ، نحن متحمسون للعمل مع شركات المرحلة المبكرة التي تجعل هذا النموذج الجديد حقيقة واقعة.
هذا هو الخيط المشترك بين مجموعة شركاتنا: نحن نعمل مع رواد أعمال جريئين ومبدعين يعطلون الصناعات المعقدة القديمة التي ترسي اقتصادات العالم والذين يبنون الجسور الرقمية إلى الغد.
