Πόσο κοντά είμαστε για τα αυτόνομα οχήματα;
Όλα τα παραπάνω αναδεικνύουν ξεκάθαρα το γεγονός ότι πέρα από τις προβλέψεις που γίνονται, υπάρχουν πραγματικές επενδύσεις που ποντάρουν στο ότι το λογισμικό θα είναι ικανό να αντεπεξέλθει στις προσδοκίες. Παρά τα όσα προβλήματα με τα ατυχήματα που προκλήθηκαν από αδυναμίες των συστημάτων αυτόνομης οδήγησης, η αλήθεια είναι ότι σήμερα είμαστε πιο κοντά από ποτέ σε ένα όνειρο που έμοιαζε κάποτε άπιαστο. Ή μήπως παραμένει;
Αναλυτές υποστηρίζουν ότι υπάρχει μια αυξανόμενη ανησυχία στην αυτοκινητοβιομηχανία και όσους επενδύουν στα συστήματα αυτόνομης οδήγησης, και ο λόγος είναι ότι μπορεί τελικά να περάσουν δεκαετίες προτού δούμε πραγματικά ασφαλή αυτόνομα συστήματα οδήγησης. Καθώς η τεχνητή νοημοσύνη παλεύει να αντεπεξέλθει με τον χαοτικό αριθμό λεπτομερειών που κάνουν τη διαφορά στο δρόμο, αναλυτές όπως ο Gary Marcus του New York University θεωρούν ότι ίσως θα πρέπει πλέον να αναθεωρήσουμε τις προσδοκίες μας, ενώ προσθέτει ότι μεγάλες καθυστερήσεις στην ανάπτυξη πραγματικά ικανών συστημάτων αυτόνομης οδήγησης μπορεί να αποδειχθούν καταστροφικές για τις εταιρίες που επένδυσαν σε αυτά.
Η αισιοδοξία αυτών των εταιριών όμως έχει βάση τα τεράστια άλματα προόδου που έχουν γίνει τα τελευταία δέκα χρόνια στον τομέα του deep learning AI, κάτι που έχει αλλάξει ήδη πολλά πράγματα και εκτός αυτοκίνησης. Αλγόριθμοι που αναλύουν τεράστια μεγέθη δεδομένων έχουν μάθει πλέον πως να μας προσφέρουν καλύτερα αποτελέσματα αναζήτησης στη Google, να αναγνωρίζουν πρόσωπα σε φωτογραφίες του Facebook, να προβλέπουν σεισμούς, καρδιακές παθήσεις, και να μας κερδίζουν στο Go.
Αναλυτές υποστηρίζουν ότι υπάρχει μια αυξανόμενη ανησυχία στην αυτοκινητοβιομηχανία και όσους επενδύουν στα συστήματα αυτόνομης οδήγησης, και ο λόγος είναι ότι μπορεί τελικά να περάσουν δεκαετίες προτού δούμε πραγματικά ασφαλή αυτόνομα συστήματα οδήγησης. Καθώς η τεχνητή νοημοσύνη παλεύει να αντεπεξέλθει με τον χαοτικό αριθμό λεπτομερειών που κάνουν τη διαφορά στο δρόμο, αναλυτές όπως ο Gary Marcus του New York University θεωρούν ότι ίσως θα πρέπει πλέον να αναθεωρήσουμε τις προσδοκίες μας, ενώ προσθέτει ότι μεγάλες καθυστερήσεις στην ανάπτυξη πραγματικά ικανών συστημάτων αυτόνομης οδήγησης μπορεί να αποδειχθούν καταστροφικές για τις εταιρίες που επένδυσαν σε αυτά.
Η αισιοδοξία αυτών των εταιριών όμως έχει βάση τα τεράστια άλματα προόδου που έχουν γίνει τα τελευταία δέκα χρόνια στον τομέα του deep learning AI, κάτι που έχει αλλάξει ήδη πολλά πράγματα και εκτός αυτοκίνησης. Αλγόριθμοι που αναλύουν τεράστια μεγέθη δεδομένων έχουν μάθει πλέον πως να μας προσφέρουν καλύτερα αποτελέσματα αναζήτησης στη Google, να αναγνωρίζουν πρόσωπα σε φωτογραφίες του Facebook, να προβλέπουν σεισμούς, καρδιακές παθήσεις, και να μας κερδίζουν στο Go.
Όσο περισσότερα δεδομένα, και όσο διαφορετικά είναι ποιοτικά μεταξύ τους, τόσο πιο ισχυρό θα καταλήξει να γίνει ένα AI που τα έχει στη διάθεσή του. Τι γίνεται όμως στην περίπτωση της οδήγησης, όπου τα δεδομένα είναι περιορισμένα σε σχέση με τις πρακτικά άπειρες πιθανότητες διαφορετικών καταστάσεων;
Η τεχνητή νοημοσύνη deep learning μπορεί να μάθει κάτι όταν το έχει συναντήσει σαν δεδομένο για αρκετές φορές. Για παράδειγμα, ένα τέτοιο AI δε θα μπορούσε να ξεχωρίσει μια αγριόγατα από μια γάτα, ή ακόμη και από άλλα πολύ διαφορετικά αιλουροειδή. Αυτό ονομάζεται το πρόβλημα της γενίκευσης στην τεχνητή νοημοσύνη, και φαίνεται πως είναι πολύ σοβαρότερο και πολύπλοκο απ’ ότι πίστευαν τα προηγούμενα χρόνια οι ερευνητές.
Η τεχνητή νοημοσύνη deep learning μπορεί να μάθει κάτι όταν το έχει συναντήσει σαν δεδομένο για αρκετές φορές. Για παράδειγμα, ένα τέτοιο AI δε θα μπορούσε να ξεχωρίσει μια αγριόγατα από μια γάτα, ή ακόμη και από άλλα πολύ διαφορετικά αιλουροειδή. Αυτό ονομάζεται το πρόβλημα της γενίκευσης στην τεχνητή νοημοσύνη, και φαίνεται πως είναι πολύ σοβαρότερο και πολύπλοκο απ’ ότι πίστευαν τα προηγούμενα χρόνια οι ερευνητές.
Πρόσφατες έρευνες δείχνουν ότι τα συμβατικά συστήματα τεχνητής νοημοσύνης είναι ανίκανα να γενικεύσουν ακόμη και ανάμεσα σε καρέ βίντεο, όπως φαίνεται από το παρακάτω βίντεο. Το ΑΙ που καλείται να αναγνωρίσει το είδος ζώου που απεικονίζεται αλλάζει άποψη ακόμη και με ελάχιστες αλλαγές στην εικόνα.
Το πιο πρόσφατο παράδειγμα αποτυχίας των deep learning AI ήταν τα chat bots. Ενώ οι εταιρίες που τα ανέπτυσσαν υπόσχονταν ότι μέχρι το 2015 θα υπάρχουν παντού, βλέπουμε ότι πλέον ελάχιστες εταιρίες επενδύουν σε αυτά. Το πρόβλημά τους ήταν πως η συλλογή και η ανάλυση δεδομένων δεν τα καθιστούσε αρκετά ικανά να κάνουν μια συζήτηση σε ευρύ πλαίσιο με κάποιον.
Το ερώτημα που απορρέει από αυτή την αποτυχία των chat bot, είναι το κατά πόσον τα συστήματα αυτόνομης οδήγησης θα καταφέρουν να ξεπεράσουν τα προβλήματα γενίκευσης ή θα παραμείνουν ένα όνειρο όπως τα πρώτα. Είναι η οδήγηση ένα ζήτημα γενίκευσης ή παρεμβολής; Πόσο απρόβλεπτη είναι η διαδικασία της οδήγησης αλήθεια;
Σύμφωνα με τον Marcus, είναι νωρίς για να απαντήσουμε σε αυτό το ερώτημα. “Αυτή τη στιγμή, τα αυτόνομα οχήματα είναι ένα πείραμα που θα μας δώσει την απάντηση. Ποτέ πριν δεν φτάσαμε στο σημείο αυτοματοποίησης της οδήγησης που έχουμε φτάσει σήμερα, οπότε δεν ξέρουμε ακόμη την πολυπλοκότητά του. Το πρόβλημα με τα deep learning AI σήμερα δεν είναι η οδήγηση σε γνώριμο περιβάλλον, αλλά σε απρόβλεπτες καταστάσεις εξαιρετικά μεγάλης πολυπλοκότητας. Αυτό είναι κάτι που η σχετική βιομηχανία δε θέλει να παραδεχθεί σήμερα.”
Τα νέα των τελευταίων ετών βρίθουν ατυχημάτων αυτόνομων οχημάτων σε “περίεργες” και πιο πολύπλοκες από το σύνηθες συνθήκες. Σε κάποιες περιπτώσεις, η ανάλυση δεδομένων έδειξε αναποφασιστικότητα του συστήματος ως προς το τι συμβαίνει, σε άλλες έδειξε απενεργοποίηση των συστημάτων ασφαλείας λόγο αντικρουόμενων δεδομένων, και σε κάποιες δεν βγήκαν καν συμπεράσματα. Κάθε ατύχημα φαίνεται πως ήταν μια περίπτωση που δεν καλύφθηκε από τον μεγάλο όγκο δεδομένων με τα οποία τροφοδότησαν οι μηχανικοί ανάπτυξης τα συστήματα αυτόνομης οδήγησης, και απ’ ότι φαίνεται οι περιπτώσεις που δεν καλύπτονται από δεδομένα είναι αρκετές.
Σύμφωνα με τον Marcus, είναι νωρίς για να απαντήσουμε σε αυτό το ερώτημα. “Αυτή τη στιγμή, τα αυτόνομα οχήματα είναι ένα πείραμα που θα μας δώσει την απάντηση. Ποτέ πριν δεν φτάσαμε στο σημείο αυτοματοποίησης της οδήγησης που έχουμε φτάσει σήμερα, οπότε δεν ξέρουμε ακόμη την πολυπλοκότητά του. Το πρόβλημα με τα deep learning AI σήμερα δεν είναι η οδήγηση σε γνώριμο περιβάλλον, αλλά σε απρόβλεπτες καταστάσεις εξαιρετικά μεγάλης πολυπλοκότητας. Αυτό είναι κάτι που η σχετική βιομηχανία δε θέλει να παραδεχθεί σήμερα.”
Τα νέα των τελευταίων ετών βρίθουν ατυχημάτων αυτόνομων οχημάτων σε “περίεργες” και πιο πολύπλοκες από το σύνηθες συνθήκες. Σε κάποιες περιπτώσεις, η ανάλυση δεδομένων έδειξε αναποφασιστικότητα του συστήματος ως προς το τι συμβαίνει, σε άλλες έδειξε απενεργοποίηση των συστημάτων ασφαλείας λόγο αντικρουόμενων δεδομένων, και σε κάποιες δεν βγήκαν καν συμπεράσματα. Κάθε ατύχημα φαίνεται πως ήταν μια περίπτωση που δεν καλύφθηκε από τον μεγάλο όγκο δεδομένων με τα οποία τροφοδότησαν οι μηχανικοί ανάπτυξης τα συστήματα αυτόνομης οδήγησης, και απ’ ότι φαίνεται οι περιπτώσεις που δεν καλύπτονται από δεδομένα είναι αρκετές.
Από τα 275 εκατομμύρια μίλια χωρίς ατύχημα που θεωρείται ο μέσος όρος για έναν άνθρωπο οδηγό, τα αυτόνομα οχήματα φαίνεται να έχουν κυμανθεί στα 130 εκατομμύρια μίλια μέχρι τώρα, μια επίδοση πολύ χαμηλότερη από το στόχο.
Οι λύσεις σε αυτό είναι θεωρητικά πολλές, και η κάθε εταιρία έχει τη δική της προσέγγιση. Η Waymo για παράδειγμα ενσωματώνει κανόνες οδικής συμπεριφοράς που αφορούν συγκεκριμένες καταστάσεις και περιπτώσεις, διατηρώντας κατά τα άλλα τις ικανότητες της τεχνητής νοημοσύνης που αναπτύσσουν. Αυτός ο συνδυασμός παλαιάς και νέας τεχνολογίας μπορεί να είναι η απάντηση στο πρόβλημα.
Οι λύσεις σε αυτό είναι θεωρητικά πολλές, και η κάθε εταιρία έχει τη δική της προσέγγιση. Η Waymo για παράδειγμα ενσωματώνει κανόνες οδικής συμπεριφοράς που αφορούν συγκεκριμένες καταστάσεις και περιπτώσεις, διατηρώντας κατά τα άλλα τις ικανότητες της τεχνητής νοημοσύνης που αναπτύσσουν. Αυτός ο συνδυασμός παλαιάς και νέας τεχνολογίας μπορεί να είναι η απάντηση στο πρόβλημα.
Άλλοι, όπως ο Andrew Ng - πρώην μέλος του Baidu, υποστηρίζουν ότι αυτό που χρειάζεται να γίνει δεν είναι να κάνουμε τα αυτόνομα αυτοκίνητα ασφαλέστερα για το υπάρχον περιβάλλον, αλλά το περιβάλλον ασφαλέστερο για τα αυτόνομα αυτοκίνητα. Με άλλα λόγια, να φτιάξουμε καταλληλότερους δρόμους και να εξασφαλίσουμε ότι οι πεζοί ακολουθούν τους κανόνες του κώδικα οδικής κυκλοφορίας. Τέλος, υπάρχουν και αυτοί όπως η Ann Miura-Ko του Lyft που υποστηρίζει ότι είναι πολύ απλά μη ρεαλιστικό να περιμένουμε ότι η αυτόνομη οδήγηση θα περάσει από το level 0 στο level 5 σε μερικά χρόνια, και να θεωρούμε οτιδήποτε άλλο αποτυχία.
Αυτή τη στιγμή, οι εταιρίες που αναπτύσσουν συστήματα αυτόνομης οδήγησης έχουν καταλήξει ότι ο δρόμος είναι η τεχνητή νοημοσύνη, οπότε και επικεντρώνονται σε συλλογή και ανάλυση όσο περισσότερων δεδομένων γίνεται. Όλες οι εταιρίες θεωρούν ότι αυτή που θα κάνει τα περισσότερα χιλιόμετρα δοκιμών θα είναι και στην αιχμή των εξελίξεων, έχοντας το πιο ικανό AI. Κανείς δεν γνωρίζει αν όντως αυτό θα αρκεί τελικά για να φτάσουν τα AI στο επίπεδο που όλοι θέλουμε, αλλά οι ελπίδες όλων εναποτίθενται σε αυτή την μεθοδολογία ανάπτυξης.
Πηγή
Αυτή τη στιγμή, οι εταιρίες που αναπτύσσουν συστήματα αυτόνομης οδήγησης έχουν καταλήξει ότι ο δρόμος είναι η τεχνητή νοημοσύνη, οπότε και επικεντρώνονται σε συλλογή και ανάλυση όσο περισσότερων δεδομένων γίνεται. Όλες οι εταιρίες θεωρούν ότι αυτή που θα κάνει τα περισσότερα χιλιόμετρα δοκιμών θα είναι και στην αιχμή των εξελίξεων, έχοντας το πιο ικανό AI. Κανείς δεν γνωρίζει αν όντως αυτό θα αρκεί τελικά για να φτάσουν τα AI στο επίπεδο που όλοι θέλουμε, αλλά οι ελπίδες όλων εναποτίθενται σε αυτή την μεθοδολογία ανάπτυξης.
Πηγή
