Джон Бентли - Автоутопия. Будущее машин

Компания Nvidia , которая известна в первую очередь как производитель видеокарт для компьютеров, выпустила чип Xavier . Он способен выполнять 30 триллионов операций в секунду, что в 500 раз больше хорошего ноутбука, потребляя при этом всего 30 ватт. Эта разработка – удивительно мощное и эффективное устройство, которое представляет собой самую сложную систему на кристалле из когда-либо созданных. Она состоит из центрального процессора (8 ядер), графического процессора (512 ядер), ускорителей глубокого обучения и компьютерного зрения, а также процессора для обработки видео в разрешении 8 K . «Мы перенесли суперкомпьютер из центра разработки данных в автомобиль», – заявил Дэнни Шапиро, который отвечает за развитие сегмента автомобильных систем в Nvidia . Но пройдет еще немало времени, прежде чем системы станут энергетически (и экономически) эффективными и выйдут в массовое производство. Кроме того, можно установить самый мощный компьютер в мире, но без правильного программного обеспечения он останется всего лишь дорогим черным ящиком.

Устройство приборов может показаться сложным, но программное обеспечение, которое сделает беспилотные автомобили привычным явлением, в сотни раз сложнее. Вероятно, на сегодня это самое серьезное испытание для искусственного интеллекта.

Идея заключается в том, что автомобиль получает крупицы информации со всех датчиков и объединяет их, чтобы определить, где он находится, что его окружает и как обстановка может измениться. На основе этого машина вырабатывает способ перемещения в пространстве. Все эти действия нужно выполнить за миллисекунды и не допустить ни единой ошибки.

В автомобилях используется глубокое обучение. Я чрезмерно упрощаю, но принцип действия технологии такой: бортовой компьютер превращает информацию с датчиков в огромную матрицу, которая содержит миллиарды битов данных в цифровой форме. Затем он ищет знакомые шаблоны в этой базе, чтобы выбрать правильный вариант поведения. Иногда это называют нейронной сетью. Когда шаблоны и необходимые варианты поведения определены, они переводятся в физическую форму: в действие приходят ускоритель, тормоза, руль или другие системы вроде фар и даже звукового сигнала.

Мощный интеллект

Автопилот будет не единственным проявлением интеллекта машин.

В автомобилях появится технология распознавания лиц, позаимствованная у смартфонов. С ее помощью можно будет открывать дверь и заводить машину. Еще одна функция прямиком из смартфона – голосовой помощник. Сири, Алекса и другие станут быстрее ставить музыку и точнее отвечать на неотложные вопросы. Владельцы электрокаров смогут выбирать звук, который издает их автомобиль (что-то вроде рингтона для машины). Компания BMW уже наняла Ханса Циммера, композитора фильма «Бегущий по лезвию 2049», чтобы тот написал приятную мелодию, которая предупреждала бы пешеходов о приближении практически беззвучной машины. Скоро автомобиль настолько поумнеет, что заменит курьера. Сервисы смогут открывать машину и оставлять там посылки (или даже чистую одежду из химчистки). Автопарковка появится гораздо раньше автопилота. Вызов машины за несколько метров с помощью приложения на смартфоне или параллельная парковка без помощи водителя быстро станет вчерашним днем. Вместо этого автомобиль сам заранее узнает о свободных местах и построит к ним маршрут для самостоятельной парковки. А после владелец сможет автоматически вызвать машину когда и куда угодно.

В автомобилях будущего будет решена проблема со звуком: в каждое кресло встроят устройства подавления шума и усиления голоса, что позволит спокойно общаться с попутчиками. Более того, салон машины станет просторнее и его можно будет изменять по своему вкусу, настраивая экраны, приборную панель и графику. Экраны дополненной реальности будут выводить подсказки GPS -навигатора и полезные указания прямо на лобовое стекло.

Если в двух словах, то автомобиль находит шаблон в базе данных и реагирует на него. Такую же технологию используют для прогнозирования многих ситуаций – от землетрясений до сердечных заболеваний. Со временем стало возможным анализировать результаты исследований на наличие раковых клеток, распознавать болезни глаз и повреждение мышц. Компьютер справляется с задачей быстрее и точнее врача. Эта же технология оказалась полезной при распознавании лиц (от этого в какой-то степени даже некомфортно). Были случаи, когда записывали биометрическую информацию посетителей концерта, решивших сделать фото в будке, или когда людей по ошибке задерживали за магазинное воровство просто из-за того, что их черты лица схожи с чертами преступников. Из-за этого распознавание лиц приобрело дурную славу. Эти ситуации показали, насколько глубокое обучение может не оправдать ожидания.

Распознавание шаблонов на дороге заметно сложнее, ведь нужно учитывать множество факторов в сжатые сроки. Разработка программного обеспечения, которое поможет реагировать на сигналы из окружающей среды, – крайне сложная задача. Наиболее очевидный способ научить автомобиль правильным действиям – так называемое поведенческое клонирование (источником информации выступает опытный водитель). На следующем этапе система практикуется и учится принимать решения самостоятельно, повышая свой уровень вождения. При этом процесс контролирует человек и вмешивается, если что-то идет не так (а это случается часто).

На базовом уровне система способна определить, что дорога свободна, на основе большого объема подобных фотографий. Сопоставив данные, система увеличивает скорость до предустановленного предела. Задача становится сложнее, если на дороге много легковых автомобилей, фур, пешеходов и велосипедистов, а в базе нет готовых действий для этой ситуации. Системе придется угадывать, как поведет себя каждый из участников движения, и реагировать соответственно.

Себастьян Трун считает точное восприятие наиболее сложным аспектом. Он отмечает, что в начале работы над проектом Google по разработке автономных автомобилей модуль восприятия не мог отличить пакет от сбитого ребенка. Как уже было сказано, прогресс есть. На конференции Google I/O в 2018 году беспилотник Waymo продемонстрировал взаимодействие с пешеходом, несшим доску размером с дверь, рабочим, наполовину вылезшим из люка, и даже людьми, одетыми в надувные костюмы динозавров. В каждом случае очертания пешеходов были неясны, но Waymo верно их распознавал.

Существуют проблемы и с системой глубокого обучения. По сути, каждая ситуация, с которой сталкивается система, должна быть ей знакома. В противном случае у нее нет варианта действий. Одна из проблем называется «переобучение». Система начинает устанавливать связь между показателями, которые друг к другу никак не относятся. Это все равно что пытаться угадать число, которое выпадет на кубике, основываясь на его цвете или времени суток. Программа искусственного интеллекта будет продолжать строить гипотезы по поводу выпадающих чисел на базе всех параметров, которые ей доступны.