تتحدى Nvidia شركة Tesla حيث وصف Jensen Huang هذا بأنه "اختراق ChatGPT" للقيادة الذاتية

فجر الذكاء الاصطناعي الجسدي: قفزة Nvidia في تكنولوجيا القيادة الذاتية

أعلن الرئيس التنفيذي لشركة Nvidia، Jensen Huang، مؤخرًا أن عصر الذكاء الاصطناعي الجسدي—حيث يمكن للآلات أن تدرك وتستنتج وتتفاعل مع العالم الحقيقي—قد بدأ رسميًا. وفي حديثه بمعرض CES في لاس فيغاس، أبرز Huang أحدث إنجازات الشركة في القيادة الذاتية، مشيرًا إلى فصل جديد وجريء في مجال الروبوتات والمركبات المدعومة بالذكاء الاصطناعي.

في صميم إعلان Nvidia يأتي Alpamayo، وهو نموذج متطور يجمع بين الرؤية واللغة والعمل (VLA) تم تصميمه للمركبات ذاتية القيادة وروبوتاكسي. تم تصميم هذا النظام لدمج الإدراك وفهم اللغة وتخطيط العمل بسلاسة، مما يمكّن المركبات من اتخاذ قرارات مستنيرة على الطريق.

خلال كلمته الرئيسية، عرض Huang تجربة حية لـ Alpamayo حيث قاد سيارة اختبار في شوارع سان فرانسيسكو. تمكنت السيارة من التنقل في بيئات حضرية معقدة بكفاءة شبيهة بالبشر، دون الحاجة لأي تدخل يدوي.

مع هذا الإنجاز، بدأ مراقبو الصناعة بالتساؤل عما إذا كانت تكنولوجيا Nvidia يمكن أن تتجاوز قدرات Tesla الحالية وتضاهي أداء Waymo التابعة لـ Alphabet، والتي يُنظر إليها على نطاق واسع كقائدة في خدمات التنقل الذاتي.

رؤية Nvidia لمستقبل السيارات ذاتية القيادة

يبدي Huang تفاؤلًا كبيرًا بشأن إمكانيات المركبات ذاتية القيادة، متخيلًا عالمًا يضم مليار سيارة ذاتية القيادة تشارك الطرقات. تطور Nvidia تقنيتها للقيادة الذاتية منذ أكثر من عقد، ووصف Huang سابقًا حلول الذكاء الاصطناعي الجسدي مثل القيادة الذاتية بأنها فرصة سوقية تقدر بتريليونات الدولارات.

في معرض CES، أعلن Huang أن سيارة Mercedes CLA EV القادمة ستكون الأولى التي تزود بحزمة القيادة الذاتية الكاملة من Nvidia، بما في ذلك Alpamayo، في الربع الأول من العام. وبحلول 2027، تهدف Nvidia إلى نشر روبوتاكسي ذاتية القيادة بالتعاون مع شركاء مثل Uber وLucid. حاليًا، يعمل Alpamayo بمستوى الاستقلالية الثاني (Level 2)، مما يعني أنه يمكنه القيادة بشكل مستقل لكنه لا يزال يتطلب إشرافًا بشريًا.

الهدف النهائي لجميع اللاعبين الرئيسيين في هذا المجال هو تحقيق الاستقلالية من المستوى الرابع (Level 4)، حيث يمكن للمركبات أن تقود نفسها بالكامل ضمن مناطق محددة. بينما وصلت Waymo لهذا الإنجاز في بعض المناطق، لا تزال كل من Tesla ونظام DRIVE Hyperion من Nvidia في المستوى الثاني حتى الآن. تعمل Nvidia على رفع مستوى Alpamayo للوصول إلى المستوى الرابع في المستقبل القريب.

أشادت Katie Driggs-Campbell، أستاذة الهندسة في جامعة إلينوي، بتقدم Nvidia لكنها حذرت من أن العلاقات العامة قد تتفوق أحيانًا على الإنجازات التكنولوجية الفعلية.

وفقًا لـ Driggs-Campbell، يمثل Alpamayo خطوة تتجاوز نظام القيادة الذاتية الكامل (FSD) المملوك لـ Tesla، والذي لا يزال يتطلب إشراف السائق. وطموح Nvidia هو الوصول إلى المستوى الرابع من الاستقلالية مع Alpamayo، بينما تهدف Tesla أيضًا لتحقيق ذلك من خلال تحسينات مستمرة في البرمجيات.

نهج Tesla في بناء شبكة عصبية لتحقيق الاستقلالية

يعتمد نظام FSD من Tesla على شبكة عصبية شاملة تم تدريبها على كميات ضخمة من بيانات القيادة الواقعية. تعالج هذه المنهجية الشاملة مُدخلات الكاميرا وأجهزة الاستشعار مباشرة إلى أوامر التحكم في المركبة، دون الحاجة إلى التفكير الصريح أو وحدات قائمة على القواعد.

وعلى الرغم من فعاليته، يبقى نظام Tesla غامضًا إلى حد كبير، مع وجود معلومات عامة محدودة حول آلية عمله الداخلية. بعد عرض Nvidia حول Alpamayo، أكد الرئيس التنفيذي لـ Tesla، إيلون ماسك، أن الإصدار الأخير من FSD يستخدم تقنيات مماثلة قائمة على التفكير المنطقي، رغم صعوبة التحقق المستقل من ذلك.

ما هو معروف أن شبكة Tesla العصبية تتعلم من ملايين مقاطع فيديو القيادة، مما يمكنها من أداء مهام القيادة دون تقديم تبريرات واضحة لقراراتها. هذه الطبيعة "الصندوق الأسود" تعني أن المهندسين يمكنهم فقط تقييم النتائج، دون فهم المنطق الكامن وراءها.

أوضحت Driggs-Campbell أن نهج Tesla يستند إلى التعلم العميق التقليدي، حيث تُربط صور الإدخال وبيانات المستشعرات بأفعال القيادة استنادًا إلى أمثلة تدريبية واسعة. وتتمثل إحدى مزايا Tesla في قدرتها على جمع البيانات من أسطولها الضخم من السيارات—والذي يبلغ تقريبًا 9 ملايين سيارة حتى الآن—ومعظمها يساهم ببيانات بصرية لتحسين النموذج بشكل مستمر.

أما العيب الرئيسي فهو غياب الشفافية؛ فمن الصعب فهم أو تعديل عملية اتخاذ القرار للنظام عدا عن مراقبة النتائج النهائية.

نماذج التفكير: نموذج "التفكير السريع والبطيء"

على عكس الشبكة العصبية التفاعلية لـ Tesla، تدمج أنظمة Alpamayo من Nvidia وWaymo عمليات التفكير الصريحة في عملية اتخاذ القرار.

على سبيل المثال، إذا واجهت سيارة مزودة بـ Alpamayo إشارة مرور معطلة، يمكنها تحليل الوضع، وتفسير السيناريو باستخدام التفكير القائم على اللغة (مثل اتخاذ قرار بالتوقف، وفحص العوائق، والمتابعة بأمان)، ثم تنفيذ المناورة المناسبة.

تعتمد Waymo على منهجية "النظامين"، وغالبًا ما توصف بأنها "تفكير سريع وبطيء". يتفاعل النظام الأول بشكل غريزي مع مدخلات المستشعرات، بينما يفكر النظام الثاني ويتعامل مع المهام المعقدة. كلا النظامين يقدمان معلوماتهما إلى "مفسر العالم"، الذي يحدد أفضل مسار للعمل. ومن المهم أنه يمكن تخطي التفكير عبر قواعد صريحة عند الحاجة.

شرحت Driggs-Campbell أن معظم الأنظمة الذاتية تتضمن إجراءات أمان—قواعد مبرمجة للمواقف التي لا تتطلب تفكيرًا، مثل البقاء على الطريق. ومع ذلك، قد يؤدي دمج أنظمة متعددة أحيانًا إلى سلوكيات أو تعارضات غير متوقعة.

حدث مثال واقعي في سان فرانسيسكو عندما واجهت روبوتاكسي Waymo صعوبة في عبور التقاطعات خلال انقطاع التيار الكهربائي الذي أدى إلى تعطيل إشارات المرور، مما أبرز تحديات النماذج القائمة على القواعد والتفكير.

أشار Elon Musk إلى أن روبوتاكسي Tesla المدعومة بـ FSD، والتي يتم اختبارها حاليًا في سان فرانسيسكو، لم تتأثر بالانقطاع. ومع ذلك، ونظرًا لأن نظام Tesla لا يقدم مخرجات تفسيرية، فمن الصعب على المهندسين فهم أو تحسين كيفية تعامل السيارات مع الموقف.

مقارنة المناهج: الاستقلالية القائمة على البيانات مقابل التفكير المنطقي

بينما توفر النماذج القائمة على التفكير مثل Alpamayo وبنية Waymo ذات النظامين شفافية أكبر وإمكانية أفضل للتعامل الآمن مع السيناريوهات المعقدة، فإنها تواجه أيضًا تحديات في السرعة والأداء في الوقت الفعلي. في المقابل، تستطيع الشبكات العصبية القائمة على البيانات لدى Tesla الاستجابة بسرعة وكفاءة، لكنها تفتقر إلى التفسيرية.

أقرت Driggs-Campbell بأن الشبكات العصبية لدى Tesla تقدم مزايا في السرعة والكفاءة الحسابية، لكنها أشارت إلى صعوبة تحديد أي نهج أفضل بشكل قاطع. ولاحظت أن النماذج الأساسية التي تستخدمها Waymo وNvidia تظهر نتائج واعدة، ولكن لا تزال هناك عقبات كبيرة يجب تجاوزها.

وأشارت إلى أن تحويل إمكانيات النماذج الكبيرة القائمة على التفكير إلى القيادة في الوقت الفعلي لا يزال يمثل تحديًا رئيسيًا، حيث قد يستغرق التفكير عدة ثوانٍ—وهو أبطأ بكثير من القرارات الفورية المطلوبة على الطريق.

خلاصة القول أن نظام FSD من Tesla حاليًا يضع معيارًا لمساعدة السائق المتقدمة، مستفيدًا من مجموعات بيانات ضخمة وانتشار واسع. ومع ذلك، يبقى نظامًا تفاعليًا وخاضعًا للإشراف. أما Alpamayo والنماذج المماثلة القائمة على التفكير فتمثل الجيل القادم، وتهدف إلى تحقيق مزيد من الأمان والتوقع والشفافية، لكنها لا تزال بحاجة إلى مزيد من التطوير وزيادة السرعة.

في النهاية، يسعى كل من FSD من Tesla والنماذج القائمة على التفكير مثل Alpamayo نحو نفس الهدف: القيادة الذاتية الكاملة—تحدٍ يشبهه البعض بصعوبة الهبوط على سطح القمر.

وكما أشار Elon Musk، فإن معالجة السيناريوهات النادرة والمعقدة في القيادة الواقعية تمثل تحديًا هائلًا، لكنه أعرب عن دعمه لجهود Nvidia، رغم ثقته المستمرة في نهج Tesla.

ابقَ على اطلاع

اكتشف آخر أخبار التكنولوجيا المؤثرة على الأسواق

اقرأ عناوين الأخبار المالية والتجارية المحدثة من Yahoo Finance