خودروهای هوشمند در سراشیبی سقوط! توضیحی کلی درباره این خودروها

اگر به شعار و حرف‌های تبلیغاتی مدیران شرکت‌ها اعتقاد دارید، پس منتظر اولین خودرو کاملا خودکار (حتی راننده)، در ماه‌های نزدیک آینده باشید. در سال ۲۰۱۵ بود که الون ماسک (Elon Musk)، مدیرعامل شرکت Tesla، نوید تولید کامل اولین خودرو کاملا خودکار را در سال ۲۰۱۸ داد. گوگل نیز از شروع مرحله‌ی چهارم پروژه‌های Delphi و MobileEye در سال ۲۰۱۹ خبر داد. یک خبر دیگر در این رابطه، اعلام شروع به کارکردن هزاران تاکسی بدون راننده، در کشور سنگاپور و سال ۲۰۱۹ است. خبری که توسط شرکت nuTonomy (از فعالان در زمینه‌ی خودرو‌های هوشمند و روبات راننده است)؛ که از مجریان طرح است، منتشر شد.  General motorsنیز پار را از این فراتر از گذاشته و از عرضه‌ی خودرو‌های کاملا خودکار و حتی بدون فرمان برای کنترل انسانی خودرو، برای سال ۲۰۱۹ خبر داده است. تمام این اتفاقات و رقابت‌های سخت نشان از ثروت و سودآوری بزرگی خبر می‌دهند که در پشت این صنعت خوابیده است. بنگاه‌های شرط بندی بعضی کشورها نیز در رابطه با اینکه آیا این شرکت‌ها به این زودی به هدف خود می‌رسند یا خیر مسابقاتی برگزار کرده است که در نوبه‌ی خود جالب توجه است.

با توجه به اخبار فوق و با بررسی مسئله از این جهت، می‌شود به راحتی دریافت که خودرو‌های کاملا خودکار چندان دور از انتظار نیستند و به زودی شاهد عرضه‌ی آن‌ها خواهیم بود، در این حد که Waymo (از دیگر شرکت‌های فعال در این عرصه و از شرکای گوگل) در حال آزمایش اینگونه خودرو‌ها، البته به صورت کاملا محدود، در جاده‌های آزاد (مثلا در جاده‌‌های آریزونا در آمریکا) است. در مورد مشابه دیگر Tesla و برخی شرکت‌های مشابه محصولی بر مبنای راننده‌ی خودکار (روباتی) عرضه کردند که متکی بر انسان است تا اگر حادثه‌ای غیر مترقبه پیش آید، راننده‌ی انسانی بتواند اختیار خودرو را در دست بگیرد. البته در این رابطه حوادث زیادی گزارش شده که تعدادی از آن‌ها تلفات جانی بودند ولی از آن‌جا که این نوع سیستم‌ها روزانه در حال پیشرفت هستند (و هم‌چنین نفوذ و قدرت شرکت‌های صاحب این فن‌آوری)، توقف آن‌ها کار منطقی و درستی به نظر نمی‌رسد.

علی رقم این موارد، ممکن است خودرو‌های کاملا خودکار، از آن چیزی که می‌پنداریم دست نیافتنی‌تر باشند. با توجه به برخی نگرانی‌ها که توسط کارشناسان هوش مصنوعی مطرح شده است، ممکن است سال‌ها یا حتی دهه‌ها با خودرو‌های کاملا خودکاری که بتوانند از حادثه‌ها جلوگیری کنند فاصله داشته باشیم. قابلیت رانندگی خودکار (یا روبات راننده)، از آن‌جا که یک سیستم خودآموز در زمینه‌ی هوش‌مصنوعی است، در دست و پنجه نرم کردن با هرج و مرج دنیای واقعی ممکن است دچار یک خلسه یا وقفه‌ی طولانی مدت شوند. گری مارکوس (Gary Marcus)، از متخصصان دانشگاه نیویورک، گفت که ممکن است این فن‌آوری دچار به حالت «فصل زمستان هوش‌مصنوعی» شود که در اثر آن تمام شرکت‌هایی که در این رابطه در حال فعالیت هستند، یک نسل کامل از کار خود عقب می‌افتند و رسیدن به نتیجه مدت زمان طولانی‌تری را در این صورت خواهد طلبید.

این که چرا شرکت‌ها به رسیدن به این فن‌آوری خوش‌بین هستد نیز به راحتی قابل تشخیص است. در ده سال گذشته، الگوریتم یادگیری عمیق خودرو (deep learning)، الگوریتمی که برای یاد دادن کارهایی با حالات بسیار زیاد به ماشین از آن استفاده می‌کنند، پیشرفت‌های شگرف و باورنکردنی را برای هوش‌ مصنوعی و درکل فن‌آوری‌های روز به ارمغان آورده است و شرکت‌های بزرگ سود زیادی از آن به جیب زدند. برخی از مواردی که از این الگوریتم برای ارتقای آن‌ها استفاده شده، قابلیت‌های جست‌وجوی گوگل، فیسبوک، تبدیل گفتار به نوشتار، ماشین شطرنج و… هستند. به عنوان برخی دیگر از دستاوردهای این الگوریتم که با اینترنت سر و کار ندارند، می‌توان به فن‌آوری‌های پیش‌بینی زمین لرزه‌ها، پیش‌بینی سکته‌های قلبی، تشخیص تحرکات غیر طبیعی در دوربین‌ها و … اشاره کرد که هرکدام از آن‌ها سودهای زیادی (و گاها ضررهای زیادی) به انسان‌ها رسانده‌اند. مشخص است که میلیاردها دستاورد دیگر به وسیله‌ی الگوریتم یادگیری عمیق حاصل شده که ما حتی از آن‌ها بی‌خبر هستیم. پس شرکت‌هایی مانند TESLA با اتکا به توانایی‌های این الگوریتم، به رسیدن به فن‌آوری ماشین‌های کاملا خودکار بسیار خوش‌بین هستند.

اما این الگوریتم برای انجام این کار به حجم وسیعی از داده‌ها نیاز دارد. این الگوریتم تقریبا برای هر حالت، نیاز به یک سری داده‌ی از پیش‌تعیین شده نیاز دارد. به عنوان مثال در سرویس google images search، اگر بخواهید تصویر یک حیوان را جست‌وجو کنید تا زمانی که مشابه آن حیوان، آن‌هم با دقت تشابه بالا، از قبل توسط موتور جست‌وجو یافت شده باشد، می‌توانید نتایج مربوط درستی را بیابید در غیر این‌صورت با نتایج نامربوط مواجه می‌شوید یا اصلا با چیزی مواجه نمی‌شوید و موتور جست‌وجو پیغام نبود نتیجه‌ی متناسب را می‌دهد. مارکوس در این رابطه توضیح داد که موتور جست‌وجو هنگام جست‌وجوی مثلا عکس “پلنگ”، در طی یک عملیات که «درج» نام دارد در طی یک فرآیند و در دسته‌هایی جست‌وجو می‌کند، در نهایت وقتی به دسته‌ای که برچسب پلنگ داشت رسیدیم، اگر مطالب دسته با عکسی که جست‌وجو کردیم مشابه (با نسبت بالا) بود، پس تصاویر و عکس‌های مربوط به دسته با برچسب پلنگ به کاربر نشان‌ داده می‌شوند.

به دست آوردن داده‌ها و دسته بندی آن‌ها می‌تواند به روش‌های خلاقانه‌ی زیادی انجام پذیرد اما یافتن شیوه‌ای  مناسب برای جست‌وجو میان این دسته‌ها کار سختی است. مثلا در مثال اخیر ممکن اسن یافتن تصویر پلنگ در میان هزاران پلنگ کار ساده‌ای نباشد یا حتی یافتن پلنگ در میان ببرها و… نیز به سادگی انجام نپذیرد. طریقه‌ی یافتن نتیجه‌ی مناسب «تعمیم» نام دارد که برنامه ریزی آن به دسته‌ای از مهارت‌های مختلف نیاز دارد.

مهندسان بر این باور بودند که می‌توانند الگوریتم‌های تعمیم را ارتقا بخشند ولی امروزه مشاهده می‌شود که اوضاع از چیزی که تصور می‌شد بسیار فاجعه انگیزتر است. در یک بررسی انجام شده در رابطه با یک سیستم خاص، مهندسان متوجه شدند که مثلا برای یک عمل در رابطه با خرس، اگر داده‌ی ما یک خرس قطبی بود، آن عمل دیگر برای دسته‌های دیگر از حیوانات حتی دیگر خرس‌ها مانند خرس جنگلی و… انجام نمی‌پذیرفت. در موارد تغییر کوچکترین جزئیات در عکس خرس قطبی اولیه کل تصمیم سیستم را تغییر می‌داد. این مورد در سیستم‌های زیادی اتفاق افتاده است.

مارکوس در ادامه به یک مثال بارز اشاره کرد. او در این رابطه ربات‌ها یا سیستم‌های سخنگو را ذکر کرد. سابقا وعده داده شده بود که در سال‌های ۲۰۱۵ این ربات‌ها را خواهیم داشت ولی اکنون میبینیم که قوی‌ترین آن‌ها نیز عملکرد مناسبی ندارند. مارکوس در این رابطه گفت:

 همه چیز در جمع آوری اطلاعات خلاصه نمی‌شود. شما نمی‌خواهید که هنگام پرسیدن یک سوال جدید از سیستم یک پاسخ از پیش تعیین شده و یکسان را دریافت کنید. شما می‌خواهید که پاسخ سوال یا درخواست خود را به صورت متفاوت از دفعه‌ی قبل و با توجه به شرایط بشنوید. با گذشت این زمان بسیاری از توسعه دهندگان (در حقیقت همه به جز چند توسعه دهنده) امید خود به ساخت چنین سیستمی را از دست دادند و توسعه دهندگان کمی در حال حاظر و در این رابطه کار می‌کنند.

همه‌ی این اتفاقات شرکت‌هایی که در حال کار بر روی ماشین‌های تمام خودکار هستند را با چند سوال اساسی مواجه می‌سازد. آیا سیستم‌های آن‌ها مانند سیستم تشخیص صدا یا جست‌وجوی تصاویر گوگل موفق خواهند شد یا مانند ربات‌های سخنگو به شکست خواهند انجامید؟ آیا برای این سیستم‌ها قسمت درج سخت‌تر است یا قسمت تعمیم؟ در کل رانندگی در چه حد می‌تواند قابل پیش‌بینی باشد؟ و این‌ها همه سوالاتی هستند که شرکت‌ها با آن‌ها مواجه می‌شوند.

مارکوس اضافه می‌کند:

خودروهای تمام خودکار مانند یک آزمایش علمی هستند که تا انجام نپذیرند نتیجه‌ی آن را نخواهیم فهمید.

در حقیقت مارکوس بیشتر نگران صحنه‌های منجر به تصادف است. او میگوید:

اگر قرار باشد چیزهای شگفت انگیز و بی سابقه رخ دهد پس الگوریتم یادگیری عمیق کارا نخواهد بود.

داده‌های آزمایشی ما از تصادف‌های عادی که رخ می‌دهند نشان می‌دهد که در هر تصادف ما شاهد یک سری جزئیات بی سابقه هستیم. در سال ۲۰۱۶ ما شاهد یک تصادف مرگبار بودیم. زمانی که یک خودروی Model S (یک خودروی هوشمند) با سرعت بالا پشت سر یک تراکتور قرار گرفت، تحث تاثیر ارتفاع بالای تراکتور و تابش خورشید دچار شکه شد و حادثه‌ای تلخ رخ داد. در ماه مارس یک ماشین هوشمند Uber جان یک خانم دوچرخه سوار را گرفت. این خان سعی داشت از محل خط کشی نشده عرض خیابات را طی کند. بر اساس گزارش NTSB، سیستم تشخیص Uber خانم دوچرخه سوار را یک شی‌ء تشخیص داد. بعد از این حادثه سیستم تشخیص Uber به روزرسانی شد و این حالت هم به آن اضافه شد. اتفاقی که بهای آن جان یک شهروند خانم بود. در حادثه‌ای دیگر یک Model X دقیقا لحظه‌ای قبل از یک مانع بر سرعت خود افزود و به شدت به آن مانع برخورد کرد. هنوز دلیل این اتفاق مشخص نشده است.

هر تصادف در حقیقت یک مورد منحصر به فرد است و این چیزی است که خبره‌ترین مهندسان از پیش‌بینی آن عاجزند ولی تقریبا هر تصادف دارای یک سری مشخصات قابل پیش‌بینی است. با وجود عدم توانایی تعمیم دادن حالات در این گونه موارد، هر ماشین کاملا خودکار در هر صحنه‌ی تصادف با یک حالت از پیش‌تعیین نشده مواجه می‌شود.

اندریو (Andrew Ng) بنیان‌گذار طرح ماشین‌های هوشمند و مدیر فعلی شرکت Baidu در این باره گفته است که مسئله در صورتی که جاده‌های بهتری ساخته شوند و رانندگان بهتر رانندگی کنند به سادگی حل می‌شود.

البته یادگیری عمیق تنها تکنیک هوش‌مصنوعی برای این گونه مسائل نیست و شرکت‌هایی که به دنبال این فن‌آوری‌اند همواره در جست‌وجوی روش‌های نو و مبدعانه هستند. اگرچه شرکت‌ها از جدیدترین دست‌آوردهای خود دائما در محافظت هستند ولی ظاهرا شزکت‌ها تصمیم به استفاده از یک روش قدیمی‌تر گرفتند. مهندسان در این روش قدیمی خودشان برای حالت‌های مختلف کدنویسی انجام می‌دهند. در این روش دیگر ماشین‌ ما به خودی خود حالت‌های مختلف را یاد نمی‌گیرد ولی می‌توان برخی محدودیت‌های آموزش عمیق را اینگونه دور زد. لازم به ذکر است که اکثر حالت‌ها به وسیله‌ی یادگیری عمیق به ماشین آموزش داده خواهند شد ولی بعضی از حالت‌ها نیز به صورت دستی کد نویسی می‌شوند. هنوز مقدار موفقیت این روش ترکیبی مشخص نشده است.

آن میورا کو (Ann Miura-Ko) یک سرمایه‌گذار در هوش‌مصنوعی و از اعضای هیئت مدیره‌ی Lyft گفت که انتظار کاملا خودکار بودن از ماشین‌های کاملا خودکار انتظار سختی است! او گفت با این انتظار هر چه قدر که خودروهای کاملا خودکار پیشرفت کنند ولی باز هم به هدف خود نمی‌رسند. او هم‌چنین افزود:

با این پیشرفت‌های اندک، من آینده‌ی این صنعت را درخشان می‌بینم.

با این حال، روشن نیست که چه مدت خودروهای کاملا خودکار در این محدویت‌ها دست و پا بزنند. محصولات نیمه خودکار مانند Autopilot Tesla به اندازه کافی هوشمند هستند تا بتوانند بیشترین کارها را انجام دهند اما در صورت وقوع هر چیز غیر قابل پیش بینی، مداخله درمورد انسانی لازم است. در این‌گونه خودرو‌ها زمانی که خطایی رخ دهد، سخت است که مقصر خطا را ماشین تعیین کنیم یا خودروی هوشمند. یک بررسی نشان داد که درصد تصادفات در خودرو‌های نیمه خودکار بیشتر از خودروهای عادی است. در یک آزمایش که قرار بود خودروهای نیمه خودکار تست شودند و امن بودن آن‌ها در ۲۷۵میلیون مایلز بررسی شود، اولین کشته‌ی این آزمایش بعد از ۱۳۰میلیون مایلز رخ داد.

با توجه به تمام تلاش‌های این شرکت‌ها هنوز هم حل کردن مشکلات سخت‌تر از آن چیزی است که بیان می‌شود. Uber به علت حادثه‌ای که رخ داد، سرویس خودروی خودکار خود را متوقف کرده است. رقابتی شوم بین شرکت‌ها در جریان است که کدام یک زودتر به این فن‌آوری می‌رسند ولی همه‌ی آن‌ها به حجم وسیع داده‌های خود متکی هستند و سعی در گسترش دادن آن‌ها برای حل مشکلات خود دارند به این صورت که فکر می‌کنند قوی‌ترین شرکت آن خواهد بود که خودروهایش بیشترین مسافت را رفته باشند و بیشترین داده‌ را برای آن‌ها کسب کرده باشند. مارکوس در این باره می‌گوید:

آن‌ها از روش‌هایی استفاده می‌کنند که تنها امیدوارند کار کنند…. آن‌ها به حجم وسیع داده‌هایی که کسب کردند وابسته هستند و نمی‌دانند آیا اتکا به داده‌ها آن‌ها را به هدف می‌رساند یا خیر.