یادگیری هم‌تکاملی در ناوگان‌های خودران؛ وقتی خودروها از یکدیگر می‌آموزند

به گزارش خودران، در دهه گذشته، هر خودروی خودران هوش مصنوعی مخصوص به خود را داشت. مدل‌ها از داده‌های سنسورها و تصمیم‌های همان خودرو یاد می‌گرفتند و به مرور با محیط سازگار می‌شدند. اما اکنون پژوهشی در مجله Nature Machine Intelligence (مه 2024) نشان می‌دهد که دوران آموزش‌های ایزوله به پایان رسیده است.

در این مقاله، پژوهشگران دانشگاه‌های Cambridge و Zhejiang مدل جدیدی از یادگیری هم‌تکاملی ناوگانی را معرفی کرده‌اند که طی آن، همه خودروها بخشی از یک حلقه بازآموزی واحد هستند. داده‌های حرکتی، شرایط محیطی و حتی تصمیم‌های بحرانی به‌صورت بلادرنگ به سرور مرکزی ارسال می‌شود. سپس هوش مرکزی بر اساس جمع‌بندی رفتار‌ها، یک الگوی بهینه جدید تولید کرده و آن را به تمام خودروها بازمی‌گرداند. به این ترتیب، هر تجربه فردی به دارایی جمعی تبدیل می‌شود.

سیستم‌های فعلی شرکت‌هایی چون Waymo، Mobileye و NIO AD Pro نخستین نمونه‌های تجاری این مفهوم به شمار می‌روند. در این سازوکار، خودروهای فعال در شهرهای مختلف با رویکرد یادگیری جمعی عمل می‌کنند؛ خطا یا شرایط پیش‌بینی‌نشده در یک منطقه، در کسری از دقیقه در الگوریتم کل ناوگان اصلاح می‌شود. این روش با عنوان «training‑by‑fleet» شناخته می‌شود و عملاً نرخ بروز خطاهای نادر را تا ۳۵٪ نسبت به یادگیری تک‌دستگاهی کاهش داده است.

اما چالش‌های فنی چنین ساختاری کم نیست. نخستین مانع، حجم عظیم داده‌های خام است که باید بین میلیون‌ها خودرو تبادل شود. طبق تخمین مقاله Nature، هر خودرو روزانه میانگین ۴ ترابایت داده تولید می‌کند که انتقال و پالایش آن نیاز به زیرساخت‌های ارتباطی 6G و سیستم‌های ابری توزیع‌شده دارد. مانع دوم، حفظ محرمانگی اطلاعات مکانی و رفتاری است، زیرا داده‌هایی که از ترافیک شهری جمع می‌شود می‌تواند موقعیت و عادات کاربران را آشکار کند.

همزمان، شرکت‌ها در حال ایجاد مدل‌های یادگیری فشرده‌سازی‌شده موسوم به Federated Co‑Learning هستند؛ الگویی که به جای ارسال کل داده، فقط وزن‌های به‌روزرسانی مدل را میان خودروها رد و بدل می‌کند. این رویکرد ظرفیت دارد امنیت را افزایش داده و مصرف پهنای باند را تا ۶۵٪ کاهش دهد.

از نگاه اقتصادی، یادگیری هم‌تکاملی به خودروسازان اجازه می‌دهد هر روز بدون نیاز به فراخوان نرم‌افزاری، عملکرد خودروهای فعال خود را به‌روزرسانی کنند. این مدل پایدار، پایه‌ای برای سیستم‌های OTA خودآموز به شمار می‌رود که در آینده جایگزین تعمیرات نرم‌افزاری فعلی خواهند شد.

جمع‌بندی

یادگیری هم‌تکاملی گامی فراتر از هوش مصنوعی فردی است؛ شبکه‌ای از خودروهای پیوسته در حال یادگیری، که با اشتراک تجربه جمعی، شهرها را به آزمایشگاه‌های زنده‌ رانندگی تبدیل می‌کنند. در این اکوسیستم هوشمند، هر خطا در یک خودرو، درسی برای همه خودروهای دیگر است—و این دقیقاً همان معنای تکامل در عصر خودران‌هاست.