Se ha resuelto uno de los misterios persistentes de la venta de Uber de su unidad de conducción autónoma Uber ATG a Aurora.
Raquel Urtasun, la pionera de la inteligencia artificial que fue científica en jefe de Uber ATG, lanzó una nueva startup llamada Waabi que está adoptando lo que ella describe como un «enfoque impulsado por la inteligencia artificial» para acelerar el despliegue comercial de vehículos autónomos, comenzando con camiones de transporte. Urtasun, que es el único fundador y director ejecutivo, ya tiene una larga lista de los principales financiadores, incluidas inversiones independientes de Uber y Aurora. Waabi ha recaudado 83,5 millones de dólares en una ronda de la Serie A dirigida por Khosla Ventures con la participación adicional de Uber, 8VC, Radical Ventures, OMERS Ventures, BDC, Aurora Innovation, así como de los investigadores líderes en IA Geoffrey Hinton, Fei -Fei Li, Pieter Abbeel, Sanja Fidler y otros.
Urtasun describió a Waabi, que actualmente emplea a 40 personas y opera en Toronto y California, como la culminación del trabajo de su vida para llevar tecnología de conducción autónoma comercialmente viable a la empresa. El nombre de la empresa – Waabi significa «ella tiene una visión» en Ojibwe y «simple» en japonés – insinúa su enfoque y ambiciones.
Las startups de vehículos autónomos que existen en la actualidad utilizan una combinación de algoritmos y sensores de inteligencia artificial para gestionar las tareas de conducción que realizan los humanos, como detectar y comprender objetos y tomar decisiones basadas en esa información para navegar de forma segura en una carretera solitaria o autopista congestionada. Más allá de estos conceptos básicos, existe una variedad de enfoques, incluso dentro de la IA.
La mayoría de los desarrolladores de vehículos autónomos utilizan alguna forma tradicional de IA. Sin embargo, el enfoque tradicional limita el poder de la IA, dijo Urtasun, y agregó que dlos desarrolladores tienen que ajustar manualmente la pila de software, una tarea compleja y que requiere mucho tiempo. El resultado, según Urtasun: El desarrollo de vehículos autónomos se ha ralentizado y los despliegues comerciales limitados que existen operan en áreas operativas pequeñas y sencillas, porque escalar es muy caro y técnicamente difícil.
“Habiendo trabajado en este campo durante tantos años y, en particular, en la industria durante cuatro años, se hizo cada vez más claro en el camino que era necesario adoptar un enfoque nuevo y diferente al enfoque tradicional que la mayoría de las empresas tomando hoy ‘, dijo Urtasun, quien también es profesor en el Departamento de Ciencias de la Computación de la Universidad de Toronto y cofundador del Vector Institute for AI.
Algunos desarrolladores utilizan redes neuronales profundas, una forma sofisticada de algoritmos de inteligencia artificial que permite que una computadora aprenda mediante el uso de una serie de redes conectadas para identificar patrones de datos. Sin embargo, los desarrolladores generalmente bloquean las redes profundas para manejar un problema específico y usan el aprendizaje automático y algoritmos basados en reglas para integrarse en el sistema más grande.
Las redes profundas tienen sus propios problemas. Un argumento de larga data es que no pueden usarse de manera confiable en vehículos autónomos en parte debido al efecto de «caja negra», en el que el ¿Cómo? ‘O’ ¿Qué y el Por qué la IA resolvió una tarea en particular no está clara. Este es un problema para cualquier inicio autónomo que desee poder verificar y validar su sistema. También es difícil incorporar conocimientos previos sobre la tarea que el desarrollador está tratando de resolver, como, oh, conducir, por ejemplo. Finalmente, las redes profundas requieren una inmensa cantidad de datos para aprender.
Urtasun dice que resolvió estos problemas persistentes en torno a las redes profundas combinándolos con inferencia probabilística y optimización compleja, que describe como una familia de algoritmos. Cuando se combinan, el desarrollador puede rastrear el proceso de toma de decisiones del sistema de IA e incorporar conocimientos previos para que no tengan que enseñarle al sistema de IA todo desde cero. La pieza final es un simulador de circuito cerrado que permitirá al equipo de Waabi probar escenarios de conducción comunes y casos límite críticos para la seguridad a gran escala.
Waabi todavía tendrá una flota física de vehículos para probar en la vía pública. Sin embargo, el simulador permitirá a la empresa depender menos de esta forma de prueba. “Incluso podemos prepararnos para nuevas geografías antes de llegar allí”, dijo Urtasun. “Es una gran ventaja en términos de curva de escala. «
La visión y la intención de Urtasun no es adoptar este enfoque e interrumpir el ecosistema de fabricantes de equipos originales, proveedores de hardware y computación, sino participar en él. Esto podría explicar el apoyo de Aurora, una startup que está desarrollando su propia batería autónoma que espera implementar primero en logística como camiones de larga distancia.
“Ahora era el momento de hacer algo realmente diferente”, dijo Urtasun. «El campo necesita un conjunto diverso de enfoques para resolver este problema y quedó muy claro que este era el camino a seguir».
