جنرال موتورز تكشف كيف تدرّب نظام القيادة الآلية في محاكاة أسرع من الواقع بـ 50 000 مرة

تحدثت جنرال موتورز، في مادة برعاية الشركة، عن كيفية بناء ذكاء اصطناعي قابل للتوسّع للقيادة الذاتية. وتراهن الشركة على المحاكاة والتعلّم المعزَّز (reinforcement learning) ونماذج VLA، وهي أدوات تساعد على التدرّب لا على الرحلات المعتادة، بل على المواقف النادرة والخطرة التي تتوقف عليها سلامة النظام فعلياً.

لماذا تُعدّ الحالة الحدّية صعبة؟

المشكلة أمام نظام القيادة الآلية ليست في السير على طريق خالٍ في طقس جيد. فالخطر الأساسي يكمن فيما يُعرف بـ long tail: حلقات نادرة وملتبسة يصعب التنبؤ بها، لا تحدث كثيراً، لكنها بالضبط ما يكشف ما إذا كان بالإمكان إطلاق النظام على الطرق دون رقابة بشرية دائمة. وتقول GM صراحةً إن الطريق نحو وضع eyes-off على الطرق السريعة، ثم نحو الاستقلالية الكاملة، يصطدم تحديداً بهذه النسبة الأخيرة من التعقيد.

ولا يقتصر الأمر على الحالات الغريبة، مثل مرتبة ملقاة على الطريق أو حنفية حريق منفجرة أو انقطاع جماعي لإشارات المرور. فالمشاهد اليومية المعتادة في حركة المدن الكثيفة تطرح مشكلات لا تقل صعوبة، إذ يتعيّن على السائق أن يتحلّى باللباقة والحس السليم وأن يفهم السياق بسرعة. ومن الأمثلة: كيف تنضم إلى طابور في موقف سيارات دون أن تعرقل الحركة، أو كيف تعبر موقع بناء يتولى فيه عامل تنظيم السير بالإشارات اليدوية لا باللافتات المعتادة.

• عوائق غير متوقعة على الطريق
• أنماط سير مؤقتة في مناطق الإصلاح
• إشارات منظّم المرور التي تتعارض مع إشارة المرور الضوئية
• مناورات معقدة في مواقف السيارات الضيقة
• أعطال متتالية في البنية التحتية للمدينة

كيف تدرّب GM النموذج

أحد المكوّنات الأساسية هو نماذج Vision Language Action. فالشركة تأخذ بنية vision-language أساسية قادرة على فهم الصورة على مستوى المفاهيم العامة، ثم تواصل تدريبها على مهام القيادة. وبعد ذلك لا يكتفي النموذج بـ«رؤية» الصورة، بل يفسّر مسارات السيارات ويحدّد الأجسام ثلاثية الأبعاد ويساعد على فهم ما يجري في مشهد الطريق. وهذا ضروري كي تتمكن السيارة من إدراك أن إشارة الشرطي تتقدم على الإشارة الحمراء، أو أن أمامها منطقة نزول الركاب عند محطة وصول وليست مساراً عادياً.

والمشكلة أن الفهم الدلالي العميق كثيراً ما يضيف تأخيراً غير مرغوب فيه، بينما يُعدّ كل جزء من الثانية حاسماً في القيادة. لذلك تطوّر GM مخطط Dual Frequency VLA: نموذج كبير يعمل بوتيرة أبطأ ويتولى القرارات الدلالية رفيعة المستوى، ونموذج مدمج يتولى حلقة التحكم السريعة، أي التوجيه والفرملة والحفاظ على المسار. ووفق تصوّر الشركة، يُفترض أن يجمع هذا الهجين بين «الحس السليم» لدى النماذج التأسيسية (foundation models) وزمن استجابة كافٍ للطريق الحقيقي.

المحاكاة بدلاً من الطرق

يجري الجزء الأكبر من التدريب لا في الشوارع الحقيقية بل في المحاكيات. وتذكر GM أنها تشغّل يومياً ملايين السيناريوهات عالية الدقة من نوع closed-loop، وهو ما يعادل عشرات الآلاف من أيام القيادة البشرية مضغوطة في ساعات من الحوسبة. وتستطيع الشركة أخذ رحلات حقيقية وتغيير الطقس والإضاءة فيها عبر نماذج diffusion، وإضافة سيارات جديدة، أو بناء مشاهد كاملة من الصفر انطلاقاً من وصف نصي وصناديق إحاطة مكانية (spatial bounding boxes).

وفي مهام السلوك التكتيكي لا تكون الواقعية الفوتوغرافية ضرورية دائماً، ولذلك تستخدم GM بيئة Boxworld المجرّدة داخل محاكي RL الخاص بها، GM Gym. وهناك لا تبقى سوى المعايير المهمة: مواضع الأجسام، والسرعة، وقواعد السير، وتفاعل السيارات. وهذا يتيح تشغيل أحجام ضخمة من التجارب، يتعلّم فيها النموذج لا تقليد الإنسان بل البحث عن استراتيجية بأهداف قابلة للقياس، مثل السلامة والتقدّم. وبفضل ذلك يجري التدريب بوتيرة مختلفة:

• حتى 50 000 مرة أسرع من الزمن الحقيقي
• نحو 1 000 كم من القيادة الافتراضية في ثانية واحدة من زمن GPU
• آلاف السائقين الافتراضيين في الثانية داخل بيئة واحدة
• 30 دقيقة من distillation بدلاً من نحو 12 ساعة من RL «الخام»

بعد ذلك تُنقل المعارف من البيئة المجرّدة إلى نموذج أكثر واقعية عبر On Policy Distillation: إذ تؤدي سياسة RL المبسّطة دور «المعلّم» للنموذج الذي سيعمل لاحقاً داخل السيارة. وتستخدم GM بصورة منفصلة خط معالجة SHIFT3D لإنشاء أجسام يمكن أن يخطئ فيها نظام الإدراك (perception) عمداً، وتضيف وحدة epistemic uncertainty التي تحدّد المشاهد التي يكون فيها النموذج «غير واثق» حقاً. ووفق بيانات الشركة، فإن مواصلة التدريب على هذه الحالات الصعبة خفّضت بالفعل عدد حوادث near-miss بأكثر من 30%.

ماذا يعني ذلك؟

يُظهر نهج GM الاتجاه الذي تسير نحوه صناعة القيادة الذاتية: ليس نحو نموذج «ذكي» واحد، بل نحو منظومة متكاملة من المحاكيات ونماذج العالم التوليدية (world models) وRL وأنظمة تقدير عدم اليقين. وإذا كان هذا المخطط قابلاً للتوسّع فعلاً، فلن يكون الأصل الحاسم في سباق أنظمة القيادة الآلية أسطول السيارات على الطرق وحده، بل جودة البنية التحتية القادرة على ابتكار السيناريوهات النادرة واختبارها وكسرها بسرعة قبل أن يصادفها المستخدم.