Uno de los misterios persistentes de la venta de Uber de su unidad autónoma Uber ATG a Aurora ha sido resuelto.
Raquel Urtasun, la pionera de la inteligencia artificial que fue la científica en jefe de Uber ATG, ha lanzado una nueva startup llamada Waabi que está adoptando lo que ella describe como un “enfoque de IA primero” para acelerar el despliegue comercial de vehículos autónomos, comenzando con camiones de acarreo. Urtasun, quien es el único fundador y CEO, ya tiene una larga lista de patrocinadores de alto perfil, incluidas inversiones separadas 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 y Aurora Innovation, así como de los principales investigadores de 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 sociedad. El nombre de la empresa – Waabi significa “ella tiene visión” en Ojibwe y “simple” en japonés – insinúa su enfoque y ambiciones.
Las nuevas empresas de vehículos autónomos que existen hoy en día utilizan una combinación de algoritmos y sensores de inteligencia artificial para manejar las tareas de conducción que hacen los humanos, como detectar y comprender objetos y tomar decisiones basadas en esa información para navegar de manera segura por una carretera solitaria o una carretera llena de gente. Más allá de esos conceptos básicos, hay una variedad de enfoques, incluso dentro de la IA.
La mayoría de los desarrolladores de vehículos autónomos utilizan una forma tradicional de IA. Sin embargo, el enfoque tradicional limita el poder de la IA, dijo Urtasun, y agregó que los desarrolladores deben ajustar manualmente la pila de software, una tarea compleja y que requiere mucho tiempo. El resultado, dice Urtasun: el desarrollo de vehículos autónomos se ha ralentizado y las implementaciones comerciales limitadas que existen operan en dominios operativos pequeños y simples porque la escala es muy costosa y técnicamente desafiante.
“Trabajando en este campo durante tantos años y, en particular, la industria durante los últimos cuatro años, se hizo cada vez más claro en el camino que existe la necesidad de un nuevo enfoque que sea diferente del enfoque tradicional que la mayoría de las empresas estamos 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 en los datos. Sin embargo, los desarrolladores suelen aislar las redes profundas para manejar un problema específico y utilizar el aprendizaje automático y los algoritmos basados en reglas para integrarse en el sistema más amplio.
Las redes profundas tienen sus propios problemas. Un argumento de larga data es que no se pueden usar con confiabilidad en vehículos autónomos, en parte debido al efecto de “caja negra”, en el que el cómo y el por qué la IA resolvió una tarea en particular no está claro. Ese es un problema para cualquier startup autónoma que quiera poder verificar y validar su sistema. También es difícil incorporar algún conocimiento previo 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 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 decisión del sistema de IA e incorporar conocimientos previos para no tener 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 a escala escenarios de conducción comunes y casos extremos críticos para la seguridad.
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 conducir allí”, dijo Urtasun. “Eso es un gran beneficio en términos de la 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. Eso podría explicar el respaldo de Aurora, una startup que está desarrollando su propia pila de conducción autónoma que espera implementar primero en logística como el transporte por camión de larga distancia.
“Este era el momento de hacer algo realmente diferente”, dijo Urtasun. “El campo necesita un conjunto diverso de enfoques para resolver esto y quedó muy claro que este era el camino a seguir”.
Source link