รถยนต์ขับเคลื่อนอัตโนมัติจะมี 'เครือข่ายสังคม AI' ของตัวเองเร็วๆ นี้ เพื่อเรียนรู้จากประสบการณ์ของกันและกัน

รถยนต์ขับเคลื่อนอัตโนมัติสามารถเรียนรู้วิธีการจัดการกับหลุมบ่อรูปวงรีได้ทุกที่ด้วย 'เครือข่ายโซเชียล AI' ของตัวเอง โดยอ้างอิงจากประสบการณ์ร่วมกันจากรถยนต์ที่เคยประสบกับสถานการณ์ที่คล้ายคลึงกัน

Cached-DFL สร้าง "เครือข่ายสังคมจำลอง" ที่รถยนต์สามารถดู "โปรไฟล์" ของรถคันอื่นได้โดยไม่ต้องเปิดเผยข้อมูลส่วนตัวของผู้ขับขี่ - รูปภาพ: eescorporation.com

นักวิทยาศาสตร์ ได้พัฒนาวิธีการใหม่ที่ทำให้รถยนต์ขับเคลื่อนอัตโนมัติสามารถแบ่งปันข้อมูลสำคัญขณะเดินทางโดยไม่ต้องเชื่อมต่อโดยตรง โดยใช้เทคโนโลยีที่เรียกว่า “Cached Distributed Federated Learning” (Cached-DFL)

เป็นกรอบงานการแบ่งปันโมเดลปัญญาประดิษฐ์ (AI) ที่ช่วยให้รถยนต์ขับเคลื่อนอัตโนมัติแลกเปลี่ยนข้อมูลที่แม่นยำและเป็นปัจจุบันในขณะที่ขับผ่านกัน ซึ่งรวมถึงการควบคุมการนำทาง รูปแบบการจราจร สภาพถนน และป้ายสัญญาณ

ต่างจากแนวทางแบบเดิมที่กำหนดให้รถยนต์ต้องอยู่ใกล้ๆ และต้องได้รับอนุญาตให้แชร์ Cached-DFL จะสร้างรูปแบบของ “เครือข่ายโซเชียลจำลอง” ขึ้นมา โดยรถยนต์สามารถดู “โปรไฟล์” ของรถยนต์คันอื่นๆ ได้โดยไม่ต้องเปิดเผยข้อมูลส่วนบุคคลของผู้ขับขี่

“รถยนต์ที่เคยขับเฉพาะในแมนฮัตตันเท่านั้น ปัจจุบันสามารถเรียนรู้เกี่ยวกับถนนในบรูคลินจากรถคันอื่นๆ ได้ แม้ว่าจะไม่เคยขับที่นั่นมาก่อนก็ตาม” ดร. หย่ง หลิว จากมหาวิทยาลัยนิวยอร์ก กล่าว ตัวอย่างเช่น รถยนต์สามารถเรียนรู้วิธีการจัดการกับหลุมบ่อรูปวงรีได้ทุกที่ โดยอาศัยประสบการณ์ร่วมกันจากรถยนต์ที่เคยประสบกับสถานการณ์ที่คล้ายคลึงกัน

ระบบยังช่วยแก้ไขปัญหาข้อมูลรวมศูนย์ในปัจจุบันซึ่งอาจเกิดการละเมิดข้อมูลในระดับใหญ่ได้ ด้วย Cached-DFL ข้อมูลจะถูกเก็บไว้ในโมเดล AI ที่ผ่านการฝึกอบรมแล้วบนยานพาหนะแต่ละคัน

การทดสอบจำลองในแมนฮัตตันแสดงให้เห็นว่าการสื่อสารที่รวดเร็วและบ่อยครั้งระหว่างยานพาหนะภายในระยะ 100 เมตร ช่วยเพิ่มประสิทธิภาพและความแม่นยำของข้อมูลการขับขี่ได้อย่างมีนัยสำคัญ ที่สำคัญ ยานพาหนะไม่จำเป็นต้อง “รู้จักกัน” เพื่อที่จะแบ่งปันข้อมูล

ดร. เจี๋ย ซู่ จากมหาวิทยาลัยฟลอริดาเน้นย้ำถึงข้อได้เปรียบด้านความสามารถในการปรับขนาด โดยกล่าวว่า "ยานพาหนะแต่ละคันจะแลกเปลี่ยนการอัปเดตโมเดลกับยานพาหนะที่พบเจอเท่านั้น ซึ่งจะช่วยป้องกันไม่ให้ต้นทุนการสื่อสารพุ่งสูงขึ้นเมื่อเครือข่ายขยายตัวมากขึ้น" นอกจากนี้ยังมีแนวโน้มที่จะลดต้นทุนของเทคโนโลยีการขับเคลื่อนอัตโนมัติ เนื่องจากภาระการประมวลผลจะถูกกระจายแทนที่จะกระจุกตัวอยู่ที่เซิร์ฟเวอร์เพียงเครื่องเดียว

ในอนาคต ทีมงานมีแผนที่จะทดสอบ Cached-DFL ในสถานการณ์จริง โดยลบอุปสรรคด้านความเข้ากันได้ระหว่างผู้ผลิตรถยนต์ และขยายการเชื่อมต่อกับโครงสร้างพื้นฐานด้านการขนส่งอื่นๆ (V2X) เป้าหมายต่อไปคือการเร่งให้เกิดกระแสการประมวลผลข้อมูลแบบกระจายอำนาจ สร้างปัญญาประดิษฐ์แบบความเร็วสูงไม่เพียงแต่สำหรับรถยนต์เท่านั้น แต่ยังรวมถึงดาวเทียม โดรน และหุ่นยนต์ด้วย

“การเรียนรู้แบบรวมศูนย์ที่กระจายอำนาจมีความสำคัญต่อการเรียนรู้แบบร่วมมือกันโดยไม่กระทบความเป็นส่วนตัว… ช่วยปรับปรุงการตัดสินใจแบบเรียลไทม์ ซึ่งถือเป็นสิ่งสำคัญสำหรับแอปพลิเคชันด้านความปลอดภัย เช่น การขับขี่อัตโนมัติ” Javed Khan จาก Aptiv กล่าว

อ่านเพิ่มเติม กลับไปยังหัวข้อ

กลับสู่หัวข้อ

วีเอ็นเอ

ที่มา: https://tuoitre.vn/xe-tu-lai-sap-co-mang-xa-hoi-ai-rieng-de-hoc-kinh-nghiem-cua-nhau-20250505071111782.htm