Az autonóm gépkocsikat csak azután lenne szabad az utakra engedni, ha bebizonyítják, hogy tudnak önállóan közlekedni.

Sepp Hochreiter a mesterséges intelligencia úttörője, a Linzi Egyetem Bioinformatikai Intézetének vezetője. Ő fejlesztette ki 1997-ben a mai mély tanulás alapú természetes nyelvfeldolgozás és idősor modellezés egyik leghatékonyabb módszerét, amelyet Long Short-Term Memory (LSTM) hálózatoknak nevezett el.

"Mindenekelőtt azzal kellene tisztában lenni, hogy egy mesterséges intelligenciába nem lehet konkrét szabályokat beprogramozni, sokkal inkább tapasztalatokból tanul - az emberekhez hasonlóan. Úgy tűnik, hogy az ezzel a kérdéssel foglalkozó jogi szakértőknek problémát jelent e koncepció megértése. Ők ugyanis úgy gondolják, hogy olyan konkrét parancsokat írunk bele a mesterséges intelligenciába, minthogy maradjon állva a piros lámpánál vagy ne hajtson át egyetlen gyalogoson sem. Ez ugyan elméletileg lehetséges lenne, de én például sosem tenném meg ezt ilyen módon. Ehelyett hagyjuk, hogy a technológia tapasztalatokat gyűjtsön."


Sepp Hochreiter
"A jó parancs tehát az, hogy próbáljon meg nem balesetet okozni. Ezután az első tanulási szakaszban a mesterséges intelligencia egy szimulációban közlekedik és minden egyes ütközésnél azonnal tudja, hogy valami hibás dolog történt és ezért meg kell változtatnia a jövőbeli viselkedését. Ahhoz, hogy a technológia valamikor önállóan közlekedhessen, először meg kell értenie ezt a világot, s ezt a saját érzékszervei, azaz a szenzorok segítségévvel kell megtennie. Ez pedig egy hosszú út, amelynek az elején járunk. A szimulációs szakasz után következik a valódi világban való gyakorlás, azaz a vezetési iskola kifejezetten robotautók számára. Az első éles szituációkra csarnokokban lehet felkészülni, majd jöhetnek a tesztpályák, amelyeken számos más gépkocsi is haladhat. S valamikor ezt követően kerülhet sor a valódi forgalomban végrehajtott tesztekre" - fejtette ki Sepp Hochreiter.

A mesterséges intelligencia az emberektől is tanul, ez történik, amikor e rendszereket az emberek által feldolgozott adatokkal látják el. A különböző megoldások így tanulhatják meg többek között az objektumok felismerését. Ez a folyamat hagyományos képekkel kezdődött, most pedig az adatokat a szenzorokra és a lézerszkennerekre terjesztik ki.

Ahhoz, hogy valóban önállóan lehessen közlekedni, meghatározó lesz az is, hogy a mesterséges intelligencia maga találja ki, hogyan ötvözheti a legjobban a különböző szenzoradatokat. Amennyiben viszont csak lemásolná az embert, az katasztrófa lenne. Egyrészt csak annyira jó lehet, mint az ember, másrészt ugyanolyan hosszú reakcióidővel rendelkezik, ami pedig meglehetősen kontraproduktív. Amennyiben a mesterségesen intelligenciának jobbá kell válnia az embernél, akkor annyi tapasztalatra és hatásra van szüksége, amennyit egy ember talán már nem is tud felfogni. Tehát vagy van egy rossz rendszer, ami mindent megért, vagy egy olyan, amely jobb, mint az ember, de annak a döntéseit egy idő után már nem értjük meg.


"A jövő autóinak alighanem jogosítványt kell majd kapniuk. Amennyiben például egy gépkocsit egy évig hagyunk közlekedni és ezen idő alatt nincsenek vele problémák, akkor az már egy sikeres és alapos tesztnek minősülhetne. Egy embernek már 30 perc után elhisszük, hogy tud vezetni. Viszont az emberek elfáradnak, mobiltelefonálnak vagy akár isznak is vezetés előtt. A mesterséges intelligencia nem iszik és elegendő számítási ereje van ahhoz, hogy egy telefonbeszélgetés se vonja el a figyelmét."

"Ez utóbbi, azaz a megfelelő számítási teljesítmény biztosítása még probléma. Ezen az nVidia és más chipgyártók is még dolgoznak. Pillanatnyilag az a helyzet, hogy a nagy dolgok építéséhez szükséges számítási teljesítmény még nem áll rendelkezésre. Azonban nem minden a nyers erő, ugyanis lehetséges a problémát más oldalról megközelíteni és kevesebb számítási teljesítményből is kijönni. Egy fontos tényező például a figyelem, nem mindegy ugyanis, hogy a rendszer egy videófolyam melyik részére figyel, vagyis hol kezdi el az elemzést. Amennyiben a mesterséges intelligencia meglátja a környezete képét, akkor megpróbálja az azon látható különböző objektumokat azonosítani. Ehhez elemzi a képpontokat és felismeri, hogy egy járókelő, lámpa vagy más szerepel ott."

"A lényeg az, hogy már az első rövid pillantással meg tudja mondani, hogy valahol egy lámpa van. Ezeket a folyamatokat próbáljuk meg optimalizálni és ezáltal számítási erőforrásokat megtakarítani. Emellett a mesterséges intelligenciának meg kell tanulnia időben jó döntést hozni. Amennyiben például egy autó behajt egy egyirányú utcába és utólag veszi észre, hogy hibázott, az nem jó, hiszen a hiba már korábban megtörtént. A mesterséges intelligencia számára ennek a helyzetnek a felismerése még nagyon nehéz" - szögezte le a szakember.