در یک رویداد پرزرق‌وبرق در شهر نیویورک طی هفته گذشته، جنرال موتورز از نقشه راه فناوری جدید خود رونمایی کرد که بر توسعه خودروهای مبتنی بر هوش مصنوعی، فناوری پیشرفته باتری، کامپیوترهای قدرتمند خودرو و رانندگی خودران متمرکز است.
بخشی از این‌ها اخبار قدیمی بود: ما از قبل می‌دانستیم که این خودروساز در حال توسعه اتوماسیون رانندگی «بدون دست و بدون نیاز به نگاه» (hands-free, eyes-off) است و نمونه‌های اولیه شیمی‌های جدید باتری را آزمایش کرده است. به نوعی، هدف واقعی این رویداد نمایش چگونگی کنار هم قرار گرفتن تمام این قطعات بود. جنرال موتورز با پارادایم جدید «خودروی تعریف‌شده با هوش» (intelligence-defined vehicle)، روی هوش مصنوعی، محاسبات متمرکز و مهندسی مجازی حساب باز کرده است تا زمان‌بندی توسعه خودرو را به نصف کاهش دهد و هدفش این است که فرآیند معمول چهار تا پنج ساله را به کمی بیش از دو سال فشرده کند.
با این حال، این بازنگری با تکنولوژی بالا در پس‌زمینه‌ای از چالش‌های شدید صنعتی و حاشیه خطای بسیار کم رخ می‌دهد. چرخش تهاجمی جنرال موتورز در حالی صورت می‌گیرد که این خودروساز با موجی از تولیدکنندگان چینی خودروهای برقی فوق‌کارآمد روبروست که به شدت در سطح جهانی در حال گسترش هستند. در عین حال، کاهش تقاضا برای خودروهای برقی در ایالات متحده، جنرال موتورز را مجبور کرده است تا امیدهای خود برای برقی‌سازی را بازنگری کند و سرمایه‌گذاری‌های چند میلیارد دلاری در کارخانه‌های باتری نسل بعدی را با هزینه‌های جاری توسعه نرم‌افزار متعادل سازد.
مطمئناً، شرط‌بندی جنرال موتورز برای آینده‌اش روی معماری‌های نرم‌افزاری اثبات‌نشده و فناوری خودران، یک قمار پرریسک است: اگر این سیستم‌های پیچیده هوش مصنوعی دچار لغزش شوند یا توسعه آن‌ها با تاخیر مواجه شود، جنرال موتورز با خطر سوزاندن مقادیر عظیمی از پول روبرو خواهد شد، در حالی که از رقبای چابکی (مانند تسلا) که از روز اول به عنوان شرکت‌های نرم‌افزارمحور ساخته شده‌اند، عقب‌تر می‌افتد.
بعد از این رویداد، من با استرلینگ اندرسون، مدیر ارشد محصول جنرال موتورز نشستم تا درباره سرمایه‌گذاری‌های جدید و پرخطر شرکت و همچنین نحوه برنامه‌ریزی او برای هدایت این غول صد ساله دیترویتی در دنیایی که به طور فزاینده‌ای سریع و نرم‌افزارمحور می‌شود، صحبت کنم.
این مصاحبه برای اختصار و وضوح، اندکی ویرایش شده است.
بنابراین این یک اعلامیه بسیار بزرگ بود — قطعات پراکنده زیادی وجود داشت. آیا می‌توان گفت تم واحدی در اینجا وجود دارد؟ و اگر بله، فکر می‌کنید چیست؟
ماشین دارد هوشمندتر می‌شود.
فقط همین؟
همین. فکر می‌کنم بله. وسیله نقلیه شما در حال تبدیل شدن به یک همراه قابل اعتماد و هوشمند است و ما این کار را به روش‌های مختلفی انجام می‌دهیم. فکر می‌کنم من یکی از معدود افرادی باشم که به اندازه خودم از کاری که در فرآیند توسعه انجام می‌دهیم و سریع‌تر و بهتر کردن آن هیجان‌زده می‌شوم.
نمی‌دانم چند نفر با این برداشت روبرو خواهند شد، اما سطح تست‌ها و بهینگی عملکردی که می‌توانیم به آن دست یابیم وقتی می‌توانیم تصمیمات طراحی را صدها بار تکرار کنیم — در حالی که قبلاً فقط یک بار امکان‌پذیر بود — بسیار عظیم است. واقعاً عظیم است. بعد از مراسم دو نفر از من پرسیدند: «هی، پس تکلیف ایمنی چه می‌شود و آیا سرعت به قیمت کاهش ایمنی تمام نمی‌شود؟» روشی که ما به سرعت دست می‌یابیم، مجازی‌سازی تست‌ها به گونه‌ای است که به ما اجازه می‌دهد ایمنی را بهبود ببخشیم. از نظر تاریخی، من می‌توانستم هزینه X نمونه اولیه را بپردازم که می‌توانستم به تست تصادف بفرستم و شش ماه طول می‌کشید. اکنون، من هزاران تست را در دنیای مجازی آغاز می‌کنم که بازخورد را بسیار سریع‌تر به من می‌دهند. بنابراین هم سرعت دارم و هم ایمنی، پوشش بهتر و درک بهتر. در این فرآیند، ما هم کیک را داریم و هم آن را می‌خوریم (به هر دو هدف می‌رسیم).
«من هزاران تست را در دنیای مجازی آغاز می‌کنم که بازخورد را بسیار سریع‌تر به من می‌دهند.»
از چه نوع مدل‌های هوش مصنوعی استفاده می‌کنید؟ می‌دانم درباره اینکه داده‌ها نوعی ارز در اینجا هستند صحبت کردید، بنابراین مشخصاً چیزهای زیادی وجود دارد که از مشتریان خودتان استخراج می‌کنید، اما طیف وسیعی از محصولات در بازار وجود دارد. خط فاصل بین آنچه باید در خارج از شرکت جستجو کرد و آنچه باید از داخل استخراج کرد کجاست؟
سوال خوبی است. بستگی دارد با آن چه کار می‌کنیم. در بسیاری از موارد، مدل‌های پایه مبتنی بر ترنسفورمر (transformer-based foundation models) برخی از کارهای طراحی مولد را که درباره‌اش صحبت می‌کردم ممکن می‌سازند — ما داده‌های داخلی کافی بر اساس دهه‌ها فایل‌های طراحی، تحلیل‌ها و غیره داریم که می‌توانیم سیستمی را به خوبی آموزش دهیم تا داده‌های ما را به درستی بیان کند. اما ما به داده‌های زیادی دسترسی داریم — و در بسیاری از موارد هر کسی دسترسی دارد — که به ما آگاهی می‌دهد. آموزش مشترک (co-training) این مدل‌ها با داده‌هایی که فراتر از دیوارهای جنرال موتورز وجود دارد، تمایل دارد آن‌ها را بهتر کند. بنابراین ما این کار را با همه آن‌ها انجام می‌دهیم.
شما درباره حرکت از کد قطعی (deterministic code) به سمت هوش مصنوعی احتمالی (probabilistic AI) صحبت کردید که از ساختار جهان و داده‌ها یاد می‌گیرد. چگونه به طور خاص این مدل‌ها را در وسایل نقلیه تعبیه می‌کنید؟ چه مقدار به صورت محلی اجرا می‌شود و چه مقدار از ابر (cloud) استخراج می‌شود؟
برای هر عملکرد حیاتی از نظر ایمنی (safety-critical)، استنتاج (inference) روی برد خودرو انجام می‌شود زیرا نمی‌توانیم با تاخیر (latency)، قطع احتمالی ارتباط یا هر چیز دیگری کنار بیاییم. برخی از این مثال‌هایی که امروز زودتر از تیم دیدید، مانند تعاملات هوش مصنوعی OnStar، حیاتی برای ایمنی نیستند. احتمالاً با توجه به تاخیر متوجه شدید که مقداری رفت‌وبرگشت داده در آنجا اتفاق می‌افتاد زیرا نیازی نداریم همه آن‌ها را روی برد اجرا کنیم. اکنون در حال فکر کردن به تقطیر (distilling) آن‌ها به مدل‌های روی برد هستیم تا فقط با مشکل تاخیر مقابله کنیم، اما این یک عنصر تجربه کاربری در لبه (on-the-edge) است، نه یک ملاحظه ایمنی اصلی.
شما در طول ارائه خود کمی درباره بزرگی جنرال موتورز صحبت کردید که به شما مزایایی در داده‌ها می‌دهد، اما اینرسی زیادی هم دارد. در سال ۲۰۱۹، مارک ریوس، رئیس جنرال موتورز، درباره حرکت به سمت «مغز دیجیتال» وسیله نقلیه صحبت کرد و در سال ۲۰۲۱ شما درباره Ultifi صحبت کردید. آیا اکنون اوضاع سرعت گرفته است؟ آیا در حال حاضر در مسیر نهایی هستید؟
بله، و یک توانمندکننده بزرگ برای آن، سیستم الکتریکی مشترک، از جمله محاسبات متمرکز (centralized compute) است. از نظر تاریخی، من قاتلان سرعت نرم‌افزار را به اندازه «پیچیدگی» نمی‌شناسم. لحظه‌ای که یک تیم نرم‌افزاری مجموعه بسیار بزرگی از اهداف استقرار (deployment targets) دارد که پایه مشترکی ندارند، لحظه‌ای است که سرعت آن تیم را به شدت کاهش می‌دهید.
عرضه این موضوع در کل سبد محصولات ما به طور خاص برای فعال کردن سرعت نرم‌افزار است تا مجبور نباشیم به پشتیبانی از وسایل نقلیه با پیکربندی‌های مختلف ادامه دهیم. با عرضه آن مجموعه سخت‌افزاری، مهندسان نرم‌افزار ناگهان قادر خواهند بود مانند شرکتی با دو مدل در حال تولید عمل کنند، چیزی که در طول تاریخ هرگز نتوانسته‌اند.
جنرال موتورز در داشتن این سبد بزرگ از برندها با هویت‌های متمایز منحصر به فرد است. چگونه تصمیم می‌گیرید چه چیزی را در هر وسیله نقلیه استاندارد کنید و در عین حال اطمینان حاصل کنید که یک بیوک همچنان یک بیوک باقی می‌ماند و یک GMC Sierra منحصر به فرد باقی می‌ماند؟
این ترکیبی از چیزهاست. اول، جوهره هر برند تمایل دارد در زیبایی‌شناسی و مدل‌های تعامل ظاهر شود. زیبایی‌شناسی چیزی است که می‌توانید به طور موثر از طریق طراحی، هم در رابط‌های دیجیتال و هم در بدنه فیزیکی، تغییر دهید (skinning). ما در حال حاضر کار نسبتاً خوبی در مشترک‌سازی قطعات زیر پوسته انجام می‌دهیم، چون چرا انجام ندهیم؟ برای یک بخش خاص از وسایل نقلیه، کیفیت سواری خاصی وجود دارد که تمایل دارد توسط همه به بهترین شکل پذیرفته شود.
پلتفرم T1-2 ما برای کامیون‌های نسل بعدی ما بین برندها مشترک است. جایی که تمایز ما را خواهید دید در مجموعه ویژگی‌ها، زیبایی‌شناسی و الگوهای تعاملی است که ما به طور موثر بخش به بخش تغییر می‌دهیم. بخش فروش کانال‌های برند اختصاصی دارد، اما مهندسی همگی یک سازمان است. این اطمینان می‌دهد که ما خودروهای ناهمگون و غیربهینه برای برندهای مختلف عرضه نمی‌کنیم، صرفاً به این دلیل که تیمی که کمی ضعیف‌تر بود به یک برند یا برند دیگر اختصاص داده شده بود. من می‌خواهم تیم مهندسی ما تمام تلاش خود را روی این موضوع متمرکز کند که بهترین سیستم تعلیق، پیشرانه یا واحد محرک چیست و سپس آن را در کل سبد محصولات مقیاس‌بندی کنیم.
صحبت از خودمختاری شد، ما امروزه وسایل نقلیه خودران در جاده‌ها داریم — Waymo، Zoox و Tesla Cybercabs. جنرال موتورز هنوز با چه چالش‌هایی باید دست و پنجه نرم کند تا به نقطه‌ای برسد که کسی بتواند با خیال راحت و ایمن چشم از جاده بردارد؟
وقتی می‌گویید «چشم بردارد»، منظورتان خودران است؟
به صورت خودران، بله. بدون دست، بدون فکر، بدون نیاز به نگاه. اما در عین حال، شما هنوز به مردم توصیه نمی‌کنید که در وسایل نقلیه خود بخوابند؟
ما آن‌ها را به گونه‌ای طراحی می‌کنیم که اگر به خواب بروند، ناایمن نباشد، زیرا ما این تجمل را نداریم که اطمینان حاصل کنیم آن‌ها حتماً توجه می‌کنند. دلیلی که نمی‌شنوید من از اصطلاحاتی مانند «چشم بردارد» (eyes off) استفاده کنم این است که می‌شنوم مردم از این اصطلاحات در اشاره به سطوح بی‌معنی از اتوماسیون استفاده می‌کنند. فکر می‌کنید وقتی چشمانتان به گوشی‌تان است، ذهنتان کجاست؟ ذهنتان کجاست؟ بیایید این تمایزات بی‌معنی را قائل نشویم. اگر معتقدید که سیستم کمک‌راننده شما فوق‌العاده توانمند است، در حال حاضر در معرض خطر رضایت کاذب (complacency) هستید — خطر اینکه با آن مانند یک سیستم خودران رفتار کنید. فلسفه ما این است: اگر قرار است یک سیستم خودران طراحی کنیم، واقعاً یک سیستم خودران طراحی خواهیم کرد. مسیر تدریجی که ما طی خواهیم کرد برای مالکیت شخصی کار خواهد کرد، نه مسیری که برای رباتاکسی‌ها جواب داد. به جای تنظیمات محدود به سرعت و مناطق خاص، ما به سمت تنظیمات خاص نوع جاده خواهیم رفت و از آنجا به بیرون گسترش خواهیم یافت. هر دو در یک نقطه همگرا می‌شوند — رانندگی خودکار در همه جا و در همه زمان‌ها — اما مسیرهای متفاوتی برای رسیدن به آنجا طی می‌کنند.
با رباتاکسی‌های امروزی، شاهد مشکلاتی در موقعیت‌های مزاحم هستیم — مانند مسدود کردن تقاطع‌ها یا خودروهای امدادی. آیا احساس می‌کنید خودمختاری شخصی، آن‌طور که جنرال موتورز تعریف می‌کند، بخشی از این مشکل را حل می‌کند زیرا راننده به عنوان گزینه‌ای برای بازگشت (fallback) باقی می‌ماند؟
شکل بازگشت مهم است. ما در یک موقعیت پویا و حیاتی برای ایمنی، به راننده بازگشت نخواهیم کرد. این کار اصلاً منطقی نیست. کاری که می‌توانیم در یک موقعیت غیرحیاتی انجام دهیم — جایی که وسیله نقلیه متوقف شده و اتفاق عجیبی در حال رخ دادن است — این است که پس از رسیدن به یک مکان امن، کنترل را به راننده برگردانیم. داشتن یک انسان در چرخه برای این کار بسیار مفید است.
چگونه آن تحویل کنترل را ساختاردهی می‌کنید تا از رضایت کاذب راننده جلوگیری کنید؟
ما به صورت پویا کنترل را برنمی‌گردانیم. این یک تبادل از نوع «تو بران، حالا من می‌رانم، اوه، من این را نمی‌شناسم» نیست. این سطح ۳ (Level 3) نیست. به همان روشی که یک رباتاکسی را در یک منطقه محدود قرار می‌دهید، ما وسایل نقلیه خودران شخصی را در یک جاده خاص قرار می‌دهیم.
وقتی در آن جاده هستیم، انسان را به مقصدش می‌رسانیم و یک شمارش معکوس ملایم می‌دهیم — مثلاً «هی، ۱۰ دقیقه از این سفر باقی مانده است». اگر آن‌ها پیش‌دستانه کنترل را به دست بگیرند، عالی است. اگر کنترل را به دست نگیرند، سیستم وسیله نقلیه را به یک وضعیت ایمن در خارج از رمپ خروجی می‌برد و می‌گوید: «من ۱۰ دقیقه پیش به شما گفتم کنترل را به دست بگیرید. ما متوقف شده‌ایم و من دیگر جلوتر نمی‌روم».
شما باید با این فرض عمل کنید که بازیگران بد سعی خواهند کرد از سیستم سوءاستفاده کنند — مانند نشستن در صندلی عقب، همان‌طور که در مورد کاربران تسلا دیده‌ایم.
من زمانی که سوءاستفاده در چارچوب یک سیستم کمک‌راننده رخ می‌دهد که برای مدیریت هر موقعیتی طراحی نشده است، بسیار بیشتر عصبی می‌شوم. اگر وسیله نقلیه کنترل را بپذیرد، سیستم ما به گونه‌ای طراحی شده است که با موقعیت‌های بیشتری که ممکن است در آن شرایط پیش بیاید، مقابله کند. بنابراین سطح اضطراب من به شدت کاهش می‌یابد.
ویژگی‌هایی مانند هوش مصنوعی OnStar درخواست دسترسی به تقویم‌ها، ایمیل‌ها و داده‌های شخصی را دارند. با توجه به دستورات قبلی FTC در مورد فروش داده‌های مشتریان توسط جنرال موتورز به دلالان شخص ثالث بدون اجازه، چگونه اطمینان حاصل می‌کنید که مشتریان می‌توانند در مورد این داده‌ها به شما اعتماد کنند؟
حریم خصوصی باید در طراحی لحاظ شود. با رمزگذاری سرتاسری (end-to-end encryption)، ما داده‌های شما را نمی‌بینیم؛ شما به دستیاری اجازه می‌دهید که با داشتن زمینه (context) بهتر عمل می‌کند. داده‌ها فقط در سطح کلان و ناشناس برای ما در دسترس هستند. در سطح فردی، داده‌ها رمزگذاری شده و تحت کنترل شما هستند.
وقتی ماشینی می‌خرید، عبور از ده‌ها شرایط و ضوابط منجر به «کلیک، کلیک، کلیک» بدون خواندن می‌شود که به اعتماد آسیب می‌زند. ما این مجوزها را به شدت ساده کرده‌ایم و به چند انتخاب واضح تبدیل کرده‌ایم که توضیح می‌دهد چرا ماشین به داده نیاز دارد — مانند خواندن تقویم شما برای مسیریابی هوشمند. شما می‌توانید در هر زمان مجوز را لغو کنید، داده‌های خود را پاک کنید یا آن‌ها را خارج کنید. شما به اعتماد اشاره کردید که بنیادی است. تصمیماتی که در گذشته توسط افرادی گرفته شده که دیگر در این شرکت کار نمی‌کنند، اثرات باقی‌مانده‌ای (overhang) دارد، اما این شرکتی نیست که ما امروز هستیم. ما آن اعتماد را با طراحی معماری به دست می‌آوریم، به طوری که حتی اگر کسی در داخل تصمیم بدی بگیرد، سیستم از نظر فنی به آن‌ها اجازه دسترسی به داده‌های خام کاربر را ندهد.
و روشی که ما این کار را انجام می‌دهیم، طراحی آن است. ببینید، حتی اگر دوباره فرد احمقی برای ما کار کند و بخواهد چنین کاری انجام دهد، نمی‌تواند. آن‌ها قادر به دسترسی به آن نخواهند بود.
«ببینید، حتی اگر دوباره فرد احمقی برای ما کار کند و بخواهد چنین کاری انجام دهد، نمی‌تواند. آن‌ها قادر به دسترسی به آن نخواهند بود.»
هوش مصنوعی در حال کاهش زمان توسعه خودرو است، اما ما همچنین شاهد هیاهو پیرامون اتوماسیون کارخانه و ربات‌های انسان‌نما از شرکت‌هایی مانند تسلا و ریویان هستیم. آیا جنرال موتورز به آن سمت می‌رود؟
اگر می‌خواهید این روزها به عنوان یک بازیگر حوزه رباتیک شناخته شوید، به نظر می‌رسد باید یک ربات انسان‌نما داشته باشید که پشتک می‌زند. عجیب است. دفاع از ربات‌های انسان‌نما اغلب از سوی افرادی صورت می‌گیرد که از نظر تاریخی مدافع مهندسی مبتنی بر اصول اولیه (first-principles engineering) هستند، اما ربات‌های انسان‌نما از اصول اولیه متولد نشده‌اند. آن‌ها فرم را بر عملکرد ترجیح می‌دهند. منطق آن‌ها فرض می‌کند که فرم انسانی برای کف کارخانه بهینه است، اما این فرم برای فرار از شیرها در ساوانای آفریقا تکامل یافته است! محیط‌های تولیدی بیشتر از جاده‌هایی که برای اسب‌ها ساخته شده بودند و به این معنی نبود که ماشین‌ها باید چهار پا داشته باشند، برای فرم‌های انسانی ساخته نشده‌اند. ارزشمندترین دارایی در یک کارخانه، کف آن است. داشتن ربات‌های انسان‌نمای دست‌وپا چلفتی که به داخل و خارج وسایل نقلیه می‌روند، جایی نیست که شما از آنجا شروع کنید. شما با فرم‌هایی شروع می‌کنید که بیگانه به نظر می‌رسند — مانند اختاپوسی که از یک گنتری (gantry) آویزان است و به داخل خط تولید وسیله نقلیه در حال حرکت دسترسی پیدا می‌کند. ما «مذهب» ربات‌های انسان‌نما را نادیده می‌گیریم و بر هوش مصنوعی زیربنایی تمرکز می‌کنیم که می‌تواند فرم‌های مختلف ربات‌های تخصصی را برای وظایف خاص هدایت کند.
آیا جنرال موتورز خودش این سیستم‌های رباتیک را می‌سازد؟
در حال حاضر انجام می‌دهیم. ما به طور فعال با تامین‌کنندگان ماشین‌آلات سنگین مانند Fanuc همکاری می‌کنیم، اما به طور فعال در حال توسعه بسیاری از راهکارهای خودمان هستیم.
مردم از هوشمندتر شدن ماشین‌ها هیجان‌زده هستند، اما همچنین می‌خواهند آن‌ها ارزان‌تر باشند. چگونه این اعلامیه‌ها به گزینه‌های مقرون‌به‌صرفه‌تر منجر می‌شوند؟
شیمی باتری LMR (غنی از لیتیوم منگنز) بخش بزرگی از این موضوع است. این باتری بردی نزدیک به بسته‌های با نیکل بالا را با هزینه‌ای نزدیک به LFP ارائه می‌دهد. بر اساس هر واحد برد، مشتری می‌تواند یک خودروی برقی نسل چهارم جنرال موتورز را با قیمتی کمتر از مدل سودآور رقیب، بدون تکیه بر یارانه‌ها خریداری کند.
علاوه بر این، مشترک‌سازی معماری الکتریکی ما طول سیم‌کشی و جرم وسیله نقلیه را به شدت کاهش می‌دهد و ماشین‌ها را به طور ذاتی مقرون‌به‌صرفه‌تر می‌کند. مجازی‌سازی توسعه هزینه‌های نمونه اولیه را کاهش می‌دهد و اجازه می‌دهد مدل‌های تجاری خودرو با قیمت‌های خرده‌فروشی پایین‌تر به نتیجه برسند. این موضوع برای وسایل نقلیه احتراق داخلی (ICE) و هیبریدی نیز صدق می‌کند، نه فقط خودروهای برقی.
آیا این هوشمندی منجر به اشتراک‌ها و دیوارهای پرداخت (paywalls) بیشتر خواهد شد؟
پیشرفت‌های قابلیتی به ناچار در طول زمان بدون افزایش هزینه‌های مالی رخ می‌دهند — دستگاهی که در دامان شماست بسیار بیشتر از کامپیوترهای سال‌ها پیش با هزینه کمتر کار انجام می‌دهد. در مورد اشتراک‌ها: من اینجا هستم تا محصولات عالی بسازم. اگر مشتریان دوست دارند برای خدماتی مانند لیزینگ هزینه بپردازند، اجازه دهید؛ اگر نه، آن‌ها را مجبور نکنید.
«ارزشمندترین دارایی در یک کارخانه، کف آن است. داشتن ربات‌های انسان‌نمای دست‌وپا چلفتی که به داخل و خارج وسایل نقلیه می‌روند، جایی نیست که شما از آنجا شروع کنید.»
[چایتی سن، سخنگوی جنرال موتورز: برای ویژگی‌های فوری مانند هوش مصنوعی OnStar، این ویژگی در بسته پایه ما گنجانده خواهد شد. ما قصد نداریم تجربیات اصلی و پایه را پشت دیوار پرداخت قرار دهیم یا یک «پوسته حلبی» خالی به مشتری تحویل دهیم.]
برای مجموعه حسگرهای خود، از دوربین‌ها، رادار و لیدار استفاده می‌کنید. آیا می‌بینید که این ترکیب برای همیشه باقی بماند، یا ممکن است در نهایت به رویکرد فقط بینایی (vision-only) مانند تسلا برگردید؟
اگر به رویکرد فقط بینایی برگردید، فیزیک نشان می‌دهد که در موقعیت‌های خاص دچار مشکل خواهید شد. رادار آنقدر ارزان است که حذف آن منطقی نیست — حذف آن یک موضع مذهبی عجیب است که فیزیک را نادیده می‌گیرد. لیدار در طول موجی مشابه نور مرئی عمل می‌کند و به آموزش مشترک سیستم‌های دوربین کمک می‌کند تا سریع‌تر بهتر شوند. دوربین‌ها نمی‌توانند از میان مه غلیظ ببینند یا سرعت لحظه‌ای را مانند رادار اندازه‌گیری کنند. داشتن یک مجموعه چندحسگری مزایای ایمنی آشکاری را فراهم می‌کند که فیزیک به سادگی آن را ایجاب می‌کند.
دیدگاه‌ها و نقدها
دیدگاه خود را درباره این تحلیل با دیگر خوانندگان به اشتراک بگذارید.
ارسال دیدگاه جدید
هنوز دیدگاهی برای این مقاله ثبت نشده است.
نخستین نفری باشید که دیدگاه یا نقد خود را درباره این موضوع می‌نویسد.