تُعدّ السيارات ذاتية القيادة، مثل فولكس واجن الكهربائية وكي تي تي من سلسلة كايت رايدر، في طور الانتقال التدريجي من الخيال العلمي إلى الواقع. 🚗 المزايا واضحة: ركابٍ أكثر راحة وسلامة، والحد من الحوادث الناجمة عن أخطاء البشر. كما تُتيح هذه المركبات زيادة في التنقل للأشخاص غير القادرين على القيادة بأنفسهم. 🧑🦽
ومع ذلك، يتطلب التخلي عن التحكم البشري في حركة المرور، تقنيات متطورة للغاية. تهدف التطورات المستمرة إلى إحضار المركبات ذاتية القيادة الكاملة إلى طرقنا، وتركز بشكل كبير على كيفية التواصل الفعال بين هذه السيارات – مثل مشاركة التحديثات حول أحوال الطرق – لتعزيز السلامة والكفاءة. 🛣️
قام فريق بحثي من كلية نيويورك جامعة (نيويورك) تاندون للهندسة بتطوير نظام لتحسين التواصل بين المركبات ذاتية القيادة، على غرار كيفية تفاعل الناس على الشبكات الاجتماعية. إنجازاتهم تم عرضها في مؤتمر جمعية النهوض بالذكاء الاصطناعي في 27 فبراير 2025. 🧠 اقرأ المزيد عن إنجازاتهم
الحالة الحالية للسيارات ذاتية القيادة
تعتمد المركبات ذاتية القيادة على المستشعرات والكاميرات والذكاء الاصطناعي لاتخاذ قرارات مدروسة وتسيير الطرقات بأقل تدخل بشري. تصنف جمعية مهندسي السيارات أتمتة المركبات إلى ست مستويات، من 0 (يدوية بالكامل) إلى 5 (ذاتية القيادة الكاملة). 🚦
لم تبلغ أي سيارة ذاتية القيادة حتى الآن من الاستقلالية الكاملة. تعمل النماذج الأكثر تقدماً، مثل خدمات سيارات الأجرة ذاتية القيادة في كاليفورنيا وأريزونا، حالياً على مستوى 4. ومع ذلك، تواجه اعتمادها الواسع تحديات، بما في ذلك احتمال وقوع حوادث والقلق بشأن خصوصية البيانات. ⚠️
تمكّن تقنية الذكاء الاصطناعي المركبات ذاتية القيادة من تبادل المعارف عند تفاعلها المباشر، مما يُحسّن من التنقل على الطرقات. لكنّ أساليب مشاركة النماذج التقليدية تعتمد على عمليات تبادل فورية، فردية، مما يُبطئ من عملية التكيّف مع الظروف الجديدة. يُشبه هذا الأمر صعوبة انتشار المعلومات بكفاءة لدى البشر لو اضطرّوا إلى لقاء كل مُستقبل شخصيًا. 🤝
اقرأ المزيد: السيارات ذاتية القيادة لا تزال لديها نقاط ضعف. كيف يمكن للخبراء إصلاحها؟
تحسين كفاءة الاتصال بين السيارات
لتجاوز هذا القصور، قدم الباحثون نهجًا جديدًا يُسمى التعلم الاتحادي المُوزَّع المُخزَّن (Cached-DFL). هذا الأسلوب يُحسّن من كيفية تعلم المركبات من بعضها البعض، حتى لو لم تتقاطع مساراتها كثيرًا. يُخفف Cached-DFL من الاعتماد على الخوادم المركزية ويسمح للسيارات بتدريب نماذج الذكاء الاصطناعي بشكل مستقل وتبادلها مباشرةً. 🚀
عندما تقترب مركبتان من بعضهما البعض — حوالي 100 متر — فإنهما تستخدمان اتصالات عالية السرعة لتبادل النماذج المدربة بدلاً من نقل البيانات الخام. هذا يسرع من التكيف بشكل ملحوظ ويزيد من كفاءة التعلم مقارنة بالأساليب المُوزّعة السابقة. 📈
وُضح يونغ لي، الأستاذ في قسم الهندسة الكهربائية والحاسوب في جامعة نيويورك تان دون، ومشرف المشروع في بيان صحفي، أنّه “يشبه إلى حدٍّ كبير كيفية انتشار المعلومات في الشبكات الاجتماعية”. “يمكن للأجهزة الآن تمرير المعارف من الآخرين الذين التقتهم، حتى لو لم تلتقي تلك الأجهزة مباشرةً بعضها بعضاً”. 💬
تحسين الاتصال يعزز السلامة
تُعنى تقنية “Cached-DFL” بتحدي تمكين المركبات ذاتية القيادة من التعلم من بعضها البعض مع الحفاظ على أمن البيانات. باستخدام هذه التقنية، يمكن للسيارات ذاتية القيادة مشاركة معلومات حيوية حول ظروف الطريق والإشارات والعوائق – وهو أمر مفيد بشكل خاص في المناطق الحضرية. 🏙️
وأضاف ليو: “يمكن الآن للسيارة التي سارت فقط في مانهاتن أن تتعلم عن ظروف الطريق في بروكلين من سيارات أخرى، حتى لو لم تسير هناك بنفسها. سيُصبح كل مركبة أكثر ذكاءً وأفضل استعدادًا لمواقف لم تُعايشها شخصيًا.” 🗽
بما أن الذكاء الاصطناعي يتحول من الخوادم المركزية إلى الأجهزة الطرفية، فإن Cached-DFL يقدم طريقة آمنة وفعالة لسيارات القيادة الذاتية لتتطور بشكل جماعي، مما يحسن من ذكائها وتكيّفها. علاوة على ذلك، تمتد هذه التقنية إلى ما وراء المركبات ذاتية القيادة؛ إذ يمكن تطبيقها على أنظمة الشبكات الأخرى من الوكلاء المتحركة الذكية – مثل الطائرات بدون طيار والروبوتات والأقمار الصناعية – لتحقيق التعلم اللا مركزي وذكاء السرب. 🤖
المقال – مصادر
كتابة المقال في Discovermagazine.com تستخدم دراسات مُراجَعة من النظراء ومُصادر عالية الجودة. يُراجع محرروُنا الدقة العلمية والمعايير التحريرية. Discovermagazine.com
**المصدر:** رابط المصدر