كيف تتعلم المركبات الذاتية القيادة؟ المدرسة الخفية للمحاكاة

تتعلم المركبات الذاتية القيادة ليس على الطرق الحقيقية بل إلى حد كبير في المحاكاة: في عالم افتراضي يمتد على مليارات الكيلومترات، يجرّب الذكاء الاصطناعي ويرتكب الأخطاء ملايين المرات، وعندما يُدمج مع بيانات الطرق الحقيقية يتعلم اتخاذ القرارات في الحركة المرورية اليومية. لكن معرفة أن سائقًا يتألق في العالم الافتراضي لن يقدم الأداء نفسه على الأسفلت لا تقل أهمية عن التعلم نفسه. إليك القصة الكاملة لتلك المفارقة الشيقة.

كيف تتعلم المركبات الذاتية القيادة في المحاكاة؟

البشر يتعلمون قيادة السيارة على الطريق؛ أما الذكاء الاصطناعي فغالبًا ما يتعلم داخل الحاسوب. أنظمة القيادة الذاتية لا تعمل بناءً على قواعد، بل بنماذج احتمالية تتعلم من البيانات. أي أن المهندس لا يكتب شيفرة تقول "تصرف هكذا عند التقاطع"؛ بل النظام يتعلم السلوك بنفسه من خلال ملايين الأمثلة. وجزء مهم من هذه الأمثلة يأتي من المحاكاة.

تسير العملية تقريبًا على النحو التالي:

1. جمع البيانات الحقيقية: السيارات الاختبارية تتنقل على الطرق وسجّل كاميراتها وراداراتها وبيانات الليدار؛ كما أن هذه البيانات التي تُنتج بمعدل ~4 تيرابايت في الساعة تصل إلى حجم بيتابايت في مدة تقل عن أسبوع.
2. تحويل البيانات إلى عالم افتراضي: تقنيات إعادة البناء العصبي تحوّل سجلات القيادة الحقيقية متعددة المستشعرات إلى بيئات ثلاثية الأبعاد عالية الدقة. كما تضيف نماذج العالم التوليدية تباينات في الطقس والإضاءة والسيناريوهات النادرة.
3. تدريب الذكاء الاصطناعي بالتجربة والخطأ: وبفضل التعلم المعزز، يجرب النظام سلوكيات مثل تغيير المسار والتجاوز وإعطاء الأولوية مرات عديدة في حركة مرور افتراضية؛ ويُكافأ على السلوكيات التي تحقق نتائج جيدة.
4. إجراء اختبارات السلامة: قبل استخدام السياسات على الطرق الحقيقية، تمر باختبارات تدريجية مثل الاختبار في حلقة البرمجيات (SIL) وفي حلقة العتاد (HIL) وبمركبة حقيقية (VIL).

فماذا يتعلم الذكاء الاصطناعي فعليًا؟ في التعرف على الأجسام تبرز الشبكات العصبية الالتفافية (CNN)، وفي التنبؤ بحركة المركبات الأخرى والمشاة بعد 3-5 ثوانٍ تبرز محولات Transformer، وفي تفاعلات التقاطعات تبرز الشبكات العصبية البيانية. بينما تستخدم بعض الأنظمة معماريات من طرف إلى طرف تتعلم القيادة والفرملة مباشرة من بيانات المستشعرات الخام - لكنها لا تزال تُعتبر تجريبية بسبب مشكلات الاعتماد.

مشكلة 11 مليار ميل: لماذا المحاكاة ضرورية؟

وهنا تكون رياضيات الأمر قاسية. فالوصول إلى معدل خطأ بمستوى الإنسان يتطلب من المركبات الذاتية القيادة ما يقارب 11 مليار ميل يُحسب ما ينبغي على النظام فعله. وإكمال ذلك بالاختبارات الفعلية سيستغرق مئات السنين - أي أنه لا أحد يستطيع الانتظار. لهذا لا خيار أمام القطاع سوى المحاكاة: الجزء الأكبر من إثبات السلامة لا يمكن إنتاجه إلا في العالم الافتراضي. وإذا أضفنا أن سوق محاكيات تدريب السائقين وحده تُقدَّر بقيمة 2.2 مليار دولار في 2026 ومن المتوقع أن ترتفع إلى 3.0 مليارات دولار بحلول 2033، ندرك أن هذه ليست موضة عابرة بل بنية تحتية أساسية للصناعة.

القوى الخارقة للعالم الافتراضي

أكبر ميزة للمحاكاة هي إمكانية تجربة الأشياء المستحيلة في العالم الحقيقي مرة تلو الأخرى. مشاة يعبرون الطريق فجأة، سيارة تنشق فجأة، مصابيح أمامية مطفأة في ظلام الليل، ضباب كثيف، وهج الشمس... كل هذه الحالات تُختبر في البيئة الافتراضية بأمان وبشكل متكرر وبذات الظروف. حتى أعطال الحساسات يمكن محاكاتها: بناء سيناريو تعطل فيه الكاميرا الأمامية على طريق حقيقي أمر خطر ومكلف في آن واحد؛ أما في البيئة الافتراضية فلا يكلف سوى بضع نقرات.

ويكشف عمل McCity عن حركة ذكية هنا: بيئة الاختبار الافتراضية التي تُنشأ بسائقين سيئين تكسر "لعنة الندرة" من أجل تنمية مهارة اتخاذ القرارات الطارئة. فالسيناريو الذي قد تواجهه مرة واحدة في السنة في الواقع، يمكنك عيشه ألف مرة في اليوم في العالم الافتراضي. وبالإضافة إلى ذلك، في بعض مجالات الاستخدام لا يمكن التحقق من السلامة إلا عبر المحاكاة - أي أن حتى عملية الاعتماد الرسمية أصبحت تعتمد على العالم الافتراضي.

Tesla وWaymo: مدرستان مختلفتان، وهل الدرس نفسه؟

يرسل رائدا القطاع القيادة بطريقتين مختلفتين. دعونا نلخص الفرق في جدول:

استراتيجية Tesla جريئة: فهي تعطّل الليدار والبنية التحتية للخرائط وتُسند كل شيء إلى معمار واحد يتعلم من بيانات الكاميرات. ميزتها هي التوسع - كل Tesla على الطريق معلم. أما Waymo فتعمل ببيانات حساسات أغنى، وتؤكد أنها هي نفسها ترى أن مهما بلغت المحاكاة أو سائقو الاختبار فلن يكون ذلك كافياً بمفرده. والمثير للاهتمام أن هناك رأياً قوياً مفاده أن النهجين أكثر تشابهاً مما يُظن. لأن Waymo أيضاً تتعلم أفضل طريقة لتمثيل كل جسم عبر التدريب الموجّه بالبيانات. الفرق يكمن في غنى البيانات التي تدخل إلى نظام الإدراك.

خطوة Waymo نحو نموذج العالم

في فبراير 2026 أعلنت Waymo عن نموذج عالم جديد لمحاكاة القيادة الذاتية. وحوالي 200 مليون ميل ذاتي القيادة الكاملة ومليارات الأميال الافتراضية، تُستخدم اليوم كمادة خام لإنتاج عوالم افتراضية أكثر واقعية. والجدول الزمني مُدهش أيضاً: في عام 2016 كان لدينا 2.5 مليار ميل محاكى، وفي عام 2018 تجاوزنا 6 مليارات، وفي عام 2020 تجاوزنا 15 ملياراً، واليوم نحن فوق 20 ملياراً. حتى ضوء أصفر وامض واحد يمكن أن يتحول إلى آلاف الساعات من الخبرة الافتراضية.

فجوة المحاكاة والواقع: لماذا يتعثر السائق المُتألق في المحاكاة على الطريق؟

وهنا يكمن جوهر المقال. لماذا قد لا يُعطي سلوك يعمل بشكل مثالي في المحاكاة النتيجة نفسها في العالم الحقيقي؟ اسم هذا الفارق هو sim-to-real gap - فجوة المحاكاة والواقع. وتُجمع أسبابه تحت أربعة عناوين:

• فرق المجال البصري: لا تستطيع الرسوم الافتراضية محاكاة الضوء الحقيقي والملمس وبريق الأسفلت في حرارة الصيف بدقة تامة.
• خطأ تقريب الفيزياء: يحسب محرك الفيزياء في المحاكي ديناميكيات العالم الحقيقي المعقدة بشكل تقريبي.
• عدم تطابق ضوضاء المستشعرات: تحمل بيانات الليدار والرادار الحقيقية ضوضاء متسخة ومتأخرة ويصعب التنبؤ بها.
• نقص السيناريوهات طويلة الذيل: لا يمكن معالجة جميع غرائب العالم الحقيقي في المكتبة الافتراضية.

تدرس الأبحاث الحديثة القادمة من عالم الروبوتات هذا الأمر تحديداً: فالتأثيرات غير المُنمذجة، وتأخر المستشعرات، والمعاملات الخاطئة، قد تُسقط نجم المختبر في الفشل الميداني. وتبرز تقنيتان كحل لهذا: domain randomization (تغيير الضوء واللون والفيزياء عشوائياً في العالم الافتراضي لجعل النظام مقاوماً لكل تنويعات يواجهها) و system identification (معايرة معاملات المحاكي ببيانات مقاسة من العالم الحقيقي). وقد وقعت أمثلة مريرة لذلك في حركة المرور: في أغسطس 2023 حصلت شركة Cruise على تصريح لسيارات الروبوت أجرة في كاليفورنيا، لكنها تعرضت لحوادثين خطيرين في وقت قصير وتم تقليص أسطولها إلى النصف. النظام الذي بدا آمناً في المحاكاة، رسب في الامتحان فوراً في العالم الحقيقي.

عدم توازن البيانات والثقة المفرطة للذكاء الاصطناعي

الخطر الثاني الكبير أقل وضوحاً: عدم توازن بيانات التدريب. هذه المشكلة، التي تُعد من العقبات أمام القيادة الذاتية، تستند إلى منطق بسيط - الحالات الممثلة قليلاً في مجموعة البيانات تعني حالات متعلمة قليلاً في النظام. أظهرت أبحاث جامعة Georgia Tech أن هذا قد يتحول إلى تحيز: فقد تم التطرق إلى إمكانية تعرض المركبات الذاتية لمجموعات معينة، مثل المشاة ذوي البشرة الداكنة، للخطر بسبب التحيز الخوارزمي. هذا ليس تفصيلاً تقنياً، بل إنذاراً أخلاقياً.

أما الخطر الثالث فيتعلق بشخصية الذكاء الاصطناعي: تستطيع أنظمة الذكاء الاصطناعي تعيين درجات ثقة عالية للإجابات الخاطئة. فهي لا تستطيع أن تقول "لست متأكدا" كالبشر؛ بل ترث حتى الانحيازات المعرفية البشرية من خلال بيانات التدريب وافتراضات النموذج وحلقات التغذية الراجعة. وفي اكتشاف الحالات الطرفية، تؤدي الإنذارات الكاذبة إلى تدخلات غير ضرورية، بينما تؤدي النتائج السلبية الخاطئة إلى تفويت أحداث حرجة. والأكثر من ذلك أن الملصقات الاصطناعية المولدة تلقائيا قد لا تكون دائما موثوقة بما يكفي للتدريب على السلامة الحرجة. ويرى أحد الخبراء أننا ما زلنا بعيدون 10 سنوات عن المركبات الذاتية القيادة الموثوقة - وفي مركبة تدير الحالة الطرفية بشكل خاطئ يكون هامش الخطأ فعليا صفرا.

ما ثقة الإفراط في الاعتماد على المحاكاة؟

عند هذه النقطة يواجه معسكران بعضهما. المدافعون محقون: بسبب عائق 11 مليار ميل، فإن إثبات السلامة دون محاكاة أمر مستحيل فعليا. والمتشككون محقون أيضا: هل تشمل الاختبارات القائمة على المحاكاة حقا جميع السيناريوهات في العالم الحقيقي؟ هذا السؤال معلق منذ سنوات. حتى تقييم Waymo نفسه يوحي بأن حجم المحاكاة وحده غير كاف. ويدافع ستيف وزنياك، أحد الأسماء البارزة في المجال، عن وجوب أن يعود المقود في الحالات غير المعتادة إلى يد حتى أغبى إنسان - نقطة ساخرة لكنها تستدعي التفكير.

وتتمثل انتقاد آخر في أن أساليب محاكاة القيادة الحالية عاجزة عن توليد سيناريوهات الزوايا المستهدفة بطريقة قابلة للتوسع. أي أن العثور على "تلك اللحظة الخطرة المميزة" لا يزال جزئيا عملا بشريا. وتسعى الأبحاث المنشورة على OpenReview إلى إيجاد حلول لمشكلة التوسع هذه، لكن يصعب القول إنها اكتملت بعد.

هل يمكن للمركبات الذاتية القيادة أن تتعلم بالكامل في المحاكاة ثم تنطلق إلى الطريق؟

الإجابة المختصرة: لا، ليس بمفردها. المحاكاة ساحة تدريب لا تقدر بثمن؛ لكنه لا ينطلق أي نظام إلى الطريق دون تغذيته ببيانات الطرق الحقيقية واجتيازه اختبارات تدريجية في العالم الحقيقي. حتى أكثر الأنظمة كفاءة اليوم ليست ذاتية القيادة تماما - فنظام FSD من تسلا ينتظر أطاعة السائق مع عبارة "Supervised" أي "تح الإشراف" في بداية اسمه. المحاكاة مدرسة ظل؛ أما الشهادة فتُمنح على الطريق الحقيقي. سيكون أفضل سائق ذكاء اصطناعي هو من يمزج التدريب الافتراضي بخبرة الطرق الحقيقية - ولا ينسى أبدا الفرق بين العالمين.

المصادر

• محاكاة المركبات ذاتية القيادة والتحقق منها
• 6 أسباب لاستخدام برامج محاكاة المركبات ذاتية القيادة
• التعلم الآلي في المركبات ذاتية القيادة: شرح كامل
• نموذج Waymo العالمي
• تقنية السيارات ذاتية القيادة لرحلة موثوقة
• ما هي فجوة الانتقال من المحاكاة إلى الواقع؟
• السائقون السيئون في المحاكاة يقللان زمن واختبارات المركبات ذاتية القيادة وتكلفتها
• Tesla مقابل Waymo - من الأقرب إلى القيادة الذاتية الكاملة من المستوى الخامس؟
• أنظمة القيادة الذاتية في Waymo وTesla متشابهة أكثر مما تظن
• الحالات الحدية في القيادة الذاتية: الكشف والإدارة
• بحث يكشف عن عواقب محتملة قاتلة للتحيز الخوارزمي
• القيادة الذاتية الكاملة (خاطف)