Η πραγματική φιλοδοξία της Uber δεν είναι τα αυτοκινούμενα οχήματα — είναι η μετατροπή της πόλης σας σε ένα ζωντανό εργαστήριο

Η κοινή λογική λέει ότι η Uber απέτυχε στα αυτοκινούμενα αυτοκίνητα. Μετά τη σπατάλη δισεκατομμυρίων στο Advanced Technologies Group και την τελική παραχώρησή του στην Aurora πριν από χρόνια, το αφήγημα ήταν σαφές: η Uber θα ήταν η αγορά, όχι ο κατασκευαστής. Ενώ εταιρείες όπως η Waymo και η Zoox πέρασαν χρόνια τελειοποιώντας το ακριβό υλικό που απαιτείται για την αντικατάσταση των ανθρώπων οδηγών, η Uber φαινόταν ικανοποιημένη με το να περιμένει απλώς για να φιλοξενήσει αυτούς τους στόλους στην εφαρμογή της.

Κοιτάζοντας τη συνολική εικόνα, αυτό το αφήγημα ήταν ημιτελές. Ενώ φαινόταν ότι η Uber υποχωρούσε από την κούρσα των αυτόνομων οχημάτων (AV), στην πραγματικότητα επανατοποθετούνταν για να κατέχει το μοναδικό πράγμα που είναι πιο πολύτιμο από το ίδιο το αυτοκίνητο: τα δεδομένα που διδάσκουν στο αυτοκίνητο πώς να σκέφτεται. Ο Γενικός Διευθυντής Τεχνολογίας της Uber, Praveen Neppalli Naga, αποκάλυψε πρόσφατα μια στρατηγική που μετατρέπει εκατομμύρια τυπικά επιβατικά οχήματα σε ένα δίκτυο αισθητήρων υψηλής ανάλυσης. Αυτό δεν αφορά πλέον μόνο τη μεταφορά επιβατών· αφορά το να γίνει η θεμελιώδης υποδομή για ολόκληρο τον κόσμο που καθοδηγείται από την Τεχνητή Νοημοσύνη.

Το εμπόδιο των δεδομένων: Γιατί τα ρομπότ δυσκολεύονται ακόμα με τις αριστερές στροφές

Για να καταλάβουμε γιατί η κίνηση της Uber είναι τόσο ανατρεπτική, πρέπει να κοιτάξουμε την τρέχουσα κατάσταση της αυτόνομης οδήγησης. Με απλά λόγια, η κατασκευή ενός αυτοκινούμενου αυτοκινήτου είναι εύκολη· η κατασκευή ενός που δεν κάνει ένα απειλητικό για τη ζωή λάθος μία φορά κάθε 50.000 μίλια είναι απίστευτα δύσκολη. Ο κλάδος έχει φτάσει σε ένα σημείο όπου οι υποκείμενοι αλγόριθμοι —ο εγκέφαλος του αυτοκινήτου— είναι αρκετά ισχυροί. Το πρόβλημα είναι ότι αυτοί οι εγκέφαλοι πρέπει να βιώσουν κάθε πιθανό σενάριο προτού γίνουν αξιόπιστοι.

Σκεφτείτε ένα αυτόνομο σύστημα ως έναν ακούραστο εκπαιδευόμενο. Μπορεί να εργάζεται 24/7 χωρίς να βαριέται, αλλά έχει μηδενική κοινή λογική. Πρέπει να δει χίλιους διαφορετικούς τρόπους με τους οποίους ένα παιδί μπορεί να κυνηγήσει μια μπάλα στο δρόμο, ή πώς τα σήματα των χεριών ενός εργάτη οικοδομών διαφέρουν στο Λονδίνο σε σχέση με το Λος Άντζελες. Επί του παρόντος, οι εταιρείες AV συλλέγουν αυτά τα δεδομένα αναπτύσσοντας μικρούς, εξειδικευμένους στόλους ακριβών SUV εξοπλισμένων με αισθητήρες. Είναι μια αργή, εντάσεως κεφαλαίου διαδικασία που περιορίζει τη μάθησή τους σε λίγες συγκεκριμένες γειτονιές.

Η διαπίστωση της Uber είναι ότι διαθέτει ήδη έναν στόλο εκατομμυρίων αυτοκινήτων που διασχίζουν κάθε γωνιά του πλανήτη. Εάν έστω και το 5% αυτών των οχημάτων ήταν εξοπλισμένο με ένα απλοποιημένο κιτ αισθητήρων, η Uber θα μπορούσε να συλλέξει περισσότερα δεδομένα οδήγησης σε πραγματικές συνθήκες σε ένα μόνο απόγευμα από όσα θα μπορούσε μια παραδοσιακή εταιρεία AV σε ένα χρόνο.

Από τη μεταφορά επιβατών στο AV Cloud

Στο εσωτερικό του, αυτό το πρόγραμμα αποτελεί εξέλιξη των AV Labs της Uber. Αρχικά, αυτό ήταν ένα μικρό έργο που χρησιμοποιούσε αυτοκίνητα ιδιοκτησίας της Uber για τη δοκιμή αισθητήρων. Τώρα, ο στόχος είναι η αποκέντρωση αυτής της συλλογής. Η Uber χτίζει αυτό που ο Naga αποκαλεί «AV Cloud» — μια τεράστια, αναζητήσιμη βιβλιοθήκη επισημασμένων δεδομένων αισθητήρων.

Φανταστείτε ότι είστε μια startup που κατασκευάζει ένα ρομπότ παράδοσης. Πρέπει να γνωρίζετε πώς οι άνθρωποι στο Μουμπάι κινούνται γύρω από αδέσποτες αγελάδες ή πώς οι οδηγοί στη Βοστώνη χειρίζονται μια ξαφνική χιονοθύελλα. Αντί να στείλετε τα δικά σας αυτοκίνητα σε αυτές τις πόλεις, απλώς υποβάλλετε ένα ερώτημα στη βιβλιοθήκη της Uber. Πληρώνετε για τα συγκεκριμένα σενάρια που χρειάζεστε και η Uber παρέχει τα δεδομένα υψηλής πιστότητας που συγκεντρώθηκαν από το δίκτυο των οδηγών της.

Πέρα από την απλή πώληση ακατέργαστων δεδομένων, η Uber προσφέρει μια υπηρεσία γνωστή ως «shadow mode» (λειτουργία σκιάς). Αυτό επιτρέπει σε μια εταιρεία AV να εκτελεί το λογισμικό της στο παρασκήνιο μιας πραγματικής διαδρομής Uber. Ο άνθρωπος οδηγός έχει τον απόλυτο έλεγχο, αλλά η Τεχνητή Νοημοσύνη «προσποιείται» ότι οδηγεί, συγκρίνοντας τις αποφάσεις της με τις ενέργειες του ανθρώπου σε πραγματικό χρόνο. Αυτό δημιουργεί ένα ασφαλές, εικονικό πεδίο εκπαίδευσης που χρησιμοποιεί τον φυσικό κόσμο ως σκηνικό.

Γιατί αυτή η στρατηγική είναι μια οικονομική ιδιοφυΐα

Από την πλευρά της αγοράς, αυτή η στροφή είναι ένα κλασικό παράδειγμα ανόδου στην αλυσίδα αξίας. Η κατασκευή υλικού (hardware) είναι ασταθής και δαπανηρή· η παροχή των δεδομένων που τροφοδοτούν αυτό το υλικό είναι μια επιχείρηση λογισμικού με υψηλά περιθώρια κέρδους και δυνατότητα κλιμάκωσης. Απομακρυνόμενη από το «μέταλλο» και στρεφόμενη προς την «πληροφορία», η Uber αποφεύγει την τεράστια ευθύνη και το κόστος συντήρησης της κατοχής ενός στόλου ρομποτικών ταξί, ενώ καθίσταται απαραίτητη για τις εταιρείες που τα διαθέτουν.

Ιστορικά, η βιομηχανία τεχνολογίας έχει ξαναδεί αυτό το σενάριο. Στις απαρχές του διαδικτύου, οι εταιρείες πάλευαν για να κατασκευάσουν τον καλύτερο επιτραπέζιο υπολογιστή. Τελικά, οι εταιρείες που έγιναν οι πιο ανθεκτικές ήταν εκείνες που παρείχαν τις μηχανές αναζήτησης και τα πρωτόκολλα δεδομένων που όλοι οι άλλοι έπρεπε να χρησιμοποιούν. Η Uber ουσιαστικά προσπαθεί να γίνει το Google Search του φυσικού δρόμου.

Ο αντίκτυπος στον μέσο χρήστη

Για τον μέσο χρήστη, αυτή η αλλαγή μπορεί να φαίνεται αόρατη στην αρχή, αλλά οι μακροπρόθεσμες επιπτώσεις είναι συστημικές. Πρακτικά μιλώντας, η επόμενη διαδρομή σας με Uber μπορεί να φτάσει με μια ελαφρώς πιο εξελιγμένη διάταξη καμερών τοποθετημένη κοντά στον εσωτερικό καθρέφτη ή στην οροφή. Η Uber έχει δώσει σήμα ότι θέλει αυτή η διαδικασία να είναι διαφανής, αν και οι λεπτομέρειες για το πώς θα αποζημιώνονται οι οδηγοί για τη μετατροπή των αυτοκινήτων τους σε κινητά κέντρα δεδομένων παραμένουν ασαφείς.

Από την πλευρά του καταναλωτή, αυτό θα μπορούσε πραγματικά να επιταχύνει την άφιξη αυτόνομων χαρακτηριστικών στο δικό σας προσωπικό όχημα. Καθώς η Uber εκδημοκρατίζει αυτά τα δεδομένα εκπαίδευσης, μικρότεροι κατασκευαστές αυτοκινήτων που δεν μπορούν να αντέξουν οικονομικά ένα τεράστιο τμήμα έρευνας AV μπορούν να αγοράσουν πρόσβαση στο cloud της Uber για να βελτιώσουν τα δικά τους χαρακτηριστικά ασφαλείας. Αυτό θα μπορούσε να οδηγήσει σε ένα μέλλον όπου η «αυτόνομη οδήγηση» δεν θα είναι μόνο μια πολυτέλεια για όσους αντέχουν οικονομικά ένα εξαψήφιο ηλεκτρικό όχημα, αλλά ένα τυπικό χαρακτηριστικό ασφαλείας που τροφοδοτείται από τη συλλογική εμπειρία εκατομμυρίων οδηγών Uber.

Αντίθετα, υπάρχουν βάσιμες ανησυχίες σχετικά με την ιδιωτικότητα και την «επιτήρηση» των δημόσιων χώρων. Εάν κάθε Uber γίνει μια κυλιόμενη κάμερα 360 μοιρών, η ποσότητα των δεδομένων που καταγράφονται για πεζούς, άλλους οδηγούς και ιδιωτικές περιουσίες είναι πρωτοφανής. Η Uber θα πρέπει να πλοηγηθεί σε έναν περίπλοκο ιστό παγκόσμιων κανονισμών για να διασφαλίσει ότι αυτά τα δεδομένα ανωνυμοποιούνται και χρησιμοποιούνται ηθικά.

Το φίλτρο «Και λοιπόν;»: Τι σημαίνει αυτό για εσάς

Τελικά, η Uber στοιχηματίζει ότι το πιο πολύτιμο εμπόρευμα του 21ου αιώνα δεν είναι η ικανότητα μεταφοράς ανθρώπων από το σημείο Α στο σημείο Β, αλλά η ικανότητα χαρτογράφησης και κατανόησης του πώς συμβαίνει αυτή η κίνηση σε πραγματικό χρόνο. Μετατρέπουν τους δρόμους του κόσμου σε ψηφιακό αργό πετρέλαιο και οι οδηγοί τους είναι τα γεωτρύπανα.

Αυτό σημαίνει ότι η «κούρσα» για τα αυτοκινούμενα αυτοκίνητα εισέρχεται σε μια νέα φάση. Δεν αφορά πλέον το ποιος έχει το πιο εντυπωσιακό ρομποτικό ταξί· αφορά το ποιος έχει την πιο ισχυρή βιβλιοθήκη ανθρώπινης εμπειρίας για να τροφοδοτήσει τις μηχανές.

Ως καταναλωτής, θα πρέπει να αρχίσετε να βλέπετε την οικονομία της πλατφόρμας (gig economy) μέσα από ένα διαφορετικό πρίσμα. Ο οδηγός σας δεν παρέχει απλώς μια υπηρεσία· χτίζει άθελά του το ίδιο το σύστημα που μπορεί μια μέρα να αντικαταστήσει την ανάγκη για το επάγγελμά του. Προς το παρόν, αυτό σημαίνει καλύτερους χάρτες, ασφαλέστερα χαρακτηριστικά υποβοηθούμενης οδήγησης στο επόμενο αυτοκίνητό σας και ίσως μια πιο διαισθητική κατανόηση των πόλεών μας. Αλλά σημαίνει επίσης ότι κινούμαστε προς έναν κόσμο όπου κάθε ταξίδι που κάνουμε είναι ένα σημείο δεδομένων σε ένα πολύ μεγαλύτερο, διασυνδεδεμένο πείραμα μηχανικής μάθησης.

Αντί να περιμένετε την άφιξη του πρώτου αυτοκινήτου χωρίς οδηγό στην πόλη σας, αρχίστε να παρατηρείτε τους αισθητήρες που εμφανίζονται σε εκείνα που έχουν ακόμα έναν άνθρωπο στο τιμόνι. Εκεί συμβαίνει η πραγματική επανάσταση — όχι στα εργαστήρια της Silicon Valley, αλλά στην πεζή, καθημερινή κίνηση της πρωινής σας μετακίνησης.

Πηγές:

• TechCrunch: StrictlyVC Event Interview with Praveen Neppalli Naga.
• Uber Technologies, Inc. Investor Relations: AV Strategy Overview.
• Wayve: Collaborative Partnership Announcements.
• National Highway Traffic Safety Administration (NHTSA): Data Collection Guidelines for Autonomous Systems.