Latent Chain-of-Thought World Modeling for End-to-End Driving

إن قيادة السيارة هي فعل مستمر من التنبؤ. فقبل أن يدير السائق البشري عجلة القيادة، يكون قد تخيل بالفعل ما سيحدث بعد ذلك: قد يضغط السائق الذي أمامه على المكابح، أو قد ينزل أحد المشاة من الرصيف، أو قد تضيق فجوة في حركة المرور. هذا المحاكاة الذهنية للمستقبل هي ما يحافظ على سلامتنا. ولعقود من الزمن، حاول المهندسون تعليم الحواسيب القيام بالشيء نفسه، عبر بناء أنظمة يمكنها النظر إلى الطريق وتقرير أين توجه المقود. وتحاول أكثر هذه الأنظمة تقدماً، والمعروفة بالقيادة الذاتية من طرف إلى طرف (end-to-end)، تعلم هذه العملية برمتها دفعة واحدة، حيث تربط صور الكاميرا الخام مباشرة بأوامر التوجيه دون قواعد وضعها البشر. ومؤخراً، حاول الباحثون تحسين هذه الأنظمة من خلال منحها "صوتاً"، مما يسمح للكمبيوتر بالتفكير بصوت عالٍ بلغة طبيعية قبل اتخاذ أي حركة، تماماً مثل السائق البشري الذي يسرد أفكاره.

ومع ذلك، تشير دراسة جديدة إلى أن التحدث في جمل ليس الطريقة الأكثر كفاءة للآلة لكي تفكر. فقد وجد الباحثون، الذين عملوا باستخدام بيانات من شركة NVIDIA وجامعة تكساس في أوستن، أن إجبار السيارة ذاتية القيادة على توليد تدفق من النصوص لشرح منطقها يؤدي إلى إبطائها بل ويمكن أن يؤدي إلى وقوع أخطاء. وبدلاً من ذلك، طوروا نظاماً يسمى LCDrive يفكر في لغة داخلية صامتة مكونة من أرقام وأنماط. هذا النظام لا يكتب كلمات مثل "السيارة التي أمامنا تتباطأ"، بل يقوم فوراً بمحاكاة العواقب المستقبلية لأفعاله في مساحة رياضية مدمجة، مما يسم يسمح له باتخاذ قرارات أكثر أماناً وسرعة.

الفكرة الجوهرية وراء هذا العمل هي استبدال التفكير اللفظي المسهب والثرثار للذكاء الاصطناعي التقليدي بعملية انسيابية صامتة. في الماضي، حاول الباحثون مساعدة السيارات ذاتية القيادة من خلال جعلها تولد سلسلة من النصوص، وهي "عملية تفكير" مكتوبة باللغة الإنجليزية، قبل اتخاذ قرار بشأن مناورة القيادة. وبينما يحاكي هذا المحادثة البشرية، يرى الباحثون أنه غير مناسب للمتطلبات اللحظية للقيادة. فاللغة الطبيعية بطيئة في التوليد وغالباً ما تفشل في التقاط الهندسة الدقيقة للطريق أو الرقص المعقد لعدة مركبات تتفاعل مع بعضها البعض. فقد لا تتوافق جملة تصف انعطافاً ما بدقة مع زاوية التوجيه الفعلية التي تحتاجها السيارة، مما يخلق فجوة بين ما يقوله الكمبيوتر وما يفعله حقاً.

ولحل هذه المشكلة، أنشأ الفريق نموذجاً يتفكر في مساحة "كامنة" (latent space)، وهي طبقة خفية في عقل الكمبيوتر حيث تُخزن المعلومات كأنماط كثيفة بدلاً من الكلمات. في هذا النظام الجديد، لا تكتب السيارة قصة عن الطريق، بل تمر بسرعة عبر سلسلة من الخطوات الداخلية: تقترح فعلاً ممكناً، مثل انعطاف طفيف، ثم تحاكي فوراً كيف سيبدو العالم بعد ثانية واحدة إذا تم اتخاذ هذا الفعل. ثم تقترح فعلاً آخر وتحاكي ذلك المستقبل أيضاً. يحدث هذا في جزء من الثانية، حيث يقارن الكمبيوتر بين هذه المحاكاة الصامتة ليقرر أي مسار هو الأكثر أماناً. وقد تم تدريب النظام على التنبؤ بهذه النتائج المستقبلية مباشرة من المشهد الحالي، مما يعلمه فعلياً كيفية "الحلم" بالطريق أمامها دون الحاجة أبداً إلى التحدث.

اختبر الباحثون هذا النهج على مجموعة ضخمة من سجلات القيادة الواقعية، بإجمالي يتجاوز 1,700 ساعة من اللقطات في بيئات حضرية معقدة. وقارنوا نموذج التفكير الصامت (الكامل) هذا بنوعين آخرين من الأنظمة: أحدهما يتخذ القرارات دون أي تفكير على الإطلاق، والآخر يستخدم التفكير القائم على النصوص التقليدية. وأظهرت النتائج أن النموذج الصامت كان أسرع وأكثر دقة بشكل ملحوظ؛ فقد أنتج مسارات قيادة أقرب إلى طريقة قيادة الخبير البشري، مع أخطاء أقل في الموقع ومعدل أقل بكثير في الخروج عن المسار القابل للقيادة أو الاصطدام بمركبات أخرى.

ولعل الأهم من ذلك هو أن نظام التفكير الصامت أثبت أنه أكثر قدرة على التكيف عند تدريبه باستخدام تقنية تسمى التعلم التعزيزي (reinforcement learning). في هذه المرحلة، يمارس الكمبيوتر القيادة في حلقة مفرغة، حيث يتلقى ملاحظات حول مدى جودة أدائه ويعدل منطقه الداخلي ليكون أفضل في المرة القادمة. وقد عانى النظام القائم على النصوص من صعوبة في التحسن مع هذه الممارسة، حيث فشل غالباً في الربط بين أفكاره المنطوقة وأفعال القيادة الفعلية. في المقابل، ازدهر النظام الصامت، مستخدماً محاكاته الداخلية لصقل قراراته ليصبح أكثر أماناً ودقة بشكل ملحوظ. ووجدت الدراسة أن هذا النهج قلل متوسط المسافة بين مسار السيارة والمسار المثالي بهامش كبير، خاصة في المواقف الصعبة مثل الاندماج في حركة المرور أو التنقل في التقاطعات المزدحمة.

إن نجاح هذه الطريقة يشير إلى أن الطريقة الأكثر فعالية للآلات هي ألا تتحدث. فمن خلال تجريد النظام من عدم كفاءة اللغة والتفكير مباشرة بلغة توقعات الآلة نفسها، يحقق النظام مستوى من التنسيق بين الفكر والعمل لا يمكن للنماذج النصية مضاهاته. ويشير الباحثون إلى أنه بينما يعد نظامهم فعالاً للغاية، فإنه يعتمد حالياً على عملية تدريب تتطلب بيانات دقيقة حول مواقع المركبات الأخرى، وهو أمر قد يصعب جمعه على نطاق واسع. كما يقرون بأنه نظراً لأن التفكير يحدث في مساحة رياضية خفية، فمن الصعب على البشر النظر داخل النظام ورؤية ما يفكر فيه بالضبط، على عكس النظام القائم على النصوص الذي يمكنه طباعة منطقه.

وعلى الرغم من هذه القيود، فإن النتائج تقدم اتجاهاً واضحاً لمستقبل القيادة الذاتية. وتوضح الدراسة أن التفكير الأكثر تقدماً للسيارات ذاتية القيادة قد لا يشبه المحادثة البشرية على الإطلاق، بل يشبه حساباً صامتاً وسريعاً للاحتمالات، حيث تتحقق المركبة باستمرار من مستقبلها مقابل واقع الطريق. هذا التحول من التحدث إلى المحاكاة يسمح للسيارة بالاستجابة بسرعة ودقة تعكس الطبيعة الغريزية للقيادة البشرية، مما يثبت أن أفضل طريقة لحل مشكلة معقدة هي التوقف عن الكلام والبدء في التفكير باللغة الوحيدة التي تهم حقاً: لغة المستقبل ذاتها.