🚗 Семь уроков физического ИИ: как Waymo прошла путь от демо до миллисекунд безопасности 0:07
Развитие искусственного интеллекта долгое время концентрировалось в цифровой среде, однако сейчас индустрия переходит к физическому миру. Как отметил согенеральный директор Waymo Дмитрий Долгов на Startup School 2026, автономное вождение стало первым масштабным применением ИИ в физическом пространстве. Путь компании от первого эксперимента до флота, совершающего полмиллиона поездок в неделю, занял полтора десятилетия и потребовал переосмысления фундаментальных принципов разработки.
🚧 1. Разрыв между демонстрацией и реальным продуктом 6:52
Создание работающего демо — это в лучшем случае один процент от общего объёма работы. Настоящие трудности начинаются при попытке обеспечить много «девяток» надежности.
- Исторический контекст: Свои первые амбициозные цели — проехать 100 000 миль по 10 маршрутам без вмешательства человека — команда выполнила всего за полтора года (еще в 2010 году, задолго до современных прорывов в глубоком обучении).
- Иллюзия успеха: Тогда казалось, что задача решена полностью, ведь система справлялась с днем, ночью, пешеходами и стройками.
- Реальность масштабирования: На превращение технологии в работающий сервис ушло еще около десяти лет, а на масштабирование до полумиллиона поездок в неделю — еще пять. На сегодняшний день транспортные средства компании проехали более 200 миллионов полностью автономных миль в 15 городах США.
- Экспонента надежности: Каждая новая «девятка» в проценте надежности требует примерно в 10 раз больше усилий. Демонстрации требуют минимум усилий, тогда как длинный хвост редких сценариев становится основной проблемой.
📉 2. Выбор правильной технологической кривой 14:17
Разные технологические подходы имеют кривую «производительность против усилий», которая на ранних этапах дает крутой подъем, но затем неизбежно платообразно выполаживается.
- Риск тупиковых решений: Ошибка многих стартапов заключается в выборе технологий, дающих быстрый ранний старт, но упирающихся в технологический потолок задолго до достижения требуемых продуктом показателей.
- Аппаратная избыточность: Если для систем помощи водителю достаточно слабых сенсоров, то для полной автономности требуется сверхчеловеческое восприятие.
- Многоуровневые датчики: По мнению Долгова, Waymo использует комбинацию камер, лидаров и радаров. Камеры обеспечивают высокое разрешение и цвет, лидары строят точную 3D-структуру, а активные датчики вроде радаров и лидаров отлично видят в кромешной темноте, при слепящем закате или сквозь песчаные бури.
- Отказоустойчивость: Наличие нескольких модальностей датчиков гарантирует, что даже при блокировании одного из сенсоров (например, веткой дерева) автомобиль сможет безопасно вернуться в парк. При этом аппаратное обеспечение эволюционирует: шестое поколение оборудования Waymo стало значительно проще и дешевле предыдущих.
🌊 3. Оседлать каждую технологическую волну 21:07
Индустрия ИИ развивается стремительно, и разработчики должны быть готовы перестраивать систему под новые технологические волны.
- Эволюция архитектуры: Компания внедряла свёрточные нейросети для компьютерного зрения в 2013 году, трансформеры для прогнозирования поведения и планирования в 2017 году, а сегодня использует мультимодальные языковые модели (VLM) и фронтирные мировые модели.
- Сложность интеграции: Самое сложное — перенести передовые исследования в продакшн без регрессий и замедления масштабирования продукта. Новое технологическое решение должно не просто давать прирост возможностей, но и упрощать стек, снижая фрагментацию.
- Фондовая модель Waymo: Результатом этой философии стала мультимодальная модель мира, действий и языка. Она объединяет кодировщик сенсорных данных, модель мира (понимающую физику и динамику), модель действий и языковое выравнивание для решения редких семантических задач.
- Система 1 и Система 2: Быстрый путь отвечает за мгновенные инстинктивные решения за миллисекунды (экстренное торможение при появлении пешехода), а медленный путь задействует глубокое семантическое рассуждение для сложных контекстуальных ситуаций (например, объезд горящего автомобиля на обочине).
🧠 4. Горький урок по-прежнему побеждает 30:09
В сфере искусственного интеллекта неизменно подтверждается «горький урок» Ричарда Саттона, сформулированный в 2019 году: методы, масштабируемые за счет вычислительной мощности и данных, всегда превосходят подходы, основанные на заложенных инженерами человеческих знаниях.
- Масштабирование моделей: Ставка на высокоемкие модели позволяет получить лучшие законы масштабирования с последующей дистилляцией в более эффективные модели для работы в реальном времени.
- Структура против масштаба: Структура, которая борется с масштабом, всегда проигрывает, а структура, которая направляет масштаб, выигрывает. Базовые черные ящики «от конца до конца» (end-to-end) дают быстрый прогресс на старте, но для критически важных физических систем этого недостаточно.
- Структурно-дополненный подход: Waymo использует гибридный подход — дополняет обученные эмбеддинги материализованными структурированными представлениями (правила дорожного движения, законы физики). Это позволяет проверять корректность и безопасность в режиме реального времени на борту автомобиля.
🎮 5. Необходимость качественного симулятора 36:41
Для создания и безопасного развертывания физического ИИ критически необходим крупномасштабный, высокоточный и реалистичный симулятор.
- Открытый и закрытый контур: В отличие от пассивного обучения в открытом контуре, закрытый контур позволяет агенту совершать действия, оценивать их влияние на окружающий мир и корректировать поведение.
- Симулятор как сложная модель: Построение качественного симулятора сопоставимо по сложности с созданием самого агента. Он должен моделировать не только поведение участников дорожного движения, но и физику сенсоров.
- Синтетические сценарии: Используя наработки в области генеративных моделей, компания может тестировать систему в чисто синтетических редких ситуациях, которые никогда не встречались в реальном мире — например, приземление самолета на автостраду, слон на перекрестке или прогулка динозавра.
🔄 6. Построение экосистемы и цикла обратной связи 41:36
Для эффективной работы над проектом такой сложности требуется не просто отдельная модель, а целая экосистема из трех взаимосвязанных элементов:
- Агент (Agent): непосредственно водитель, управляющий автомобилем.
- Симулятор (Simulator): виртуальная среда для обучения.
- Критический судья (Critic): компонент, который строго оценивает производительность агента и указывает направления для улучшений.
Эксплуатация агента в реальном мире генерирует данные, которые делают симулятор реалистичнее; симулятор создает сложные пограничные случаи для критика и агента, после чего цикл повторяется, ускоряя прогресс.
📊 7. Метрики и оценки как главное конкурентное преимущество 43:09
Модель сегодня становится доступной базовой возможностью, тогда как качественные метрики и система оценки образуют стратегический ров компании.
- Определение успеха: Если невозможно количественно определить понятие «достаточно хорошо», разработка превращается в бесконечную доработку демонстрации.
- Система готовности: Для физического ИИ оценка должна охватывать все уровни системы — от физического до поведенческого. Безопасность и метрики позволяют постепенно завоевывать доверие клиентов, регуляторов и общества.
- Невоспроизводимость опыта: Алгоритмы можно скопировать, а модели — утечь в сеть, но сотни миллионов миль полностью автономных поездок, подтвержденных публичными аудитами и доказательной базой, практически невозможно воспроизвести.
По словам Дмитрия Долгова, накопленные данные подтверждают высокую эффективность технологии: на участках работы компании Waymo демонстрирует примерно в 17 раз меньшее количество аварий с серьезными травмами по сравнению с человеческими водителями. Происходящий сегодня сдвиг показывает, что если последнее десятилетие прошло под знаком цифрового ИИ, то следующее десятилетие будет посвящено физическому миру.
