Xe tự lái thế hệ mới: Không chỉ 'nhìn đường' mà phải 'biết suy nghĩ'

Để xử lý những vấn đề bất trắc khi lưu thông, xe tự hành không chỉ cần cảm biến tốt hơn mà còn cần những hệ thống có khả năng suy luận. Ảnh: techxplore

Theo trang Techxplore, xe tự hành đã đạt được những bước tiến đáng kể trong thập kỷ qua. Những chiếc ô tô và xe buýt không người lái từng gặp khó khăn khi giữ làn đường giờ đây có thể di chuyển trên các tuyến phố đông đúc, nhận diện người đi bộ, người đi xe đạp và phản ứng mượt mà với tín hiệu giao thông.

Tuy nhiên, vẫn còn một thách thức đặc biệt khó giải quyết. Những tình huống khó nhất trên đường không phải là những tình huống phổ biến, mà là những sự kiện hiếm và khó đoán trước - điều mà các nhà nghiên cứu AI gọi là “kịch bản đuôi dài” (long-tail scenarios) hay “trường hợp biên” (edge cases), bởi chúng nằm ngoài phần lớn dữ liệu thông thường.

Ví dụ có thể là công trình thi công bất ngờ, hành vi bất thường của người tham gia giao thông, hoặc những tình huống tinh vi với xác suất xảy ra rất thấp nhưng lại có tác động lớn đến hành trình.

Để xử lý những vấn đề này, không chỉ cần cảm biến tốt hơn mà còn cần những hệ thống có khả năng suy luận trong điều kiện không chắc chắn. Một trong những hướng tiếp cận hứa hẹn nhất hiện nay là các mô hình AI gọi là “thị giác – ngôn ngữ – hành động” (vision-language-action, viết tắt là VLA). Những mô hình này tiếp nhận dữ liệu hình ảnh từ cảm biến, thực hiện quá trình suy luận nội tại (thường được mô tả là “suy nghĩ theo từng bước”), rồi gần như ngay lập tức đưa ra hành động như đánh lái hoặc phanh.

Thực tế, VLA không phải là công nghệ hoàn toàn mới. Trong nghiên cứu robot, chúng đã được phát triển trong nhiều năm nhằm kết nối giữa nhận thức, suy luận và hành vi vật lý. Ví dụ, nhóm nghiên cứu của tôi tại Đại học Leicester đang tìm cách giúp robot suy luận trong những tình huống vật lý mơ hồ, thay vì chỉ phản ứng đơn thuần với dữ liệu cảm biến.

Tuy nhiên, việc Nvidia - nhà sản xuất chip AI hàng đầu thế giới - gần đây công bố nền tảng mã nguồn mở dựa trên VLA đã thu hút sự chú ý toàn cầu. Câu hỏi đặt ra là liệu đây có phải bước đột phá giúp xe tự hành vừa đủ an toàn vừa đủ rẻ để trở nên phổ biến.

Điểm đáng chú ý nhất của nền tảng này - mang tên Alpamayo - là quy mô và mức đầu tư. Công nghệ này kết hợp dữ liệu thực tế, mô phỏng và năng lực tính toán ở cấp độ công nghiệp, trực tiếp phục vụ bài toán lái xe vốn rất phức tạp và đòi hỏi độ an toàn cao.

CEO Nvidia Jensen Huang cho biết hãng xe Đức Mercedes sẽ áp dụng công nghệ Alpamayo vào dòng CLA mới. Tuy nhiên, điều đó không đồng nghĩa các mẫu xe này sẽ hoàn toàn tự lái ngay từ đầu. Dẫu vậy, đây vẫn được xem là bước tiến quan trọng hướng tới tương lai giao thông tự động.

Vì sao “tình huống đuôi dài” lại khó với AI?

Trong học máy, hệ thống thường được huấn luyện bằng lượng lớn dữ liệu điển hình. Với xe tự lái, đó là các tình huống đường thông thoáng, giao lộ tiêu chuẩn và luồng giao thông dễ đoán. Vì vậy, xe hoạt động tốt trong những điều kiện quen thuộc.

Khó khăn nằm ở những trường hợp hiếm gặp. Dù xảy ra ít, chúng lại chiếm tỷ lệ rủi ro cao. Một người đi bộ bước ra từ sau xe đỗ, một làn đường bị đóng tạm thời trái với vạch kẻ đường, hay xe cứu thương xuất hiện bất ngờ - tất cả đều đòi hỏi khả năng phán đoán, không chỉ phản xạ máy móc.

Con người xử lý những tình huống này bằng suy luận: giảm tốc, dự đoán rủi ro và ưu tiên an toàn. Trong khi đó, nhiều hệ thống tự hành hiện nay chủ yếu phản ứng theo các mẫu đã học. Khi các mẫu này không còn phù hợp, độ tin cậy của hệ thống cũng giảm theo.

Alpamayo hoạt động như thế nào?

Alpamayo không phải là một chiếc xe tự lái, cũng không phải chỉ là một mô hình AI đơn lẻ, mà là một hệ sinh thái mã nguồn mở hỗ trợ phát triển các hệ thống tự hành có khả năng suy luận.

Nó bao gồm ba thành phần chính: Một mô hình AI lớn liên kết giữa nhận thức, suy luận và hành động; Bộ dữ liệu lái xe thực tế từ nhiều quốc gia và môi trường khác nhau; Các công cụ mô phỏng để kiểm tra quyết định trong tình huống phức tạp.

Các mô hình trong Alpamayo có thể tạo ra “dấu vết suy luận trung gian” - tức là các bước giải thích cách hệ thống đưa ra quyết định. Điều này giúp hiểu vì sao xe chọn giảm tốc, chờ đợi hay đổi hướng khi gặp tình huống không chắc chắn.

Trong khi đó, phần mềm xe tự lái truyền thống thường hoạt động theo chuỗi: nhận diện vật thể, dự đoán chuyển động, rồi quyết định hành động. Cách tiếp cận này hiệu quả nhưng gặp khó khăn khi phải xử lý nhiều kịch bản có thể xảy ra cùng lúc.

Khả năng suy luận của Alpamayo giúp hệ thống xử lý tốt hơn các tình huống bất ngờ. Một AI được huấn luyện để nghĩ về “điều có thể xảy ra” thay vì “điều thường xảy ra” sẽ thích nghi tốt hơn với các trường hợp hiếm. Đồng thời, nó cũng minh bạch hơn, cho phép kỹ sư và cơ quan quản lý kiểm tra quyết định thay vì coi đó là “hộp đen”.

Dù vậy, Alpamayo chưa phải là giải pháp hoàn chỉnh. Các mô hình suy luận lớn đòi hỏi năng lực tính toán cao và khó chạy trực tiếp trên xe. Thay vào đó, chúng được dùng như công cụ nghiên cứu: huấn luyện và thử nghiệm ngoại tuyến, rồi chuyển hóa thành các phiên bản nhỏ hơn để tích hợp vào xe.

Nhìn theo cách này, Alpamayo đánh dấu sự thay đổi trong cách phát triển xe tự hành: thay vì lập trình ngày càng nhiều quy tắc cho các trường hợp hiếm, mục tiêu là huấn luyện hệ thống có thể tự suy luận khi gặp bất định.

Đây cũng là xu hướng chung của ngành. Tại Anh, công ty Wayve đang phát triển AI “hiện thân” (embodied AI), nơi một hệ thống học lái xe trực tiếp từ trải nghiệm, không phụ thuộc nhiều vào bản đồ chi tiết hay quy tắc lập trình sẵn.

Dù cách tiếp cận khác nhau, cả Alpamayo và Wayve đều hướng tới cùng mục tiêu: giúp xe tự hành xử lý tốt hơn những tình huống hiếm gặp - yếu tố then chốt để công nghệ này thực sự an toàn và phổ biến trên đường phố.