| General Motors đang tìm cách đưa ChatGPT lên ô tô Yonhap: Samsung và Tesla bàn chuyện hợp tác phát triển chip xe tự lái Khi General Motors và Nvidia bắt tay đưa xe tự lái lên tầm cao mới |
 |
| Xe tự lái sắp có mạng xã hội riêng. Cached-DFL tạo ra một dạng "mạng xã hội giả lập", nơi ô tô có thể xem "hồ sơ"của các xe khác mà không tiết lộ thông tin cá nhân của người lái. Ảnh: eescorporation.com |
Công nghệ này cho phép các phương tiện tự lái truyền tải thông tin quan trọng khi đang di chuyển, như cách xử lý tình huống giao thông, điều kiện đường sá hay biển báo, mà không cần kết nối trực tiếp với trung tâm điều hành hay hệ thống tập trung. Mỗi chiếc xe sẽ hoạt động như một nút độc lập trong mạng lưới thông minh, đồng thời là một “thành viên” trong cộng đồng xe biết học hỏi.
Xe học từ xe như người học từ người
Theo nhóm nghiên cứu tại Đại học New York và Đại học Florida, Cached DFL hoạt động như một hệ thống học liên kết không tập trung, nơi dữ liệu không cần phải tải về máy chủ. Thay vào đó, các mô hình trí tuệ nhân tạo đã huấn luyện được lưu trữ ngay trong từng xe. Khi hai phương tiện đi qua gần nhau, chúng sẽ tự động cập nhật cho nhau những kinh nghiệm mới mà không cần biết danh tính của đối phương.
Tiến sĩ Yong Liu, người dẫn đầu dự án, cho biết: “Một chiếc xe từng lái ở khu vực Manhattan có thể giúp xe khác hiểu rõ đường sá ở đó, kể cả khi chiếc xe kia chưa từng đến. Đó có thể là cách xử lý ổ gà hình bầu dục, nhận diện biển báo lạ hay tình trạng kẹt xe thường gặp.”
Việc chia sẻ này được ví như một dạng mạng xã hội mô phỏng, nơi mỗi chiếc xe có một “hồ sơ kinh nghiệm lái” luôn được cập nhật. Tuy nhiên, không có thông tin cá nhân nào của chủ xe bị tiết lộ, đảm bảo quyền riêng tư tuyệt đối.
Nâng cấp trí tuệ, giảm chi phí
Một lợi ích quan trọng khác của Cached DFL là khả năng mở rộng không giới hạn. Khi mạng lưới phương tiện gia tăng, mỗi xe chỉ cần chia sẻ thông tin với những chiếc xe nó gặp trực tiếp, thay vì gửi toàn bộ dữ liệu lên trung tâm. Điều này giúp giảm đáng kể chi phí truyền tải và áp lực xử lý dữ liệu, đồng thời tăng tốc độ phản hồi trong các tình huống giao thông thực tế.
Tiến sĩ Jie Xu từ Đại học Florida nhấn mạnh: “Càng nhiều xe tham gia hệ thống, hiệu quả xử lý và an toàn càng được nâng cao mà không làm tăng gánh nặng công nghệ.”
Các thử nghiệm mô phỏng tại Manhattan cho thấy việc giao tiếp trong phạm vi 100 mét giữa các xe giúp tăng độ chính xác trong xử lý tình huống lên đáng kể. Thậm chí, các xe không cần phải nhận diện hay xác minh nhau, chỉ cần gần nhau là đủ để học hỏi.
Nhóm nghiên cứu đang có kế hoạch thử nghiệm thực tế công nghệ Cached DFL trong các phương tiện tự hành và mở rộng sang các hệ thống giao thông khác như đèn tín hiệu, biển báo thông minh và cơ sở hạ tầng công cộng.
Xa hơn, công nghệ này có thể được ứng dụng cho drone, vệ tinh và robot làm việc trong môi trường phức tạp. Mục tiêu là xây dựng một mạng lưới trí tuệ hợp tác với tốc độ cao, nơi mỗi thiết bị có thể học từ thiết bị khác mà không đánh đổi quyền riêng tư hoặc hiệu suất.
Ông Javed Khan, chuyên gia từ công ty công nghệ Aptiv, khẳng định: “Học liên kết không tập trung chính là nền tảng cho sự hợp tác thời gian thực, điều kiện tiên quyết để đảm bảo an toàn và hiệu quả trong các ứng dụng tự hành.”
Nếu thành công, đây sẽ là cú hích lớn cho ngành công nghệ xe tự lái, mở ra một kỷ nguyên mới, nơi phương tiện không chỉ tự lái mà còn tự học và dạy nhau như những sinh vật có trí tuệ chung.
