L'intelligence artificielle appliquée à la conduite autonome représente l'un des défis les plus complexes dans le domaine de l'IA physique. Un système automatisé doit être capable d'interpréter un environnement chaotique et en constante évolution, et ce, en temps réel. Naviguer dans l'incertitude, anticiper le comportement humain et garantir une sécurité optimale dans une multitude de situations et de cas particuliers, voilà les enjeux majeurs.

General Motors aborde ce défi avec une approche pragmatique : si la plupart des situations routières sont prévisibles, ce sont les événements rares, ambigus et inattendus, ce que l'on appelle la « longue traîne », qui déterminent en fin de compte si un système autonome est sûr, fiable et prêt à être déployé à grande échelle. L'entreprise s'efforce de maîtriser cette complexité en accélérant considérablement le processus d'entraînement de ses IA.

L'entraînement d'une IA de conduite autonome nécessite traditionnellement des quantités massives de données et un temps de calcul considérable. La nouveauté réside dans la capacité de GM à simuler des environnements routiers et des scénarios complexes à une vitesse 50 000 fois supérieure au temps réel. Cette accélération permet aux algorithmes d'apprendre et de s'adapter beaucoup plus rapidement aux situations critiques, réduisant ainsi considérablement le temps nécessaire pour atteindre un niveau de sécurité et de fiabilité acceptable.

Cette avancée est cruciale pour le développement de systèmes de conduite autonome capables de gérer les fameux « edge cases », ces situations imprévisibles qui mettent à l'épreuve les capacités de l'IA. En exposant les algorithmes à une multitude de scénarios simulés à une vitesse accélérée, GM leur permet d'acquérir une expérience équivalente à des millions de kilomètres parcourus sur route, mais en un laps de temps beaucoup plus court.

Il est important de noter que, bien que l'objectif ultime soit une autonomie complète, les efforts actuels de GM se concentrent également sur la résolution de 99 % des situations de conduite quotidienne grâce à une approche d'IA composite. Cette stratégie permet de déployer des systèmes d'assistance à la conduite de plus en plus performants, tout en progressant vers une autonomie totale.

L'annonce de General Motors témoigne des progrès considérables réalisés dans le domaine de l'IA de conduite autonome. L'entraînement accéléré des algorithmes est une étape essentielle pour garantir la sécurité et la fiabilité de ces systèmes, et pour permettre leur déploiement à grande échelle dans un avenir proche. Le blog d'ingénierie de General Motors offre un aperçu plus détaillé de ces recherches et technologies émergentes.