Otaczający nas świat jest jednym wielkim chaosem. Jest mokry, źle oznaczony i często kompletnie nie pasuje do tego, na czym system wprowadzony do danej maszyny szkolił się podczas rozwoju oprogramowania. Dlatego zresztą najciekawsze w autonomii są dla mnie te momenty, w których system potyka się na czymś pozornie banalnym. Wiecie – jazda z prędkością maksymalną po autostradzie może i robi wrażenie, ale nie jest choć trochę tak wymagająca, jak poruszanie się po zatłoczonych uliczkach. W takich skomplikowanych scenariusza wychodzi na jaw różnica między po prostu rejestrowaniem całego otoczenia a rozumieniem, na co naprawdę trzeba zwrócić uwagę. Właśnie w tym miejscu do świata robotaxi, dronów i robotów wchodzi pszczoła.
Waymo wjechało w wodę, a Tesla w przyczepę. Autonomia nadal ma ślepe punkty
W kwietniu 2026 roku autonomiczne robotaxi Waymo w San Antonio w Teksasie wjechało na zalany fragment drogi podczas gwałtownej zmiany pogody. Nikt nie został ranny, bo pojazd był pusty, ale sprawa i tak zakończyła się dobrowolną akcją serwisową obejmującą 3791 systemów autonomicznej jazdy piątej i szóstej generacji. Według NHTSA oprogramowanie mogło pozwolić pojazdowi zwolnić, a następnie mimo wszystko wjechać w stojącą wodę na drodze o wyższej dopuszczalnej prędkości, co mogło prowadzić do utraty kontroli nad autem.
Czytaj też: Ja programuje gry, a oni samą materię. Spytacie pewnie, kto jest szczęśliwy?
Pokazuje to, że kompleksowy system może widzieć, liczyć i klasyfikować, a mimo to są sytuacje, w których po prostu zabraknie mu właściwej hierarchii ryzyka. Człowiek też popełnia błędy, czasem absurdalne, ale przez lata zbiera doświadczenia, których nie trzeba wprost opisywać. My, kierowcy, wiemy przykładowo, że woda na drodze nie jest tylko “inną powierzchnią”, na której trzeba zwolnić. Może oznaczać dziurę, zerwaną nawierzchnię, zbyt głęboki przejazd albo pułapkę, której nie da się ocenić ze stuprocentową pewnością.
Podobny problem widać przy wypadkach Robotaxi Tesli, gdzie najciekawsze nie są same kolizje, lecz zderzenie obietnicy autonomii z miejską codziennością. Krawężniki, przyczepy, tymczasowe bariery, łańcuchy i dziwne zachowania ludzi są chaosem, z którym maszyna musi sobie radzić na bieżąco.
Pszczoła ma mózg mniejszy niż ziarnko sezamu. Właśnie dlatego jest ważna
Tutaj właśnie wchodzi królowa owadów – pszczoła, od której w dużej mierze zależy stan przyrody. Dziś jednak nie chodzi o to, jak pszczoły zapylają kwiaty. Chodzi o to, jak od całych milionów lat robią coś, z czym maszyny nadal mają kłopot – działają sprawnie w nieidealnym świecie, przy skrajnie niskim budżecie energetycznym i obliczeniowym. Nie jest to wcale przesadą, bo pszczoła ma około miliona neuronów, czyli bardzo mało w porównaniu z ludzkim mózgiem i wręcz śmiesznie mało w porównaniu z ambicjami współczesnej automatyki. Jednak i tak potrafi lecieć kilka kilometrów od ula, rozpoznawać wartościowe kwiaty, unikać zagrożeń, wracać do punktu startu, uczyć się kolorów, zapachów i wzorów po niewielkiej liczbie doświadczeń oraz przekazywać informacje innym pszczołom.
Najważniejsze jest to, że pszczoła nie analizuje wszystkiego. Wybiera to, co użyteczne. Nie potrzebuje dzięki temu jakiejś fotograficznej pamięci każdego kwiatu. Potrzebuje jedynie kilku wskazówek, które pozwolą jej podjąć wystarczająco dobrą decyzję we właściwym momencie. Innymi słowy, nie ma inteligencji opartej na ogromie, lecz inteligencję opartą na selekcji.
Czytaj też: Chiny chcą prądu z kosmosu. Energetyka przyszłości, czy wstęp do filmu katastroficznego?
Jedna z najważniejszych lekcji od pszczół dotyczy aktywnego postrzegania. Pszczoła nie zachowuje się bowiem jak nieruchoma kamera monitoringu, która tylko zbiera obraz i czeka na jego analizę. Kiedy zbliża się do kwiatu, porusza głową i ciałem, zmienia kąt podejścia oraz sposób lotu, przez co obraz otoczenia zaczyna przesuwać się w jej polu widzenia w charakterystyczny sposób. Taki przepływ optyczny pomaga jej wyłowić z tła użyteczne informacje, bo kształt, odległość, kontrast czy położenie celu, a to wszystko bez konieczności analizowania sceny z fotograficzną dokładnością.
Tego typu podejście może być bardzo ważne dla robotyki. Wiele systemów wizyjnych nadal działa bowiem w ramach prostej logiki w stylu “najpierw zbierz obraz, potem go przeanalizuj”. Tymczasem mały robot może nie mieć ani energii, ani pamięci, ani czasu na analizowanie każdego piksela. Może za to przesunąć się, zmienić kąt widzenia, skręcić, obniżyć lot albo wykonać krótki manewr, który sprawi, że przeszkoda odetnie się od tła, a tym samym odległość stanie się łatwiejsza do oszacowania, bo istotny element rzeczywistości przestanie ginąć w szumie.
W samochodzie autonomicznym odpowiednik takiego zachowania jest trudniejszy, bo auto nie może dowolnie manewrować po jezdni tylko po to, żeby poprawić percepcję. Sama lekcja pozostaje jednak cenna. Maszyna nie musi widzieć wszystkiego tak samo intensywnie. Musi wiedzieć, kiedy informacja jest wystarczająca, kiedy należy zwolnić, kiedy trzeba zebrać więcej danych, a kiedy sytuacja powinna zostać uznana za zbyt niepewną.
Bee-Nav pokazuje, że mała pamięć też może wystarczyć
Najbardziej imponującym przykładem tego podejścia jest opracowany przez naukowców Bee-Nav, czyli inspirowany pszczołami system nawigacji dla małych robotów latających. Badacze w praktyczny sposób pokazali strategię, w której robot wykonuje krótki lot uczący w pobliżu “domu”, zbiera panoramiczne obrazy otoczenia, a mała sieć neuronowa uczy się szacować kierunek i odległość powrotu.
W jednym z testów terenowych dron przeleciał ponad 600 metrów i wrócił do punktu startu, korzystając z pamięci neuronowej o rozmiarze ledwie 42 kB. Nie było tu potrzeby GPS, ogromnej mapy ani ciężkiego komputera pokładowego, żeby wykonać sensowny powrót. Oczywiście jednak w warunkach zewnętrznych skuteczność spadała, a system nie jest idealny i już teraz wymaga dodatkowego rozwoju przy przeszkodach, dynamicznym otoczeniu i większej liczbie zapamiętanych miejsc.
Czytaj też: Superkomputer bez klasycznego kultu GPU. Wepchnęli się tam, gdzie gigantów zaboli
Pszczoły przypominają więc, że inteligencja może być także sztuką oszczędzania. Zamiast analizować każdy szczegół sceny, można nauczyć maszynę, jak ta ma zdobyć wyłącznie właściwy szczegół, który jest kluczowy do działania. Nie trzeba więc budować kompletnego modelu otoczenia. Można za to w wybranych zastosowaniach używać kompaktowej pamięci ważnych widoków. Zamiast więc traktować ruch jako efekt decyzji, można potraktować go jako część postrzegania.
Źródła: The Conversation, Nature, EurekaAlert!
