چرخه داده‌های هیوندای؛ استراتژی تسریع رانندگی خودکار تا سال ۲۰۲۹

تصور کنید خودرویی بخرید که هر روز با تجربات میلیون‌ها خودروی دیگر در سراسر جهان، باهوش‌تر شود. این وعدهٔ اصلی هیوندای است که حالا با معرفی سامانه «چرخه داده» (Data Flywheel)، قصد دارد برندهٔ مسابقهٔ رانندگی خودکار شود. این استراتژی در ۱۳ سپتامبر ۲۰۲۶، طی «روز رسانه‌ای رانندگی خودکار HMG» در مقر شرکت 42dot در استان گیونگی کره جنوبی رونمایی شد.

بر اساس اعلام هیوندای، برندهٔ این رقابت شرکتی نیست که بیشترین داده را دارد، بلکه شرکتی است که سریع‌ترین نرخ یادگیری از این داده‌ها را ثبت کند. تز اصلی این سامانه این است که هر مایل رانندگی باید مستقیماً به یک بهبود ملموس در مدل‌های هوش مصنوعی تبدیل شود. بسیاری از خودروسازان داده‌ها را به‌صورت خطی جمع‌آوری، برچسب‌گذاری و آموزش می‌دهند. اما هیوندای به سراغ یک مدل دایره‌ای رفته است؛ شبیه به یک ورزشکار که هر بار پس از مسابقه، اشتباهاتش را تحلیل کرده و بلافاصله در تمرین بعدی اصلاح می‌کند. در این مدل، خودروهای تولیدی به عنوان حسگرهایی عمل می‌کنند که یک خط لوله یادگیری مستمر را تغذیه می‌کنند.

این رویکرد برای حل مشکل «موردهای خاص» (Edge Cases) — همان سناریوهای نادر و خطرناکی که شبیه‌سازی آن‌ها تقریباً غیرممکن است اما برای ایمنی حیاتی هستند — طراحی شده است. مین‌وو پارک، رئیس و مدیر بخش پلتفرم پیشرفته خودرو (AVP) و مدیرعامل 42dot، تأکید کرد که رقابت امروز بر سر سه محور است: مقدار داده‌های تأمین شده، سرعت یادگیری سیستم و میزان اثربخشی انعکاس این نتایج در محصولات واقعی.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی زیرساخت‌های نرم‌افزاری خودروهای متصل اشاره کردیم، استانداردسازی سخت‌افزار پیش‌نیاز هرگونه مقیاس‌پذیری است. در همین راستا، برخی شرکت‌ها مانند رنه‌ساس با ادغام نرم‌افزارهای متن‌باز توانسته‌اند هزینه‌های توسعه خودروهای خودران را کاهش دهند. هیوندای برای این هدف، یک نقشه راه دوگانه را دنبال می‌کند تا هم افزونگی و هم سرعت را تضمین کند. این نقشه راه بر پایه یک شراکت استراتژیک با انویدیا است که در ۱۶ مارس ۲۰۲۶ اعلام شد و توسعه سطوح ۲ تا ۴ رانندگی خودکار را پوشش می‌دهد:

• مسیر اول (همکاری با انویدیا): این مسیر بر ادغام پلتفرم NVIDIA DRIVE Hyperion در معماری خودروهای نرم‌افزار-محور (SDV) هیوندای تمرکز دارد. هدف این است که خودروهای سطح ۲+ در نیمه اول ۲۰۲۸ و مدل‌های سطح ۲++ در نیمه دوم ۲۰۲۸ عرضه شوند. برای تضمین جمع‌آوری داده‌های سازگار، سیستم‌های حسگر در تمام بخش‌های هیوندای موتور، کیا، 42dot و Motional بر اساس استاندارد NVIDIA DRIVE Hyperion 10 یکپارچه خواهند شد.
• مسیر دوم (هوش مصنوعی اختصاصی): این مسیر بر توسعه Atria AI متمرکز است؛ یک سیستم خودران End-to-End که توسط بخش AVP و شرکت 42dot ساخته می‌شود. هدف این است که خودروهای تولیدی مجهز به Atria AI در نیمه دوم ۲۰۲۹ وارد بازار شوند و قابلیت‌های آن‌ها بر اساس داده‌های دنیای واقعی به‌صورت مرحله‌ای ارتقا یابد.

طبق مستندات منتشر شده، مکانیسم چرخه داده برای جلوگیری از اشباع مدل با داده‌های تکراری و خسته‌کننده (مثل رانندگی در بزرگراه‌های خلوت)، از چهار ابزار کلیدی استفاده می‌کند. هیوندای و کیا سالانه بیش از ۷ میلیون خودرو در ۱۹۰ کشور می‌فروشند که منبعی عظیم از داده‌هاست. در حال حاضر، ۴۰ خودروی جمع‌آوری داده به‌صورت ۲۴ ساعتی در حال ثبت دینامیک‌های پیچیده شهری هستند. ابزارهای مدیریت این حجم از داده عبارتند از:

• استخراج نمونه‌های سخت (Hard Example Mining): این فناوری به‌طور خودکار سناریوهای چالش‌برانگیز — مانند تغییر خط‌های ناگهانی، مانورهای اضطراری یا آب‌وهوای شدید — را شناسایی کرده و آن‌ها را برای آموزش هوش مصنوعی در اولویت قرار می‌دهد.
• خط لوله آموزش مستمر: داده‌های جدید دنیای واقعی و یافته‌های حاصل از ارزیابی خودروها در یک حلقه دائمی به آموزش و توسعه مدل بازگردانده می‌شوند.
• ثبت‌کننده رویدادهای خاص (Special Event Recorder): این سیستم رویدادهای مهم حین رانندگی خودکار را به‌طور خودکار ضبط و ذخیره می‌کند تا از آن‌ها برای بهبود عملکرد استفاده شود.
• چارچوب اتحادیه داده (Data Union Framework): با استفاده از معماری حسگرهای استاندارد، داده‌های تولید شده در هیوندای، کیا، 42dot و Motional تحت استانداردهای مشترک انباشته می‌شوند.

برای تضمین ایمنی، گروه هیوندای از تکنولوژی اعتبارسنجی مجازی استفاده می‌کند. آن‌ها با استفاده از تکنیک 3D Gaussian Splatting، داده‌های رانندگی واقعی را به محیط‌های سه‌بعدی بازسازی می‌کنند. این امر به آن‌ها اجازه می‌دهد سناریوهایی را که بازسازی آن‌ها در دنیای واقعی دشوار یا خطرناک است، بدون به مخاطره انداختن رانندگان واقعی، هزاران بار شبیه‌سازی کنند.

در لایه پیشرفته‌تر، شرکت 42dot در حال توسعه مدل‌های بینایی-زبانی-کنشی (VLA) است. این مدل‌ها — شبیه به انسانی که هم‌زمان می‌بیند، فکر می‌کند و عمل می‌کند — برخلاف سیستم‌های سنتی که فقط الگوها را شناسایی می‌کنند، تشخیص اطلاعات بصری، استدلال مبتنی بر زبان و تولید اکشن را در یک چارچوب واحد ترکیب می‌کنند. هی‌سوک لی، مدیر گروه Trion در 42dot، مدل VLA را هسته اصلی «هوش مصنوعی فیزیکی» (Physical AI) می‌نامد؛ جایی که سیستم به جای رانندگی صرف، موقعیت‌ها را درک کرده و درباره آن‌ها استدلال می‌کند. این رویکرد مشابه استراتژی شرکت Inceptio است که داده‌های ۱ میلیارد کیلومتری خود را به زیربنای هوش مصنوعی فیزیکی در حمل‌ونقل تبدیل کرد.

این قابلیت به خودرو اجازه می‌دهد در موقعیت‌های پیچیده — مثلاً تشخیص قصد یک عابر پیاده در یک منطقه شلوغ — «استدلال» کند و تصمیم خود را به زبان طبیعی توضیح دهد. 42dot انتظار دارد VLA با بهره‌گیری از دانش پیش‌آموزش‌دیده در مقیاس بزرگ، پاسخ به موقعیت‌های نادر را بهبود بخشد. مدل VLA در حال حاضر در مرحله اعتبارسنجی مبتنی بر شبیه‌سازی است و تست‌های روی خودروهای واقعی از اواخر ۲۰۲۶ تا اوایل ۲۰۲۷ برنامه‌ریزی شده است.

به گزارش منابع داخلی، هیوندای برای حفظ سرعت این چرخه از مدل «دنبال کردن خورشید» (Follow-the-Sun) استفاده می‌کند؛ به این معنا که تیم‌های کره جنوبی و آمریکا وظایف را به‌صورت شبانه‌روزی و با توجه به اختلاف ساعت به یکدیگر پاس می‌دهند تا تحلیل داده‌ها و به‌روزرسانی مدل‌ها هرگز متوقف نشود. این تلاش برای بهینه‌سازی جریان داده، یادآور پروژه کارخانه داده‌های LG برای تولید ۱۰۰ هزار ساعت آموزش رباتیک است که بر مقیاس‌پذیری یادگیری متمرکز بود.

در حال حاضر، هیوندای به‌سرعت از شبیه‌سازی به آسفالت منتقل شده است. تا پایان سال ۲۰۲۶، این گروه قصد دارد یک خودروی Pace Car مجهز به Atria AI را در شهر گوانگ‌جو (Jeonnam-Gwangju) با همکاری وزارت زمین، زیرساخت و حمل‌ونقل کره جنوبی مستقر کند. این پایلوت، هوش مصنوعی را در برابر متغیرهای غیرقابل پیش‌بینی شهری که در پیست‌های کنترل‌شده قابل تکرار نیستند، آزمایش می‌کند.

ویدئوهای اخیر از سئول نشان می‌دهد که Atria AI توانسته است بدون دخالت راننده، ترافیک شدید منطقه گانگنام و خیابان‌های بارانی پانگیو را مدیریت کند. این مستندات در سه دسته ارائه شدند:
۱. سفر مدیریتی: ویدئویی از سفر پارک و جئونگ در مرکز سئول، شامل بزرگراه‌ها و پل‌ها، همراه با بحث درباره مکانیسم‌های تصمیم‌گیری.
۲. سکانس‌های تک‌برداشت (One-Take): کلیپ‌های بدون تدوین از ترافیک صبحگاهی شلوغ گانگنام و ترافیک متراکم جامسیل با حضور اتوبوس‌های بزرگ.
۳. سناریوهای موردهای خاص: ۱۰ تست مشخص، از جمله گردش‌های چپ بدون علامت، شناسایی عابران در مناطق شلوغ و تشخیص خودروهای oncoming در کوچه‌های باریک محله‌ها.

این چرخش راهبردی، معنای «خودروی جدید» را تغییر می‌دهد. جونگ‌هیون کوون، نایب‌رئیس اجرایی و رئیس مرکز توسعه رانندگی خودکار، اشاره کرد که رقابت دیگر بر سر حجم داده نیست، بلکه بر سر سرعت اتصال داده به یادگیری و اعتبارسنجی است. با ایجاد «اتحادیه داده» بین Motional، کیا و 42dot، درسی که یک روبوتاکسی در یک شهر می‌آموزد، بلافاصله باعث بهبود یک سدان مصرف‌کننده در شهری دیگر می‌شود. سونگ‌گیون جئونگ، مدیر گروه Atria در 42dot، تأکید کرد که بلوغ Atria AI از طریق این چرخه یکپارچه جمع‌آوری، آموزش و اعتبارسنجی ارتقا می‌یابد.

برای مصرف‌کننده، این یعنی تفاوت یک خودروی قدیمی و جدید نه در سخت‌افزار، بلکه در بلوغ نرم‌افزاری آن است. خودرویی که امروز می‌خرید، فردا از طریق تجربه‌ی جمعی کل ناوگان، مهارت‌های جدید می‌آموزد. مین‌وو پارک تأکید کرد که سرعت توسعه و ایمنی ارزش‌های متضاد نیستند و تنها فناوری‌هایی که به‌طور کامل اعتبارسنجی شده باشند به خودروها می‌رسند.

نتایج پایلوت گوانگ‌جو در اواخر ۲۰۲۶ تعیین خواهد کرد که آیا Atria AI می‌تواند هرج‌ومرج ترافیک شهری واقعی را در مقیاس وسیع مدیریت کند یا خیر.

گام بعدی شما

• بررسی گزارش‌های نتایج پایلوت شهر گوانگ‌جو در اواخر ۲۰۲۶ برای سنجش توانایی Atria AI در ترافیک شهری واقعی.
• دنبال کردن به‌روزرسانی‌های پلتفرم NVIDIA DRIVE Hyperion در خودروهای سطح ۲+.
• مطالعه درباره مدل‌های VLA و اثر آن‌ها بر تعامل انسان و ماشین در خودروهای آینده.

اما چالش اصلی، پذیرش اجتماعی این سیستم‌هاست؛ در تحلیل بعدی به بررسی استانداردهای اخلاقی در تصمیم‌گیری‌های لحظه‌ای AI خواهیم پرداخت.