Raquel Urtasun, Gründerin und CEO des Startups Waabi für autonomes Trucking, hat in den letzten zwei Jahrzehnten KI-Systeme entwickelt, die wie ein Mensch denken können.
Der KI-Pionier war zuvor als Chefwissenschaftler bei Uber ATG tätig, bevor er 2021 Waabi auf den Markt brachte. Waabi wurde mit einem „KI-First-Ansatz“ auf den Markt gebracht, um die kommerzielle Einführung autonomer Fahrzeuge zu beschleunigen, beginnend mit Langstrecken-Lkw.
„Wenn Sie Systeme bauen können, die das tatsächlich können, brauchen Sie plötzlich viel weniger Daten“, sagte Urtasun gegenüber Tech. „Sie brauchen viel weniger Berechnungen. Wenn Sie in der Lage sind, die Schlussfolgerungen effizient zu ziehen, müssen Sie nicht überall auf der Welt Fahrzeugflotten einsetzen.“
Tesla versucht mit seinem Vision-First-Ansatz für autonomes Fahren, einen AV-Stack mit KI aufzubauen, der die Welt wie ein Mensch wahrnimmt und in Echtzeit reagiert. Der Unterschied besteht – abgesehen von Waabis Erfahrung mit Lidar-Sensoren – darin, dass Teslas vollautonomes Fahrsystem „Imitationslernen“ nutzt, um das Fahren zu erlernen. Dafür muss Tesla Millionen von Videos realer Fahrsituationen sammeln und analysieren, um sein KI-Modell zu trainieren.
Der Waabi-Treiber hingegen hat den Großteil seines Trainings, seiner Tests und seiner Validierung mithilfe eines Closed-Loop-Simulators namens Waabi World durchgeführt, der automatisch digitale Zwillinge der Welt aus Daten erstellt, Echtzeit-Sensorsimulationen durchführt, Szenarien für Stresstests des Waabi-Treibers erstellt und dem Treiber beibringt, ohne menschliches Eingreifen aus seinen Fehlern zu lernen.
In nur vier Jahren hat dieser Simulator Waabi dabei geholfen, kommerzielle Pilotprojekte (mit einem menschlichen Fahrer auf dem Vordersitz) in Texas zu starten, viele davon im Rahmen einer Partnerschaft mit Uber Freight. Waabi World ermöglicht dem Startup außerdem, seinen geplanten kommerziellen Start mit vollständig fahrerlosen Fahrzeugen im Jahr 2025 zu erreichen.
Doch die langfristige Mission von Waabi umfasst weit mehr als nur Lastwagen.
„Diese Technologie ist extrem, extrem leistungsstark“, sagte Urtasun, die per Videointerview mit Tech sprach, hinter ihr eine weiße Tafel voller hieroglyphenartiger Formeln. „Sie hat diese erstaunliche Fähigkeit zur Verallgemeinerung, sie ist sehr flexibel und lässt sich sehr schnell entwickeln. Und sie ist etwas, das wir in Zukunft auf viel mehr als nur den Transport von Lastwagen ausweiten können … Das könnten Robotertaxis sein. Das könnten Humanoide oder Lagerroboter sein. Diese Technologie kann jeden dieser Anwendungsfälle lösen.“
Das Potenzial der Waabi-Technologie – die zunächst für den Einsatz autonomer Lkws im großen Maßstab eingesetzt werden soll – hat es dem Startup ermöglicht, eine Finanzierungsrunde der Serie B in Höhe von 200 Millionen US-Dollar abzuschließen, die von den bestehenden Investoren Uber und Khosla Ventures angeführt wird. Zu den starken strategischen Investoren zählen Nvidia, Volvo Group Venture Capital, Porsche Automobil Holding SE, Scania Invest und Ingka Investments. Mit dieser Runde beläuft sich die Gesamtfinanzierung von Waabi auf 283,5 Millionen US-Dollar.
Die Größe der Runde und die Stärke ihrer Teilnehmer sind besonders bemerkenswert, wenn man bedenkt, welche Rückschläge die AV-Branche in den letzten Jahren hinnehmen musste. Allein im Trucking-Bereich musste Embark Trucks schließen, Waymo beschloss, sein autonomes Frachtgeschäft zu pausieren, und TuSimple schloss seinen US-Betrieb. Im Robotaxi-Bereich stand Argo AI unter seiner eigenen Schließung, Cruise verlor nach einem schweren Sicherheitsvorfall seine Betriebsgenehmigungen in Kalifornien, Motional baute fast die Hälfte seiner Belegschaft ab und die Aufsichtsbehörden ermitteln aktiv gegen Waymo und Zoox.
„Die stärksten Unternehmen baut man auf, wenn man in wirklich schwierigen Momenten Geld sammelt, und gerade die AV-Branche hat viele Rückschläge erlebt“, sagte Urtasun.
Allerdings haben sich KI-fokussierte Akteure dieser zweiten Welle von Startups für autonome Fahrzeuge in diesem Jahr beeindruckende Kapitalerhöhungen gesichert. Das in Großbritannien ansässige Unternehmen Wayve entwickelt ebenfalls ein selbstlernendes statt regelbasiertes System für autonomes Fahren und schloss im Mai eine von der SoftBank Group angeführte Serie C im Wert von 1,05 Milliarden US-Dollar ab. Und Applied Intuition sammelte im März 250 Millionen US-Dollar bei einer Bewertung von 6 Milliarden US-Dollar ein, um KI in die Automobil-, Verteidigungs-, Bau- und Landwirtschaftsbranche zu bringen.
„Im Zusammenhang mit AV 1.0 ist es heute sehr klar, dass es sehr kapitalintensiv ist und nur sehr langsam vorankommt“, sagte Urtasun und merkte an, dass die Robotik- und autonome Fahrindustrie durch komplexe und brüchige KI-Systeme ausgebremst wurde. „Und die Investoren sind, würde ich sagen, von diesem Ansatz nicht sehr begeistert.“
Was die Investoren heute jedoch begeistert, ist das Versprechen der generativen KI, ein Begriff, der bei der Einführung von Waabi nicht gerade in Mode war, aber dennoch das System beschreibt, das Urtasun und ihr Team entwickelt haben. Laut Urtasun handelt es sich bei Waabi um eine Gen-KI der nächsten Generation, die in der physischen Welt eingesetzt werden kann. Und anders als die heute beliebten sprachbasierten Gen-KI-Modelle wie ChatGPT von OpenAI hat Waabi herausgefunden, wie man solche Systeme erstellen kann, ohne auf riesige Datensätze, große Sprachmodelle und die gesamte damit verbundene Rechenleistung angewiesen zu sein.
Der Waabi-Treiber, sagt Urtasun, hat die bemerkenswerte Fähigkeit zu verallgemeinern. Anstatt also zu versuchen, ein System anhand jedes einzelnen möglichen Datenpunkts zu trainieren, der jemals existiert hat oder jemals existieren könnte, kann das System aus einigen Beispielen lernen und mit dem Unbekannten auf sichere Weise umgehen.
„Das war Teil des Entwurfs. Wir haben diese Systeme gebaut, die die Welt wahrnehmen, Abstraktionen der Welt erstellen und dann diese Abstraktionen verwenden und darüber nachdenken können: ‚Was könnte passieren, wenn ich das tue?‘“, sagte Urtasun.
Dieser menschlichere, auf Argumentation basierende Ansatz ist weitaus skalierbarer und kapitaleffizienter, sagt Urtasun. Er ist auch für die Validierung sicherheitskritischer Systeme, die am Rand laufen, von entscheidender Bedeutung. Man möchte kein System, das ein paar Sekunden braucht, um zu reagieren, sonst kommt es zu einem Fahrzeugunfall, sagte sie. Waabi kündigte eine Partnerschaft Nvidias Drive Thor in seine selbstfahrenden LKWs zu integrieren, was dem Startup Zugang zu Rechenleistung in großem Maßstab auf Automobilniveau verschafft.
Auf der Straße sieht es so aus, als würde der Waabi-Fahrer verstehen, dass sich etwas Festes vor ihm befindet und er vorsichtig fahren sollte. Er weiß vielleicht nicht, was das Etwas ist, aber er weiß, dass er es vermeiden muss. Urtasun sagte auch, dass der Fahrer in der Lage sei, das Verhalten anderer Verkehrsteilnehmer vorherzusagen, ohne in bestimmten Situationen geschult werden zu müssen.
„Es versteht Dinge, ohne dass wir dem System etwas über das Konzept von Objekten sagen müssen, wie sie sich in der Welt bewegen, dass sich verschiedene Dinge unterschiedlich bewegen, dass es Verdeckungen gibt, dass es Unsicherheit gibt, wie man sich verhält, wenn es stark regnet“, sagte Urtasun. „All diese Dinge lernt es automatisch. Und weil es gerade Fahrszenarien ausgesetzt ist, lernt es all diese Fähigkeiten.“
Sie merkte an, dass die optimierte, einheitliche Architektur von Waabi auf andere Anwendungsfälle der Autonomie angewendet werden kann.
„Wenn Sie es Interaktionen in einem Lagerhaus aussetzen, Dinge aufheben und fallen lassen, kann es das problemlos lernen“, sagte sie. „Sie können es mehreren Anwendungsfällen aussetzen und es kann lernen, alle diese Fähigkeiten gleichzeitig auszuführen. Es gibt keine Grenzen in Bezug auf das, was es tun kann.“