كشفت دراسة حديثة قادها باحثون في كلية الهندسة بجامعة ميشيغان عن طريقة مبتكرة لتسريع تدريب خوارزميات السيارات ذاتية القيادة وزيادة فعاليتها بأكثر من تسعين بالمئة. ونُشرت النتائج في مجلة ناتشر كومونيكيشنز، مؤكدة أن دمج بيانات الاصطدامات الحادة مع بيانات حوادث الشبه الاصطدامية في بيئات المحاكاة الحاسوبية يعزز بشكل جذري أداء أنظمة السلامة في المركبات المستقلة. تواجه صناعة السيارات ذاتية القيادة، رغم الاستثمارات التاريخية التي تجاوزت مئة وستين مليار دولار، تحدياً كبيراً يتمثل في ضعف ثقة الجمهور بسبب المخاوف الأمنية. وتعتمد الخوارزميات المعتمدة على الذكاء الاصطناعي بشكل تقليدي على بيانات الاختبار الميداني والمحاكاة، مما يعرضها لما يصفه هنري لو، مدير مختبر سيتي ومعهد أبحاث النقل بجامعة ميشيغان، بـ"مشكلة الميزان"، حيث يؤدي حل مشكلة تقنية إلى ظهور تحديات جديدة غير متوقعة. ولتجنب إعادة تصميم بنية الشبكات العصبية باهظة التكلفة، كان المطورون يميلون إلى الاعتماد حصراً على بيانات الحوادث، مما يستبعد سيناريوهات حاسمة أخرى. أظهرت الأبحاث أن سيناريوهات الشبه الاصطدامية، التي تحدث بمعدل يفوق الحوادث الحقيقية بألف مرة في المحاكاة، تحمل قيمة تعليمية مساوية بل ومتفوقة في كثير من الأحيان. عند دمج كلا النوعين من البيانات الحرجة زمنياً، تحسنت قدرة النظام على التنبؤ بالمخاطر واتخاذ قرارات ملاحة آمنة بشكل ملحوظ. وقد طبق الفريق منهجيته الجديدة في مختبر سيتي التجريبي، مسجلاً قفزة في أداء السلامة بلغت تسعين بالمئة، متجاوزاً بذلك قيود "لعنة الندرة" التي كانت تفرض جمع مئات الملايين من الكيلومترات من الاختبار على الطرق العامة. يعزز هذا النهج من كفاءة عمليات التحقق من الأمان، مما يقلل المسافة المطلوبة للاختبار بنسبة تسعين وتسعة أعشار بالمئة، ويسرع بشكل ملموس مسار اعتماد تقنيات التشغيل على مستوى أربعة وخمسة. ومع استمرار الجهود لخفض الوفيات المرورية التي تتجاوز أربعين ألفاً سنوياً في الولايات المتحدة، تفتح هذه الخطوة آفاقاً واسعة لتعزيز مصداقية المركبات ذاتية القيادة وتسريع تحول القطاع نحو التنقل الذكي الشامل.