Технология получила название Reinforcement Learning. На первый взгляд кажется, что в ней нет ничего удивительного, однако стоит отметить, что на практике от запуска Reinforcement Learning до положительного результата проходит всего 20 минут.

Такого достижения инженеры Wayve достигли благодаря алгоритму глубокого обучения, который во многом похож на технологию ИИ Google DeepMind. Обучение и демонстрации DeepMind происходят на основе игр – шахматы, шашки Go и игры для консоли Atari. Британский стартап взялся за практическое развитие концепции DeepMind, убедившись, что может вывести ее за пределы развлечений и применить к реальным жизненным сценариям.

После кропотливой работы Wayve удалось разработать алгоритм, способный управлять автомобилем в некритичных сценариях. Единственное задание искусственного интеллекта состоит в том, чтобы удержать автомобиль на дороге. ИИ научился этому всего за 11 тренировочных эпизодов. Все время в кабине авто находился человек, который останавливал машину в нужное время или корректировал движение с помощью руля. Спустя еще 20 тренировок (в общей сложности на все ушло около 20 минут) ИИ был способен самостоятельно корректировать движение авто, причем делал это более плавно, чем в начале. Эксперимент проводился в разных погодных условиях на разных проселочных дорогах.

Результат великолепен, учитывая то, что даже самое продвинутое решение DeepMind требует миллионов испытаний до того, как ИИ начнет справляться с возложенной на него задачей.

Основанный в 2013 году стартап еще находится на стадии финансирования. Поскольку компания публично демонстрирует свои успешные технологии, в ближайшем будущем она, скорее всего, попадет под опеку 1-2 крупных инвесторов от автопрома. Представители стартапа говорят, что в настоящее время работают над адаптацией своих решений для более сложных условий вождения. В конечном счете Wayve хочет предоставить автопроизводителям легкие, адаптируемые разработки. Технологии Wayve на основе ИИ уникальны тем, что они не требуют дорогостоящего оборудования. Например, описанная в данной статье технология задействует один-единственный объектив.