Le auto a guida autonoma di Waymo hanno accumulato quasi 200 milioni di miglia sulle strade vere. Un numero enorme, che però nasconde un paradosso tecnico: per insegnare a un'intelligenza artificiale a non sbagliare mai, il mondo fisico non basta. L'ostacolo principale per lo sviluppo dei robotaxi è infatti la gestione dei cosiddetti "casi limite", quegli eventi imprevedibili che un veicolo fatica a gestire basandosi solo sullo storico. Basti pensare al recente blackout dei semafori a San Francisco che ha paralizzato decine di vetture agli incroci, al groviglio di Jaguar incastrate in un vicolo cieco a North Beach o quello che è stato definito un "errore di interpretazione" davanti agli scuolabus in Texas, che ha causato il richiamo software di migliaia di mezzi. Per risolvere questi incidenti di percorso, l'azienda ha spostato l'addestramento su un piano puramente digitale, macinando miliardi di chilometri in ambienti generati sinteticamente.
La simulazione come ambiente primario
A bordo di una delle 800 Jaguar elettriche che compongono la flotta californiana, e che abbiamo provato a San Francisco, ci si sente comodi e sicuri. Il veicolo frena, aspetta e svolta con una fluidità che maschera l'infrastruttura software. Quell'affidabilità dipende dai dati elaborati dal Waymo World Model, un sistema basato su Gemini Genie 3 di Google. Non si tratta di un ambiente virtuale preimpostato, ma di un modello generativo capace di creare scenari di guida a partire da semplici input testuali.
La vera complessità tecnica del sistema risiede nel suo output. Il modello non si limita a produrre immagini video iperrealistiche, ma genera in tempo reale anche le nuvole di punti 3D del LIDAR, il sensore laser che permette all'auto di mappare lo spazio e misurare le distanze. Ricreare simultaneamente entrambi i flussi dati è cruciale: il sistema di percezione della vettura riceve lo stesso pacchetto di informazioni che avrebbe su strada. In questo modo il software impara a interpretare scenari complessi prima di incontrarli dal vivo, come una nevicata sul Golden Gate Bridge, un ostacolo in mezzo alla carreggiata o l'arrivo di un tornado.
Modificare il passato per anticipare il futuro
Questa architettura software permette, tra le altre cose, di prendere i log dei viaggi fisici e manipolarli. Un normale tragitto pomeridiano registrato dai sensori potrebbe potenzialmente essere trasformato dal modello in una guida notturna sotto la pioggia, alterando il traffico e modificando la disposizione delle corsie.
La moltiplicazione sintetica dei dati è un passaggio obbligato ora che il servizio si espande in mercati climaticamente più complessi, come Boston e Washington DC. Addestrare le reti neurali su configurazioni urbane e condizioni meteorologiche che la flotta non ha ancora affrontato fisicamente abbassa il rischio e accelera i tempi di rilascio. Salendo su questi robotaxi oggi, risulta chiaro come la sicurezza della guida autonoma non dipenda più solo dall'hardware montato sul veicolo, ma dalla capacità dei server di simulare l'imprevedibilità del mondo reale, rendendola calcolabile. E speriamo che la strada sia a tutti gli effetti questa.
