El sector de vehículos autónomos (AV) del Reino Unido está entrando en una rápida aceleración. Mientras Londres se prepara para el lanzamiento de servicios de taxi sin conductor a finales de este año y el apoyo regulatorio reforzado por la Ley de Vehículos Automatizados, la transición de la prueba al despliegue se está convirtiendo en una realidad.
Profesor de Ciencias de la Computación en la Universidad de Oxford y cofundador de Oxford Semantic Technologies Ltd.
Ese impulso ya es visible en las calles de la capital. Waymo está probando actualmente su servicio de transporte autónomo en Londres, navegando por entornos urbanos complejos antes de su lanzamiento comercial previsto. Pero a medida que se acelera el despliegue físico, está surgiendo una barrera más fundamental.
El desafío central ya no es si los vehículos autónomos pueden circular por la carretera, sino si la industria puede demostrar consistentemente si están tomando decisiones seguras y consensuadas en situaciones del mundo real.
Sin esa capacidad, el progreso hacia niveles más altos de autonomía se estancará, sin importar cuán avanzados sean los sistemas de conducción subyacentes.
Las barreras ocultas de la industria
Los acontecimientos recientes en Londres ilustran el desafío. Los informes de un AV entrando en una escena del crimen acordonada en Harlesden, o los informes de Shoreditch convirtiéndose repetidamente en una carretera sin salida, resaltan cuán impredecibles son los entornos urbanos dinámicos para los sistemas automatizados. Los sistemas AV modernos ya funcionan bien en percepción.
Utilizando una combinación de cámaras, LiDAR, radar y modelos de IA, los vehículos pueden detectar carriles, peatones y peligros con una precisión cada vez mayor, y las empresas audiovisuales ya han registrado millones de millas autónomas en todo el mundo.
Sin embargo, el verdadero desafío radica en la transición al Nivel 4 de autonomía, donde la responsabilidad legal pasa del conductor humano al fabricante. Para asegurar la aprobación regulatoria y la confianza del público, las empresas deben explicar por qué un sistema se comportó como lo hizo en condiciones ambiguas, como un trazado temporal de la carretera, señales contradictorias o un comportamiento inusual de los peatones.
Aquí es donde los enfoques actuales de aprendizaje automático se quedan cortos. Si bien son útiles para el reconocimiento de patrones, normalmente actúan como “cajas negras”, lo que proporciona una visión limitada de cómo se toman las decisiones individuales. En un sector crítico para la seguridad como el del automóvil, esta falta de transparencia crea una importante limitación comercial y regulatoria.
Los fabricantes y reguladores necesitan evidencia convincente de que los sistemas funcionan de acuerdo con las normas viales locales antes de poder implementarlos a escala.
La inteligencia autónoma es la capa que falta
Para cerrar esta brecha, la industria recurre cada vez más a la IA basada en el conocimiento, una alternativa a los grandes modelos de lenguaje que utilizan conocimiento experto cuidadosamente elaborado y lógica estructurada para responder con precisión preguntas complejas y de alto riesgo.
A diferencia de los modelos basados puramente en datos que infieren estadísticamente el comportamiento a partir de datos de entrenamiento anteriores, los sistemas basados en conocimiento combinan entradas de sensores con reglas, leyes de tránsito y experiencia en el dominio claramente definidas. En lugar de depender únicamente de las probabilidades, permiten que los vehículos razonen mediante decisiones utilizando la lógica estructural.
Esta distinción es importante en la conducción autónoma, donde los casos extremos son más difíciles de predecir y el escrutinio regulatorio es mayor. Si bien el aprendizaje automático es esencial para la percepción y el reconocimiento de patrones, la IA basada en el conocimiento proporciona una cadena clara de razonamiento detrás del comportamiento del vehículo.
Las decisiones pueden rastrearse directamente hasta las reglas y la lógica que las produjeron, lo que hace que los sistemas sean más fáciles de interrogar, validar y auditar.
En la práctica, esto genera varios beneficios. Los ingenieros obtienen una mayor visibilidad de cómo se comportan los sistemas en situaciones complejas, lo que les ayuda a identificar puntos de falla y mejorar el rendimiento.
Esto facilita la adaptación de los sistemas a diferentes mercados, ya que las normas de conducción locales y los requisitos de cumplimiento se pueden actualizar a través de la capa lógica en lugar de volver a capacitar o rediseñar todo el sistema de IA. Esto permite a los fabricantes escalar plataformas AV en jurisdicciones de manera más eficiente.
Autonomía monitorizable desde la conducción autónoma
En lugar de reemplazar el aprendizaje automático, la IA basada en el conocimiento actúa como una capa de razonamiento de supervisión, aplicando reglas estructuradas y lógica de seguridad para monitorear y verificar el comportamiento del vehículo en tiempo real. El resultado no es sólo un coche que puede funcionar de forma autónoma, sino uno que puede justificar sus acciones.
Y las implicaciones se extienden más allá de la conducción autónoma. A medida que los sistemas de IA se implementan en ámbitos donde las decisiones tienen consecuencias legales, financieras o de seguridad, la cuestión de cómo se toman esas decisiones se vuelve tan importante como el resultado.
Esto ya se está convirtiendo en una cuestión definitoria en sectores como los servicios financieros y la atención sanitaria, donde los reguladores esperan cada vez más que las empresas expliquen cómo se toman las decisiones basadas en la IA.
Finalmente, la IA basada en el conocimiento permite a los sistemas de IA incorporar reglas y lógica definidas en su toma de decisiones en lugar de depender únicamente de predicciones estadísticas. En los vehículos autónomos, esto puede tomar la forma de tácticas de legalización de las leyes de tránsito antes de que se implementen, pero el mismo principio se aplica cuando las decisiones deben ser explicables, defendibles y auditables.
A medida que la IA se integra más profundamente en infraestructuras y servicios públicos complejos, la capacidad de justificar cómo se toman las decisiones pasará de ser una característica deseada a un requisito básico en todas las industrias.
Evidencia sobre el desempeño
La industria audiovisual a menudo se presenta como una carrera para construir automóviles que puedan conducirse solos. Sin embargo, el verdadero desafío es cada vez más el de crear sistemas en los que los reguladores, los fabricantes y el público puedan confiar para explicar y justificar sus decisiones.
La IA basada en el conocimiento ofrece una ruta concreta para resolver ese problema. Al combinar el aprendizaje automático con el razonamiento estructurado, permite a los desarrolladores no solo mejorar el comportamiento autónomo, sino también explicar por qué los sistemas se comportaron como lo hicieron.
Para el Reino Unido, el liderazgo a largo plazo de la movilidad autónoma no estará determinado únicamente por los sistemas percibidos. Dependerá de qué empresas puedan ofrecer una IA que sea demostrablemente segura, conforme y auditable a escala.
Hemos presentado las mejores herramientas de IA.
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
