העברת משימות דינמית ברשתות רכביות באמצעות מודלים לשוניים גדולים לקבלת החלטות אדפטיביות בזמני השהיה נמוכים

סיוע חכם לרכבים העמוסים

היום רכבים מחוברים מנהלים במקביל ניווט, התרעות בטיחות, חיישנים ואפילו תכונות נהיגה עצמית — וכל אלה דורשים חישוב מהיר. עם זאת, מחשב הרכב וסוללתו יכולים להציע יכולת מוגבלת, במיוחד בתנועה עירונית צפופה. מאמר זה בוחן דרך חדשה לחלוק את העומס הדיגיטלי בעזרת מערכת בינה מלאכותית הדומה למודלים לשוניים גדולים העומדים מאחורי צ׳אטבוטים מודרניים. המערכת ממוקמת ביחידות קצה בצדי הכביש ועוזרת להחליט, בזמן אמת, לאן כל רכב צריך לשלוח את "המשימות" הדיגיטליות שלו כדי שיבוצעו במהירות ובחיסכון באנרגיה.

איך רכבים חולקים את המשימות הדיגיטליות שלהם

ברשת תנועה מודרנית, כלי הרכב מייצרים בעקביות משימות חישוב קטנות: ניתוח נתוני חיישנים, תיאום עם רכבים סמוכים או בקשה למפות ודפוסי תנועה. כל משימה יכולה לעבור שלוש דרכים: עיבוד ברכב עצמו, שליחה לרכב אחר מצויד יותר או העמסה לשרת קצה בצד הדרך או לענן. האתגר הוא לבחור את האפשרות הטובה ביותר בשבריר שנייה, בזמן שהרכבים נעים במהירות וחיבורי הרשת מופיעים ונעלמים. שיטות מסורתיות מסתמכות על נוסחאות קבועות או על סכמה של אימון שמתקשות כאשר הדרכים צפופות, התנאים משתנים במהירות או יש צורך לאזן גורמים רבים בו זמנית.

להניח מוח חזק לצד הדרך

המחברים מציעים למקם מודל לשוני גדול (LLM) בצמתים קצה בצדי הכביש — תיבות חכמות לאורך הדרך שכבר מסייעות לחיבורים של כלי רכב לרשת. במקום לקרוא משפטים, ה-LLM קורא תמונות מצב מובנות של המצב התעבורתי: מהירות וכלי הרכב, מיקום,剩ית טעינה, יכולת חישוב זמינה ואיכות קישור אלחוטי, יחד עם פרטים על כל משימה כגון דחיפות וגודל. מתוך קלט רב־ממדי זה ה-LLM "מנמק" איזה רכב או צומת קצה צריך לבצע כל משימה, בהתחשב במהירות, מרחק, יציבות הקישור ועלויות אנרגיה ביחד ולא כגורמים מופרדים. הוא מתפקד כמו בורר תנועה לעבודה הדיגיטלית, ומכוון כל משימה לאפשרות שמועדת להסתיים בזמן ובפחות צריכת סוללה.

מכללים פשוטים להיסיק אדפטיבי

כדי להדגיש את היתרונות של הגישה, המחקר משווה את המערכת המבוססת LLM לשתי חלופות נפוצות: שיטת חוקים פשוטה המשתמשת בציון משוקלל קבוע ומודלים מתקדמים מבוססי עצים למידתיים (Random Forest ו-XGBoost). הבסיסים האלה מתייחסים להחלטה כנוסחה נוקשה או כאוסף עצי החלטה. הם עובדים היטב יחסית כאשר יש מעט רכבים ותנאים פשוטים, אך נכשלים ככל שהתנועה נעשית צפופה יותר, הרכבים נעים מהר יותר או יש צורך לשקלל אותות מצב רבים. לעומת זאת, ה-LLM לומד יחסים מורכבים בזמן האימון ויכול להתאים מיד אילו גורמים הם החשובים ביותר — למשל להעדיף חיבור יציב יותר כאשר הרכבים נעים במהירות, או לחסוך בסוללה כאשר הרשת עמוסה.

מה הסימולציות מגילות

המחברים בודקים את המסגרת שלהם בסימולטור מפורט המדמה דרכים עירוניות אמיתיות, קישורים אלחוטיים ורכבים נעים. הם משתנים בכמות הרכבים בכביש, במהירות התנועה ובכמות המידע הנכנסת לכל מודל. בכל התרחישים, המערכת המבוססת LLM משלימה יותר משימות בהצלחה, עם השהיה נמוכה יותר ושימוש אנרגיה טוב יותר, מאשר שיטות חיזוק עמוק שדווחו בעבודות קודמות ומהמודלים המבוססי עצים שנבדקו כאן. בממוצע היא מקטינה את זמן ההמתנה למשימה בכ־15% ומשפרת את יעילות האנרגיה ביותר מ־20% בהשוואה לבסיס חזק של למידת חיזוק, ועדיין משלימה כ־97.5% מהמשימות. כאשר ה-LLM מכויל ומדחס כדי לפעול על מעבד גרפי בצד הדרך, זמן קבלת ההחלטות שלו הופך לקצר מספיק עבור יישומי נהיגה קריטיים לזמן.

אתגרים בקצה הדרך

רווחים אלה באים עם ויתורים. מודלים לשוניים גדולים רעבים לזיכרון ולכוח מחשוב, מה שמדאיג ביחידות קצה בצד הדרך שעשויות לפעול על חומרה מוגבלת. ככל שמספר הרכבים והמשימות גדל, צמתים הקצה עלולים לחוות עומס CPU ושימוש בזיכרון גבוהים. אופי ה"קופסה השחורה" של מודלים כאלה גם מקשה להסביר מדוע נבחר רכב אחד על פני אחר למשימה מסוימת. המחברים דנים בדרכים להקל על הבעיות הללו, כגון דחיסת המודל, שימוש באריתמטיקה ברזולוציה נמוכה יותר ושיפור כלי ההסבר שמגלים כיצד המודל מקבל את החלטותיו.

מה המשמעות לעתיד הדרכים

בסך הכל, המחקר מציע ששימוש ב-LLM כמנועי החלטה ברשתות רכביות יכול להפוך רכבים מחוברים ואוטונומיים ליותר תגובתיים וחסכוני אנרגיה, במיוחד בתנאים צפופים ומשתנים במהירות. על ידי טיפול במערכת הכביש כפאזל חי ומשתנה והסקת מסקנות על פני אותות רבים בו זמנית, מודלים אלה יכולים לבחור בצורה יעילה יותר היכן להריץ כל "מטלה" דיגיטלית מאשר חוקים קבועים או שיטות למידה ישנות. אם המהנדסים יצליחו להקטין את דרישות המשאבים שלהם, העברת משימות מונעת LLM עשויה להפוך לרכיב מפתח במערכות תחבורה חכמות עתידיות, לסייע לזרימה חלקה ובטוחה יותר של התנועה ולשלוט טוב יותר עליה באנרגיה וברשתות הרכב.

ציטוט: Trabelsi, Z., Ali, M., Qayyum, T. et al. Dynamic task offloading in vehicular networks using large language models for adaptive low latency decision making. Sci Rep 16, 9144 (2026). https://doi.org/10.1038/s41598-026-39791-y

מילות מפתח: חישוב קצה רכב, העברת משימות, מודלים לשוניים גדולים, רכבים אוטונומיים, רשתות עם השהיה נמוכה