Nvidia rzuca wyzwanie Tesla, gdy Jensen Huang określa to jako „przełom ChatGPT” dla autonomicznej jazdy

Świt fizycznej sztucznej inteligencji: przełom Nvidia w autonomicznych technologiach

Dyrektor generalny Nvidia, Jensen Huang, niedawno ogłosił, że era fizycznej sztucznej inteligencji—gdzie maszyny mogą postrzegać, rozumować i wchodzić w interakcje z rzeczywistym światem—oficjalnie nadeszła. Podczas wystąpienia na CES w Las Vegas Huang podkreślił najnowsze osiągnięcia firmy w zakresie autonomicznej jazdy, zapowiadając odważny nowy rozdział dla robotyki i pojazdów zasilanych AI.

Kluczowym elementem ogłoszenia Nvidia jest Alpamayo, zaawansowany model wizja-język-akcja (VLA) stworzony dla pojazdów autonomicznych i robotaksówek. System ten został zaprojektowany, by płynnie łączyć percepcję, rozumienie języka i planowanie działań, umożliwiając pojazdom podejmowanie świadomych decyzji na drodze.

Podczas swojego przemówienia Huang zaprezentował demonstrację Alpamayo, który prowadził samochód testowy ulicami San Francisco. Pojazd poruszał się po złożonych środowiskach miejskich z ludzką biegłością, nie wymagając żadnej interwencji manualnej.

Dzięki temu przełomowi obserwatorzy branży zastanawiają się teraz, czy technologia Nvidia może przewyższyć obecne możliwości Tesli i dorównać wydajności Waymo należącemu do Alphabet, który powszechnie uważany jest za lidera usług autonomicznych przewozów.

Wizja Nvidia na przyszłość samochodów autonomicznych

Huang z wielkim optymizmem patrzy na potencjał pojazdów autonomicznych, wyobrażając sobie świat, w którym miliard samochodów bez kierowcy dzieli drogi. Nvidia rozwija swoją technologię autonomicznej jazdy od ponad dekady, a Huang wcześniej opisywał rozwiązania fizycznej AI, takie jak autonomiczna jazda, jako szansę na rynku wartym biliony dolarów.

Na CES Huang ogłosił, że nadchodzący Mercedes CLA EV będzie pierwszym pojazdem wyposażonym w pełny pakiet autonomicznej jazdy Nvidia, w tym Alpamayo, już w pierwszym kwartale roku. Do 2027 roku Nvidia planuje wdrożyć autonomiczne robotaksówki we współpracy z partnerami takimi jak Uber i Lucid. Obecnie Alpamayo działa na poziomie autonomii Level 2, co oznacza, że może prowadzić samodzielnie, ale nadal wymaga nadzoru człowieka.

Ostatecznym celem wszystkich głównych graczy w tej dziedzinie jest osiągnięcie autonomii na poziomie Level 4, gdzie pojazdy mogą całkowicie prowadzić się same w wyznaczonych strefach. Podczas gdy Waymo osiągnęło ten kamień milowy w wybranych regionach, zarówno Tesla, jak i system Nvidia DRIVE Hyperion pozostają obecnie na poziomie 2. Nvidia pracuje nad podniesieniem Alpamayo do poziomu 4 w najbliższej przyszłości.

Katie Driggs-Campbell, profesor inżynierii na Uniwersytecie Illinois, pochwaliła postępy Nvidia, ale ostrzegła, że działania PR mogą czasami wyprzedzać rzeczywiste osiągnięcia technologiczne.

Według Driggs-Campbell, Alpamayo reprezentuje krok dalej niż autorski system Full Self-Driving (FSD) Tesli, który obecnie wymaga nadzoru kierowcy. Ambicją Nvidia jest osiągnięcie autonomii Level 4 dzięki Alpamayo, podczas gdy Tesla również dąży do tego celu poprzez ciągłe aktualizacje oprogramowania.

Neuronowa sieć Tesli w podejściu do autonomii

System FSD Tesli opiera się na kompleksowej sieci neuronowej trenowanej na ogromnych ilościach rzeczywistych danych z jazdy. To podejście end-to-end przetwarza wejścia z kamer i czujników bezpośrednio na polecenia sterujące pojazdem, eliminując potrzebę rozumowania lub modułów opartych na regułach.

Pomimo swojej skuteczności, system Tesli pozostaje w dużej mierze nieprzejrzysty, z ograniczonymi publicznymi informacjami na temat jego działania. Po prezentacji Nvidia dotyczącej Alpamayo, Elon Musk, dyrektor generalny Tesli, stwierdził, że najnowsza wersja FSD Tesli wykorzystuje podobne techniki oparte na rozumowaniu, choć niezależna weryfikacja jest wyzwaniem.

Wiadomo, że sieć neuronowa Tesli uczy się na podstawie milionów nagrań z jazdy, co pozwala jej wykonywać zadania bez dostarczania przejrzystego rozumowania dla swoich decyzji. Ta „czarna skrzynka” oznacza, że inżynierowie mogą oceniać jedynie wyniki, a nie logikę stojącą za nimi.

Driggs-Campbell zauważyła, że podejście Tesli opiera się na tradycyjnym deep learningu, gdzie obrazy wejściowe i dane z czujników są mapowane na działania kierowcy na podstawie szerokiego zbioru przykładów z treningu. Jedną z przewag Tesli jest możliwość zbierania danych z ogromnej floty pojazdów—do tej pory wyprodukowano ich prawie 9 milionów—z których większość dostarcza wizualne dane do ciągłego udoskonalania modelu.

Główną wadą jest brak interpretowalności; trudno zrozumieć lub dostosować proces decyzyjny systemu poza obserwacją wyników.

Modele rozumowania: paradygmat „szybkiego i wolnego myślenia”

W przeciwieństwie do reaktywnej sieci neuronowej Tesli, Alpamayo Nvidia oraz systemy Waymo wprowadzają jawne rozumowanie do swoich procesów decyzyjnych.

Na przykład, jeśli pojazd wyposażony w Alpamayo napotka nieprawidłowo działające światło drogowe, może przeanalizować sytuację, zinterpretować ją używając rozumowania językowego (na przykład decydując, by się zatrzymać, sprawdzić przeszkody i ruszyć bezpiecznie dalej), a następnie wykonać odpowiedni manewr.

Waymo stosuje „podejście dwóch systemów”, często opisywane jako „myślenie szybkie i wolne”. Pierwszy system reaguje instynktownie na sygnały z czujników, podczas gdy drugi rozważa i rozumuje złożone zadania. Oba systemy przekazują informacje do „dekodera świata”, który określa optymalny sposób działania. Ważne jest, że w razie potrzeby jawne reguły mogą nadpisać rozumowanie systemu.

Driggs-Campbell wyjaśniła, że większość systemów autonomicznych zawiera zabezpieczenia—ręcznie zakodowane reguły dla sytuacji, które nie wymagają rozumowania, takich jak pozostawanie na drodze. Jednak integracja wielu systemów może czasami prowadzić do nieoczekiwanych zachowań lub konfliktów.

Przykład z rzeczywistości miał miejsce w San Francisco, gdy robotaksówki Waymo miały trudności z pokonywaniem skrzyżowań podczas awarii prądu, która wyłączyła sygnalizację świetlną, co podkreśliło wyzwania modeli opartych na regułach i rozumowaniu.

Elon Musk zauważył, że robotaksówki Tesli zasilane FSD, obecnie testowane w San Francisco, nie zostały dotknięte awarią. Jednakże, ponieważ system Tesli nie dostarcza wyników rozumowania, inżynierom trudno jest zrozumieć lub ulepszyć sposób, w jaki pojazdy poradziły sobie z tą sytuacją.

Porównanie podejść: autonomia oparta na danych kontra rozumowanie

Modele rozumowania, takie jak Alpamayo czy architektura dwóch systemów Waymo, oferują większą przejrzystość i potencjalnie bezpieczniejsze radzenie sobie ze złożonymi scenariuszami, ale mierzą się z wyzwaniami dotyczącymi szybkości i pracy w czasie rzeczywistym. Dla kontrastu, sieci neuronowe Tesli oparte na danych potrafią reagować szybko i wydajnie, ale brakuje im interpretowalności.

Driggs-Campbell przyznała, że sieci neuronowe Tesli dają przewagę w szybkości i efektywności obliczeniowej, ale trudno jednoznacznie stwierdzić, które podejście jest lepsze. Zauważyła, że modele bazowe wykorzystywane przez Waymo i Nvidia przynoszą obiecujące rezultaty, lecz wciąż istnieją istotne przeszkody do pokonania.

Zwróciła uwagę, że przełożenie możliwości dużych modeli rozumowania na jazdę w czasie rzeczywistym pozostaje poważnym wyzwaniem, ponieważ rozumowanie może zająć kilka sekund—znacznie wolniej niż decyzje podejmowane na drodze w ułamku sekundy.

Podsumowując, FSD Tesli obecnie wyznacza punkt odniesienia dla zaawansowanych systemów wspomagania kierowcy, wykorzystując ogromne zbiory danych i szerokie wdrożenie. Wciąż jednak pozostaje systemem reaktywnym, wymagającym nadzoru. Alpamayo i podobne modele oparte na rozumowaniu reprezentują kolejną generację, dążąc do większego bezpieczeństwa, przewidywalności i przejrzystości, lecz wymagają dalszego udoskonalania i zwiększenia szybkości działania.

Ostatecznie zarówno FSD Tesli, jak i modele rozumowania takie jak Alpamayo, dążą do tego samego celu: pełnej autonomii jazdy—wyzwania, które niektórzy porównują do trudności lądowania na Księżycu.

Jak zauważył Elon Musk, radzenie sobie z rzadkimi i złożonymi przypadkami „długiego ogona” scenariuszy drogowych jest niezwykle trudne, ale wyraził poparcie dla starań Nvidia, mimo że pozostaje pewny podejścia Tesli.

Pozostań na bieżąco

Odkryj najnowsze wiadomości technologiczne wpływające na rynki

Czytaj aktualne nagłówki finansowe i biznesowe z Yahoo Finance