Nvidia desafia Tesla enquanto Jensen Huang descreve isto como o 'avanço do ChatGPT' para a condução autônoma

O Amanhecer da IA Física: O Salto da Nvidia em Tecnologia Autônoma

O CEO da Nvidia, Jensen Huang, declarou recentemente que a era da IA física — onde as máquinas podem perceber, raciocinar e interagir com o mundo real — chegou oficialmente. Falando na CES em Las Vegas, Huang destacou os avanços mais recentes da empresa em direção à direção autônoma, sinalizando um novo e ousado capítulo para robótica e veículos movidos por IA.

O ponto central do anúncio da Nvidia é o Alpamayo, um sofisticado modelo de visão-linguagem-ação (VLA) desenvolvido para veículos autônomos e robotáxis. Este sistema foi projetado para combinar perfeitamente percepção, compreensão de linguagem e planejamento de ações, permitindo que os veículos tomem decisões informadas nas estradas.

Durante seu discurso, Huang apresentou uma demonstração do Alpamayo guiando um carro de teste pelas ruas de São Francisco. O veículo navegou por ambientes urbanos complexos com proficiência semelhante à humana, sem necessidade de intervenção manual.

Com essa inovação, analistas do setor agora questionam se a tecnologia da Nvidia pode superar as capacidades atuais da Tesla e igualar a performance da Waymo, da Alphabet, amplamente considerada líder em serviços de transporte autônomo sob demanda.

A Visão da Nvidia para o Futuro dos Carros Autônomos

Huang está altamente otimista quanto ao potencial dos veículos autônomos, imaginando um mundo onde um bilhão de carros autônomos compartilham as estradas. A Nvidia desenvolve sua tecnologia de direção autônoma há mais de uma década, e Huang já descreveu soluções de IA física como a direção autônoma como uma oportunidade de mercado de trilhões de dólares.

Na CES, Huang anunciou que o próximo Mercedes CLA EV será o primeiro a apresentar o conjunto completo de direção autônoma da Nvidia, incluindo o Alpamayo, no primeiro trimestre do ano. Até 2027, a Nvidia pretende lançar robotáxis autônomos em parceria com empresas como Uber e Lucid. Atualmente, o Alpamayo opera em Nível 2 de autonomia, ou seja, pode dirigir independentemente, mas ainda requer supervisão humana.

O objetivo final de todos os grandes players deste setor é alcançar o Nível 4 de autonomia, onde os veículos podem dirigir totalmente sozinhos em áreas designadas. Enquanto a Waymo já atingiu esse marco em algumas regiões, tanto a Tesla quanto o sistema DRIVE Hyperion da Nvidia permanecem no Nível 2 por enquanto. A Nvidia está trabalhando para elevar o Alpamayo ao Nível 4 em um futuro próximo.

Katie Driggs-Campbell, professora de engenharia na Universidade de Illinois, elogiou o progresso da Nvidia, mas alertou que o marketing pode, às vezes, superar as conquistas tecnológicas reais.

Segundo Driggs-Campbell, o Alpamayo representa um passo além do sistema proprietário Full Self-Driving (FSD) da Tesla, que atualmente exige supervisão do motorista. A ambição da Nvidia é atingir o Nível 4 de autonomia com o Alpamayo, enquanto a Tesla também busca esse objetivo por meio de aprimoramentos contínuos de software.

A Abordagem da Tesla com Redes Neurais para Autonomia

O sistema FSD da Tesla depende de uma rede neural abrangente treinada com grandes volumes de dados reais de condução. Essa abordagem de ponta a ponta processa diretamente as entradas de câmeras e sensores em comandos de controle do veículo, eliminando a necessidade de módulos explícitos de raciocínio ou regras.

Apesar de sua eficácia, o sistema da Tesla permanece em grande parte opaco, com poucas informações públicas sobre seu funcionamento interno. Após a apresentação da Nvidia sobre o Alpamayo, o CEO da Tesla, Elon Musk, afirmou que a última versão do FSD da Tesla emprega técnicas semelhantes baseadas em raciocínio, embora a verificação independente seja difícil.

Sabe-se que a rede neural da Tesla aprende com milhões de vídeos de condução, permitindo executar tarefas sem fornecer um raciocínio transparente para suas decisões. Essa natureza de "caixa preta" faz com que os engenheiros possam apenas avaliar os resultados, não a lógica subjacente.

Driggs-Campbell observou que a abordagem da Tesla é baseada em aprendizado profundo tradicional, onde imagens e dados dos sensores são mapeados para ações de direção com base em amplos exemplos de treinamento. Uma vantagem para a Tesla é sua capacidade de coletar dados de sua grande frota de veículos — quase 9 milhões produzidos até hoje — a maioria dos quais contribui com dados visuais para o aprimoramento contínuo do modelo.

A principal desvantagem é a falta de interpretabilidade; é difícil compreender ou ajustar o processo de tomada de decisão do sistema além de observar os resultados.

Modelos de Raciocínio: O Paradigma “Pensando Rápido e Devagar”

Diferentemente da rede neural reativa da Tesla, os sistemas Alpamayo da Nvidia e da Waymo incorporam raciocínio explícito em seus processos de decisão.

Por exemplo, se um veículo equipado com Alpamayo encontrar um semáforo com defeito, ele pode analisar a situação, interpretar o cenário usando raciocínio baseado em linguagem (como decidir parar, verificar obstáculos e prosseguir com segurança) e então executar a manobra adequada.

A Waymo emprega uma metodologia de "dois sistemas", frequentemente descrita como "pensando rápido e devagar". O primeiro sistema reage instintivamente às entradas dos sensores, enquanto o segundo delibera e raciocina sobre tarefas complexas. Ambos alimentam um "decodificador de mundo", que determina o melhor curso de ação. Importante ressaltar que regras explícitas podem substituir o raciocínio do sistema quando necessário.

Driggs-Campbell explicou que a maioria dos sistemas autônomos inclui salvaguardas — regras codificadas para situações que não exigem raciocínio, como manter o veículo na estrada. No entanto, a integração de múltiplos sistemas pode, às vezes, levar a comportamentos inesperados ou conflitos.

Um exemplo real ocorreu em São Francisco, quando os robotáxis da Waymo tiveram dificuldades para navegar em cruzamentos durante uma queda de energia que desativou os semáforos, destacando os desafios dos modelos baseados em regras e raciocínio.

Elon Musk observou que os robotáxis movidos por FSD da Tesla, atualmente em teste em São Francisco, não foram afetados pela queda de energia. No entanto, como o sistema da Tesla não fornece raciocínios explícitos, é difícil para os engenheiros entenderem ou melhorarem como os veículos lidaram com a situação.

Comparando Abordagens: Autonomia Baseada em Dados vs. Raciocínio

Enquanto modelos de raciocínio como o Alpamayo e a arquitetura de dois sistemas da Waymo oferecem maior transparência e, potencialmente, maior segurança ao lidar com cenários complexos, eles também enfrentam desafios em velocidade e desempenho em tempo real. Em contraste, as redes neurais orientadas por dados da Tesla podem reagir de forma rápida e eficiente, mas carecem de interpretabilidade.

Driggs-Campbell reconheceu que as redes neurais da Tesla oferecem vantagens em velocidade e eficiência computacional, mas é difícil afirmar de forma definitiva qual abordagem é superior. Ela observou que os modelos fundacionais usados pela Waymo e Nvidia apresentam resultados promissores, mas ainda há obstáculos significativos a serem superados.

Ela apontou que traduzir as capacidades dos grandes modelos de raciocínio para a condução em tempo real continua sendo um grande desafio, já que o raciocínio pode demorar vários segundos — muito mais lento que as decisões em fração de segundo exigidas nas estradas.

Em resumo, o FSD da Tesla atualmente estabelece o padrão para assistência avançada ao motorista, aproveitando grandes conjuntos de dados e ampla implantação. No entanto, ainda é um sistema reativo e supervisionado. O Alpamayo e modelos semelhantes baseados em raciocínio representam a próxima geração, visando maior segurança, previsibilidade e transparência, mas ainda precisam de mais refinamento e melhorias de velocidade.

Em última análise, tanto o FSD da Tesla quanto modelos de raciocínio como o Alpamayo buscam o mesmo objetivo: direção totalmente autônoma — um desafio que alguns já compararam à dificuldade de pousar na Lua.

Como comentou Elon Musk, lidar com o raro e complexo "long tail" de cenários reais de condução é extremamente desafiador, mas ele expressou apoio aos esforços da Nvidia, mesmo permanecendo confiante na abordagem da Tesla.

Fique Informado

Descubra as últimas notícias de tecnologia que impactam os mercados

Leia manchetes financeiras e de negócios atualizadas no Yahoo Finance