Car-GPT: क्या LLMs अंततः सेल्फ-ड्राइविंग कारों को संभव बना पाएंगे?
OpenAI
Meta
Wayve
xAI
लेख बड़े भाषा मॉडलों (LLMs) की ऑटोनॉमस ड्राइविंग में क्रांति लाने की क्षमता का पता लगाता है, जो अलेक्जेंडर फ्लेमिंग की पेनिसिलिन की आकस्मिक खोज के समानांतर है। यह बताता है कि कैसे LLMs, टोकनाइज़ेशन, ट्रांसफॉर्मर और अगले शब्द की भविष्यवाणी के माध्यम से, सेल्फ-ड्राइविंग के कार्यों जैसे धारणा, योजना और उत्पादन के लिए अनुकूलित किए जा सकते हैं। हालांकि, विश्वास और ब्लैक-बॉक्स के मुद्दे अनसुलझे हैं, और यह कहना जल्दबाजी होगी कि क्या LLMs पूरी तरह से ऑटोनॉमस वाहनों की कुंजी होंगे।
यह लेख स्व-चालित कार अनुसंधान की वर्तमान स्थिति की तुलना पेनिसिलिन की आकस्मिक खोज से करता है, यह सुझाव देते हुए कि बड़े भाषा मॉडल (एलएलएम) अप्रत्याशित सफलता हो सकते हैं। यह समझाता है कि पारंपरिक स्वायत्त ड्राइविंग एक मॉड्यूलर दृष्टिकोण (परसेप्शन, लोकलाइज़ेशन, प्लानिंग, कंट्रोल) का उपयोग करती है, जबकि एंड-टू-एंड लर्निंग सभी मॉड्यूल को एक एकल न्यूरल नेटवर्क से बदल देती है, जिससे एक ब्लैक-बॉक्स समस्या उत्पन्न होती है। बड़े भाषा मॉडल टोकनाइज़ेशन (टेक्स्ट को संख्याओं में बदलना), ट्रांसफॉर्मर (अटेंशन-आधारित आर्किटेक्चर), और अगले शब्द की भविष्यवाणी के माध्यम से काम करते हैं। स्व-चालित ड्राइविंग के लिए, इनपुट चित्र या सेंसर डेटा हो सकते हैं जिन्हें समान रूप से टोकनाइज़ किया जाता है, और कार्यों में परसेप्शन (डिटेक्शन, प्रेडिक्शन, ट्रैकिंग), प्लानिंग (निर्णय-निर्माण, नेविगेशन), और जनरेशन (प्रशिक्षण डेटा या परिदृश्य बनाना) शामिल हैं। Talk2BEV और DriveGPT जैसे उदाहरण बीईवी परसेप्शन को बढ़ाने और प्रक्षेपवक्रों की योजना बनाने के लिए बड़े भाषा मॉडल का उपयोग करते हैं, जबकि GAIA-1 और MagicDrive वीडियो या दृश्य उत्पन्न करते हैं। हालांकि, भ्रम और नियतिवाद की कमी के बारे में चिंताएं वास्तविक समय की ड्राइविंग के लिए बड़े भाषा मॉडल पर विश्वास को अनिश्चित बनाती हैं, और निष्कर्ष निकालना अभी जल्दबाजी होगी।
स्रोत: The Gradient —
मूल