Чжан Яцинь, академик Инженерной академии: Претренинговые и генеративные большие модели принесут новые изменения в парадигму технологии автономного вождения
Появление генеративных больших моделей, представленных GPT, сделало еще один скачок в технологии искусственного интеллекта, и технология ИИ переживает процесс смены технической парадигмы с дискриминантной на генеративную. С внедрением технологий больших моделей, таких как генеративные, предварительные и мультимодальные, это также дает возможность для технологии автономного вождения стать более зрелой и беспилотной.
Из Научно-исследовательского института интеллектуальной промышленности Цинхуа (AIR), ведущего мирового научно-исследовательского института в области искусственного интеллекта и ведущей отечественной компании в области технологий искусственного интеллекта для автономного вождения, Milli Zhixing имеет удивительно последовательное суждение о технических тенденциях и применении больших моделей. В то же время обе стороны также провели углубленные исследования в направлении оптимизации принятия решений на основе данных, совместно продвигали всестороннее и многоуровневое углубленное сотрудничество между промышленностью, университетами и исследованиями, а также ускорили применение технологии искусственного интеллекта в области автономного вождения.
11 октября 2023 года Чжан Яцинь, академик Китайской инженерной академии, профессор Университета Цинхуа и президент Научно-исследовательского института интеллектуальной промышленности Цинхуа (AIR), принял участие в 9-м ДНЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ХАОМО, проводимом Милли Чжисином, и выступил с программной речью под названием «Новый прогресс интеллектуального вождения - большая модель, генеративный искусственный интеллект и интеллектуальное вождение», поделившись своими последними мыслями о применении больших моделей генеративного искусственного интеллекта в технологии автономного вождения. и ознакомил с последними достижениями Tsinghua AIR в создании базовой модельной платформы Real2Sim2Real и платформы моделирования автономного вождения.
Приводим полный текст выступления академика Чжан Яциня:
Такая прекрасная погода, такое красивое место, я очень рад принять участие в HAOMO AI DAY, а также благодарю председателя Чжан Кая и Вэйхао за приглашение.
Сегодня девятый HAOMO AI DAY, прежде всего, я хотел бы поздравить Момо с большими достижениями, которых он добился менее чем за 4 года, особенно прокладывая свой собственный путь. У меня сложилось впечатление, что Momo была первой, кто выпустил генеративную большую модель DriveGPT в автономном вождении, и она быстро двинулась в сторону масштабирования, и смогла стать лидером в области автономного вождения за столь короткое время.
Сегодня я хочу поговорить о новом прогрессе в интеллектуальном вождении, я использую одну и ту же тему на протяжении многих лет, но каждый раз я обнаруживаю, что контент совершенно другой, особенно после того, как недавно вышел генеративный ИИ, произошла большая реклама автономного вождения.
Мы говорили о новых «четырех модернизациях» — сети, интеллекте, совместном использовании и электрификации, наиболее важными из которых являются две модернизации — электрификация и интеллект. Электрификацию можно понимать как новую энергию, и сейчас Китай уже является самым активным и крупнейшим в мире рынком новой энергии, будь то в масштабах пользователей или в масштабах экспорта является первым в мире, который является первой половиной новых автомобилей. Самое главное во втором полугодии – это интеллектуальное вождение, а горячая точка и командная высота глобальной конкуренции в ближайшие 5-10 лет – это автономное вождение. Искусственный интеллект является основной технологической движущей силой автономного вождения, и с момента своего создания HAOMO AI DAY был технологическим двигателем компании, поэтому HAOMO AI DAY очень важен.
Почему так много компаний занимаются интеллектуальным вождением? В том числе на рынок автономного вождения выходят новые силы, высокотехнологичные предприятия? На самом деле, есть много технических проблем, во-первых, с точки зрения ИИ, автоматическое вождение очень сложное, требует большой вычислительной мощности, новых алгоритмов, является самой сложной проблемой вертикального поля ИИ, во-вторых, автоматическое вождение также является пересечением концентрированного интеллекта, периферийного интеллекта и автономного интеллекта, наблюдаемого в настоящее время. В тестовом видео вы можете увидеть, что автономное вождение сталкивается со многими сложными сценариями и изменениями, и действительно существует множество проблем.
Тем не менее, я думаю, что автономное вождение вполне достижимо, и есть некоторые ключевые проблемы, некоторые из которых являются рыночными факторами, а некоторые – нерыночными силами. Рыночные факторы включают: Осуществима ли технология? Есть ли у пользователей реальные потребности? Промышленная экология и бизнес-модель. Очень важны и нерыночные факторы, требующие технологических прорывов в отрасли, государственной поддержки отрасли, прорывов в политике и регулировании.
С точки зрения технологий, в начале многие люди говорили о том, возможно ли вождение без водителя, особенно возможно ли оно выше L4? Я с самого начала думал, что это осуществимо. Недавно я видел некоторые данные о том, что беспилотное примерно в 10 раз безопаснее, чем пилотируемое, и в прошлом году я говорил примерно в 3 раза, а в этом году достигло 10 раз. Это говорит о том, что технологический прорыв завершен. В дорожной карте коммерциализации в настоящее время существует множество способов, некоторые используют велосипедный интеллект, некоторые - координацию дорог, а есть постепенные, скачкообразные маршруты, открытый исходный код, закрытые маршруты, разные компании изучают разные дорожные карты, не говоря, какая из них полностью правильная, отрасль пробует автоматическое вождение по-разному. Я знаю, что Момо выбрала прогрессивную версию, и я думаю, что это хорошо, и люди исследуют ее по-разному.
В последнее время в ИИ произошло много новых прорывов. Мы видим, что новые алгоритмы, новые фреймворки, особенно предварительное обучение, мультимодальное, мультиконтролируемое обучение и большие модели становятся мейнстримом. До Transformer ResNeT был очень широко используемым фреймворком для алгоритмов машинного зрения, и причина, по которой я специально упомянул ResNeT, заключается в том, что этот алгоритм на самом деле используется молодыми китайскими учеными в Китае, поэтому китайские ученые внесли большой вклад в искусственный интеллект. Я слышал много заявлений о том, что ядро ИИ в основном родом из Европы, и основная теория исходит оттуда, но китайские ученые также внесли большой вклад в области искусственного интеллекта.
Крупным моделям важно преодолевать технические ограничения. За последние шесть-семьдесят лет появилось три основные теории: закон Мура, архитектура фон Неймана, три закона Шеннона, а теперь все три теории рушатся. Если прорыва не будет, то большая модель недостижима, что требует нового метода зондирования, нового метода восприятия, прорыва в новой компьютерной архитектуре, включая новый каркас чипов и т.д., а теперь мейнстримные сверточные нейронные сети Transformer и CNN тоже разные. В настоящее время индустрия цифровых технологий в основном основана на вычислениях на основе кремниевых пластин, и в будущем могут появиться биологические науки, оптические вычисления и квантовые вычисления.
В настоящее время очень важно, чтобы большие модели приносили генеративный ИИ, а в прошлом ИИ говорили о классификации, то есть дискриминантном ИИ. Теперь можно полностью генерировать новые идеи контента, данные и множество новых идей для сцен. Теперь несколько слов о моей работе в этой сфере.
Большие модели идут в новом направлении. Во-первых, это мультимодальность, не только естественный язык, изображения, видео, но и сенсорные сигналы, лидары и другие физические восприятия и биосенсорные сигналы, излучаемые всеми транспортными средствами. Вы видите, что модель GPT-4 мультимодальна, ее функция очень мощная, но эффективность очень низкая, примерно как минимум в 1000 раз ниже, чем эффективность вычислений и принятия решений человеческого мозга, поэтому потребность в новых алгоритмах все еще есть, я думаю, что через 5 лет появятся новые алгоритмы. Во-вторых, это автономный интеллект, который может автоматически выполнять задачи, включая периферийные вычисления, как помещать очень сложные большие модели на периферию мобильных телефонов, автомобилей, роботов, а также воплощенный интеллект и физический мир вместе, я думаю, что автоматическое вождение является наиболее важной воплощенной интеллектуальной сценой. Будущее — это стадия мозг-компьютерный интеллект, и большая модель столкнется с тем, как использовать мир биологии, мир жизни, и как лучше соединить людей и мозги.
Новые технологические архитектуры будут использовать большие модели, так же, как и новая операционная система ИИ, будет много вертикальных моделей, включая автономное вождение или другие вертикальные модели, такие как медико-биологические науки.
Я вкратце расскажу о Научно-исследовательском институте интеллектуальной промышленности Цинхуа (AIR), который является научно-исследовательским институтом индустрии искусственного интеллекта, который я основал после выхода на пенсию из Baidu, который быстро развивался за 3 года, и мне также повезло найти группу ученых и корпоративных технических директоров с глубоким промышленным опытом и глубокими академическими достижениями. Сейчас здесь около 300 постдокторантов и студентов, а автономное вождение – одно из направлений, около 100 человек.
Каждый раз, когда я говорю о AIR Research, я думаю о том, как 25 лет назад я вернулся в Китай, чтобы основать Microsoft Research Asia. В следующем месяце будет отмечаться 25-летие Microsoft Research Asia, которая сама по себе была довольно успешной. Большая модель, о которой я только что говорил, была разработана в Microsoft Research, в надежде создать научно-исследовательский институт для китайской промышленности.
Когда мы занимаемся различными исследованиями, мы надеемся, что у нас будет большая структура, например, интеллектуальное вождение, мы должны сначала определить какие-то технические маршруты. Прежде всего, я думаю, что мультимодальное восприятие очень важно, и очень важны многомасштабные, многомерные данные от оригинала. Потому что для беспилотного вождения, интеллектуального вождения, преимущество роботов в первую очередь в том, чтобы требовать больше данных, это преимущество данных все еще нельзя убрать, поэтому я не согласен с Маском, который сказал, что использовать только камеры, нам нужно использовать больше источников данных. Во-вторых, многие автономные автомобили теперь будут использовать много карт высокой четкости, но мы считаем, что будущее за картами света и не может полностью зависеть от карт.
Автономное вождение для достижения конечного безопасного и надежного этапа должно быть достигнуто сквозным, это тоже очень сложно, есть более детальные технические факторы, в том числе генеративный ИИ, обучение с подкреплением, большая языковая модель, у нас есть две платформы: платформа больших моделей данных, платформа моделирования.
Компания AIR также предложила собственную базовую модель автономного вождения. Во-первых, модель предлагает способ получения различных данных, включая данные реального мира и данные моделирования. Данные очищаются через контролируемый конвейер, а затем проходят через две большие модели: модель восприятия, модель принятия решений, включая принятие решений в некоторых ключевых местах в облаке и на стороне транспортного средства, некоторые модули основаны на информации, некоторые — на статистике, а некоторые — на основе правил.
Я специально вынес в него «обучение с подкреплением», потому что обучение с подкреплением я использую еще со времен Baidu, но оно сложное в использовании. Потому что безопасность автономного вождения очень важна, она довольно сложна в использовании, но я думаю, что это единственный способ, которым мы действительно можем достичь более высокой безопасности, обучение с подкреплением может научиться новым вещам, и сейчас метод обобщения зависит от обучения с подкреплением, и в последнее время появилось много новых разработок. Как использовать обучение с подкреплением во многих симуляциях и принятии решений, а также использовать его в поведении реального вождения. Модель слева — это вертикальные большие данные, как использовать обучение с подкреплением для корректировки модели.
Кроме того, как можно использовать генеративный ИИ в моделировании и принятии решений? Здесь есть небольшой пример, как большие модели, так и глубокое обучение имеют проблемы с прозрачностью, поэтому мы также провели это исследование, почему я принял такое решение? Поверните налево, направо, затормозите, скажите мне, что я вижу и почему я принимаю это решение, и это может подсказать, как принять решение. Он заключается в использовании реальных данных, данных моделирования, вертикальных моделей и больших моделей для создания семантических сцен глубины, включая информацию о дорожном движении и пешеходах.
Во-вторых, это слияние человеческого мозга и машины, мы должны изучить, как люди водят машину. Иногда люди принимают правильные решения, иногда нет, и собирают эту информацию с помощью датчиков. С одной стороны, в течение долгого времени люди и машины должны ездить вместе, а беспилотные люди должны постепенно понимать, что такое человеческое вождение. С другой стороны, модель используется в алгоритме для повышения эффективности алгоритма.
Наконец, мы очень рады тесному техническому сотрудничеству с Milli в том, как применять обучение с подкреплением к когнитивному принятию решений. В настоящее время обучение с подкреплением имеет много проблем, онлайн или офлайн, включая проблемы определения функций, неоднозначность политики, поэтому мы провели много таких исследований. За последний год или около того на International Top Conference было опубликовано очень много докладов, а также есть патенты, и самое главное, что его начали использовать в автомобилях, и машина, которая только что увидела логистику, начала использовать эти алгоритмы.
Подводя итог, можно сказать, что если вы посмотрите на различные этапы интеллектуального вождения и автоматического вождения, то увидите, что в начале оно в большей степени управляется лидаром и аппаратным обеспечением, а больше основано на искусственных правилах. 2.0 управляется программным обеспечением и алгоритмами, и на этом этапе больше датчиков, также полагающихся на машинное обучение и правила. Теперь, в эпоху 3.0, им движут большие модели, и на данном этапе есть много датчиков, которые используют сквозные алгоритмы, а также будет использоваться обучение с подкреплением, которое может в большей степени добиться автоматического вождения в реальном мире.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Чжан Яцинь, академик Инженерной академии: Претренинговые и генеративные большие модели принесут новые изменения в парадигму технологии автономного вождения
Появление генеративных больших моделей, представленных GPT, сделало еще один скачок в технологии искусственного интеллекта, и технология ИИ переживает процесс смены технической парадигмы с дискриминантной на генеративную. С внедрением технологий больших моделей, таких как генеративные, предварительные и мультимодальные, это также дает возможность для технологии автономного вождения стать более зрелой и беспилотной.
Из Научно-исследовательского института интеллектуальной промышленности Цинхуа (AIR), ведущего мирового научно-исследовательского института в области искусственного интеллекта и ведущей отечественной компании в области технологий искусственного интеллекта для автономного вождения, Milli Zhixing имеет удивительно последовательное суждение о технических тенденциях и применении больших моделей. В то же время обе стороны также провели углубленные исследования в направлении оптимизации принятия решений на основе данных, совместно продвигали всестороннее и многоуровневое углубленное сотрудничество между промышленностью, университетами и исследованиями, а также ускорили применение технологии искусственного интеллекта в области автономного вождения.
Приводим полный текст выступления академика Чжан Яциня:
Такая прекрасная погода, такое красивое место, я очень рад принять участие в HAOMO AI DAY, а также благодарю председателя Чжан Кая и Вэйхао за приглашение.
Сегодня девятый HAOMO AI DAY, прежде всего, я хотел бы поздравить Момо с большими достижениями, которых он добился менее чем за 4 года, особенно прокладывая свой собственный путь. У меня сложилось впечатление, что Momo была первой, кто выпустил генеративную большую модель DriveGPT в автономном вождении, и она быстро двинулась в сторону масштабирования, и смогла стать лидером в области автономного вождения за столь короткое время.
Сегодня я хочу поговорить о новом прогрессе в интеллектуальном вождении, я использую одну и ту же тему на протяжении многих лет, но каждый раз я обнаруживаю, что контент совершенно другой, особенно после того, как недавно вышел генеративный ИИ, произошла большая реклама автономного вождения.
Мы говорили о новых «четырех модернизациях» — сети, интеллекте, совместном использовании и электрификации, наиболее важными из которых являются две модернизации — электрификация и интеллект. Электрификацию можно понимать как новую энергию, и сейчас Китай уже является самым активным и крупнейшим в мире рынком новой энергии, будь то в масштабах пользователей или в масштабах экспорта является первым в мире, который является первой половиной новых автомобилей. Самое главное во втором полугодии – это интеллектуальное вождение, а горячая точка и командная высота глобальной конкуренции в ближайшие 5-10 лет – это автономное вождение. Искусственный интеллект является основной технологической движущей силой автономного вождения, и с момента своего создания HAOMO AI DAY был технологическим двигателем компании, поэтому HAOMO AI DAY очень важен.
Почему так много компаний занимаются интеллектуальным вождением? В том числе на рынок автономного вождения выходят новые силы, высокотехнологичные предприятия? На самом деле, есть много технических проблем, во-первых, с точки зрения ИИ, автоматическое вождение очень сложное, требует большой вычислительной мощности, новых алгоритмов, является самой сложной проблемой вертикального поля ИИ, во-вторых, автоматическое вождение также является пересечением концентрированного интеллекта, периферийного интеллекта и автономного интеллекта, наблюдаемого в настоящее время. В тестовом видео вы можете увидеть, что автономное вождение сталкивается со многими сложными сценариями и изменениями, и действительно существует множество проблем.
Тем не менее, я думаю, что автономное вождение вполне достижимо, и есть некоторые ключевые проблемы, некоторые из которых являются рыночными факторами, а некоторые – нерыночными силами. Рыночные факторы включают: Осуществима ли технология? Есть ли у пользователей реальные потребности? Промышленная экология и бизнес-модель. Очень важны и нерыночные факторы, требующие технологических прорывов в отрасли, государственной поддержки отрасли, прорывов в политике и регулировании.
С точки зрения технологий, в начале многие люди говорили о том, возможно ли вождение без водителя, особенно возможно ли оно выше L4? Я с самого начала думал, что это осуществимо. Недавно я видел некоторые данные о том, что беспилотное примерно в 10 раз безопаснее, чем пилотируемое, и в прошлом году я говорил примерно в 3 раза, а в этом году достигло 10 раз. Это говорит о том, что технологический прорыв завершен. В дорожной карте коммерциализации в настоящее время существует множество способов, некоторые используют велосипедный интеллект, некоторые - координацию дорог, а есть постепенные, скачкообразные маршруты, открытый исходный код, закрытые маршруты, разные компании изучают разные дорожные карты, не говоря, какая из них полностью правильная, отрасль пробует автоматическое вождение по-разному. Я знаю, что Момо выбрала прогрессивную версию, и я думаю, что это хорошо, и люди исследуют ее по-разному.
Крупным моделям важно преодолевать технические ограничения. За последние шесть-семьдесят лет появилось три основные теории: закон Мура, архитектура фон Неймана, три закона Шеннона, а теперь все три теории рушатся. Если прорыва не будет, то большая модель недостижима, что требует нового метода зондирования, нового метода восприятия, прорыва в новой компьютерной архитектуре, включая новый каркас чипов и т.д., а теперь мейнстримные сверточные нейронные сети Transformer и CNN тоже разные. В настоящее время индустрия цифровых технологий в основном основана на вычислениях на основе кремниевых пластин, и в будущем могут появиться биологические науки, оптические вычисления и квантовые вычисления.
В настоящее время очень важно, чтобы большие модели приносили генеративный ИИ, а в прошлом ИИ говорили о классификации, то есть дискриминантном ИИ. Теперь можно полностью генерировать новые идеи контента, данные и множество новых идей для сцен. Теперь несколько слов о моей работе в этой сфере.
Большие модели идут в новом направлении. Во-первых, это мультимодальность, не только естественный язык, изображения, видео, но и сенсорные сигналы, лидары и другие физические восприятия и биосенсорные сигналы, излучаемые всеми транспортными средствами. Вы видите, что модель GPT-4 мультимодальна, ее функция очень мощная, но эффективность очень низкая, примерно как минимум в 1000 раз ниже, чем эффективность вычислений и принятия решений человеческого мозга, поэтому потребность в новых алгоритмах все еще есть, я думаю, что через 5 лет появятся новые алгоритмы. Во-вторых, это автономный интеллект, который может автоматически выполнять задачи, включая периферийные вычисления, как помещать очень сложные большие модели на периферию мобильных телефонов, автомобилей, роботов, а также воплощенный интеллект и физический мир вместе, я думаю, что автоматическое вождение является наиболее важной воплощенной интеллектуальной сценой. Будущее — это стадия мозг-компьютерный интеллект, и большая модель столкнется с тем, как использовать мир биологии, мир жизни, и как лучше соединить людей и мозги.
Новые технологические архитектуры будут использовать большие модели, так же, как и новая операционная система ИИ, будет много вертикальных моделей, включая автономное вождение или другие вертикальные модели, такие как медико-биологические науки.
Я вкратце расскажу о Научно-исследовательском институте интеллектуальной промышленности Цинхуа (AIR), который является научно-исследовательским институтом индустрии искусственного интеллекта, который я основал после выхода на пенсию из Baidu, который быстро развивался за 3 года, и мне также повезло найти группу ученых и корпоративных технических директоров с глубоким промышленным опытом и глубокими академическими достижениями. Сейчас здесь около 300 постдокторантов и студентов, а автономное вождение – одно из направлений, около 100 человек.
Каждый раз, когда я говорю о AIR Research, я думаю о том, как 25 лет назад я вернулся в Китай, чтобы основать Microsoft Research Asia. В следующем месяце будет отмечаться 25-летие Microsoft Research Asia, которая сама по себе была довольно успешной. Большая модель, о которой я только что говорил, была разработана в Microsoft Research, в надежде создать научно-исследовательский институт для китайской промышленности.
Когда мы занимаемся различными исследованиями, мы надеемся, что у нас будет большая структура, например, интеллектуальное вождение, мы должны сначала определить какие-то технические маршруты. Прежде всего, я думаю, что мультимодальное восприятие очень важно, и очень важны многомасштабные, многомерные данные от оригинала. Потому что для беспилотного вождения, интеллектуального вождения, преимущество роботов в первую очередь в том, чтобы требовать больше данных, это преимущество данных все еще нельзя убрать, поэтому я не согласен с Маском, который сказал, что использовать только камеры, нам нужно использовать больше источников данных. Во-вторых, многие автономные автомобили теперь будут использовать много карт высокой четкости, но мы считаем, что будущее за картами света и не может полностью зависеть от карт.
Автономное вождение для достижения конечного безопасного и надежного этапа должно быть достигнуто сквозным, это тоже очень сложно, есть более детальные технические факторы, в том числе генеративный ИИ, обучение с подкреплением, большая языковая модель, у нас есть две платформы: платформа больших моделей данных, платформа моделирования.
Компания AIR также предложила собственную базовую модель автономного вождения. Во-первых, модель предлагает способ получения различных данных, включая данные реального мира и данные моделирования. Данные очищаются через контролируемый конвейер, а затем проходят через две большие модели: модель восприятия, модель принятия решений, включая принятие решений в некоторых ключевых местах в облаке и на стороне транспортного средства, некоторые модули основаны на информации, некоторые — на статистике, а некоторые — на основе правил.
Я специально вынес в него «обучение с подкреплением», потому что обучение с подкреплением я использую еще со времен Baidu, но оно сложное в использовании. Потому что безопасность автономного вождения очень важна, она довольно сложна в использовании, но я думаю, что это единственный способ, которым мы действительно можем достичь более высокой безопасности, обучение с подкреплением может научиться новым вещам, и сейчас метод обобщения зависит от обучения с подкреплением, и в последнее время появилось много новых разработок. Как использовать обучение с подкреплением во многих симуляциях и принятии решений, а также использовать его в поведении реального вождения. Модель слева — это вертикальные большие данные, как использовать обучение с подкреплением для корректировки модели.
Кроме того, как можно использовать генеративный ИИ в моделировании и принятии решений? Здесь есть небольшой пример, как большие модели, так и глубокое обучение имеют проблемы с прозрачностью, поэтому мы также провели это исследование, почему я принял такое решение? Поверните налево, направо, затормозите, скажите мне, что я вижу и почему я принимаю это решение, и это может подсказать, как принять решение. Он заключается в использовании реальных данных, данных моделирования, вертикальных моделей и больших моделей для создания семантических сцен глубины, включая информацию о дорожном движении и пешеходах.
Во-вторых, это слияние человеческого мозга и машины, мы должны изучить, как люди водят машину. Иногда люди принимают правильные решения, иногда нет, и собирают эту информацию с помощью датчиков. С одной стороны, в течение долгого времени люди и машины должны ездить вместе, а беспилотные люди должны постепенно понимать, что такое человеческое вождение. С другой стороны, модель используется в алгоритме для повышения эффективности алгоритма.
Наконец, мы очень рады тесному техническому сотрудничеству с Milli в том, как применять обучение с подкреплением к когнитивному принятию решений. В настоящее время обучение с подкреплением имеет много проблем, онлайн или офлайн, включая проблемы определения функций, неоднозначность политики, поэтому мы провели много таких исследований. За последний год или около того на International Top Conference было опубликовано очень много докладов, а также есть патенты, и самое главное, что его начали использовать в автомобилях, и машина, которая только что увидела логистику, начала использовать эти алгоритмы.
Подводя итог, можно сказать, что если вы посмотрите на различные этапы интеллектуального вождения и автоматического вождения, то увидите, что в начале оно в большей степени управляется лидаром и аппаратным обеспечением, а больше основано на искусственных правилах. 2.0 управляется программным обеспечением и алгоритмами, и на этом этапе больше датчиков, также полагающихся на машинное обучение и правила. Теперь, в эпоху 3.0, им движут большие модели, и на данном этапе есть много датчиков, которые используют сквозные алгоритмы, а также будет использоваться обучение с подкреплением, которое может в большей степени добиться автоматического вождения в реальном мире.