స్వయంప్రతిపత్త ట్రక్కింగ్ క్షణం
రాకెల్ ఉర్టాసున్, టోరంటో AI ప్రొఫెసర్ మరియు స్వయంప్రతిపత్త ట్రక్కింగ్ స్టార్టప్ Waabi ను స్థాపించిన వారు, హైప్కు లోబడరు. ఆమె కెరీర్ నిర్ణయాత్మక యంత్ర శిక్షణ పరిశోధన, Uber యొక్క అధునాతన సాంకేతికతల సమూహ నేతృత్వ, మరియు ప్రపంచంలో చాలా సాంకేతికంగా ఉద్ధతమైన స్వయం-డ్రైవింగ్ ట్రక్ కార్యక్రమాలను నిర్మిస్తున్న సంవత్సరాలను కలిగి ఉంది. ఆమె లెవల్-4 స్వయంప్రతిపత్త ట్రక్లు వాణిజ్యిక సాధ్యత సమీపించుకుంటున్నాయని చెప్పినప్పుడు, ఈ ప్రకటన స్వయంప్రతిపత్త వాహన ఖాళీలో ఉన్న మరిన్ని ఊహాత్మక వాదనల కంటే బరువును కలిగి ఉంది.
IEEE Spectrum తో విస్తృత ఇంటర్వ్యూలో, ఉర్టాసున్ Waabi యొక్క సాంకేతిక విధానాన్ని, వాణిజ్యిక విస్తరణ వైపు దాని పురోగతిని, మరియు జెనరేటివ్ AI ఎలా దీర్ఘ-చాలం ట్రక్కింగ్ను పూర్ణ స్వయం-డ్రైవింగ్ సాంకేతికత కోసం ఒక సమర్థ అనువర్తనంగా చేసే దృఢమైన, సాధారణీకరణీయమైన స్వయంప్రతిపత్తను సాధించడానికి సమయ సారణిని ప్రాథమికంగా మార్చిందో ఆమె దృష్టిభంగిమను నివేదించారు. ఆమె వాదన ఏమిటంటే సమస్య సులభం అయ్యిందని కాదు, కానీ దానిని పరిష్కరించడానికి అందుబాటులో ఉన్న సాధనాలు నాటకీయంగా మెరుగుపడ్డాయని.
లెవల్-4 స్వయంప్రతిపత్త — నిర్వచించిన ఆపరేషనల్ డిజైన్ డొమైన్లో ఏదైనా మానవ జోక్యం లేకుండా సమస్త డ్రైవింగ్ పనులను నిర్వహించగల సామర్థ్యం — ప్రదర్శన సాంకేతికత నుండి వాణిజ్యిక ఉత్పత్తిని వేరు చేసే చిహ్నం. ట్రక్కింగ్ అనువర్తనాల కోసం, సంబంధిత డొమైన్ ప్రధానంగా నిర్వచించిన మార్గాలపై హైవే డ్రైవింగ్, ఇది సంవత్సరాలుగా ప్రయాణీ వాహన స్వయంప్రతిపత్త కార్యక్రమాలను సవాలు చేసిన సంక్లిష్ట నగర సెట్టింగ్ల కంటే గణనీయంగా నిరోధక వాతావరణం.
జెనరేటివ్ AI ప్రయోజనం
ఉర్టాసున్ యొక్క ప్రధాన వాదన ఏమిటంటే స్వయం-డ్రైవింగ్కు జెనరేటివ్ AI విధానాలు — ఇవి డ్రైవింగ్ డేటా యొక్క విస్తారమైన మొత్తం ఉపై శిక్షణ ఇచ్చిన పెద్ద నమూనాలను ఉపయోగించి సాధారణీకరణీయమైన డ్రైవింగ్ ప్రవర్తనలను నేర్చుకోవటానికి కంటే స్పష్టమైన నియమాలను కోడ్ చేయడం కంటే — స్వయంప్రతిపత్త వ్యవస్థల దృఢత్వంలో గుణాత్మక సందర్భాలను ఉత్పత్తి చేసిన నిర్దిష్ట సదుపాయాలను నిర్ధారించారు. GPT-4 మరియు దాని వారసుల ఉత్పత్తి చేసిన ఒకే స్కేలింగ్ డైనమిక్లు ఇప్పుడు డ్రైవింగ్ సమస్యకు వర్తించబడుతున్నాయి, సామర్థ్యంలో పోల్చదగిన దశ-మార్పు ఫలితాలతో.
Waabi యొక్క ఆర్కిటెక్చర్ జెనరేటివ్ ప్రపంచ నమూనా అని ఒక తెలిసిన అనుకరణ వాతావరణం యొక్క చుట్టూ కేంద్రీకృతమై ఉంటుంది — ఇది వాస్తవ-ప్రపంచ డేటా సేకరణలో ఎదుర్కొనడానికి చాలా ప్రమాదకరమైన లేదా ఖరీదైన చాలా అరుదైన మరియు ప్రమాదకరమైన అంచు సందర్భాలను అనుకరణ చేయగల నిర్ణయాత్మక డ్రైవింగ్ సన్నివేశాలను సృష్టించటానికి సక్షమం. ఈ అనుకరణ సామర్థ్యం స్వయంప్రతిపత్త వాహన అభివృద్ధిలో చాలా ప్రాథమిక ఒంటిపై పరిష్కరిస్తుంది: గరిష్ట-సంభావ్యత ఈవెంట్ల చుట్టూ కలిసిన పంపిణీ సమితిని కవర్ చేసే శిక్షణ డేటా అవసరం.
తెలిసిన అనుకరణను ఉపయోగించటానికి స్వయంప్రతిపత్త వ్యవస్థలను ఆచరణ చేయగల వర్చువల్ సీమాహీన సన్నివేశాల వ్యవధి వ్యతిరేకంగా ఆందోళన వ్యక్తం చేసిన కార్యక్రమాలను ఆధారితం చేయటానికి సాధ్యమైంది, Waabi మరియు సమానంగా-ఆర్కిటెక్చర్ కార్యక్రమాలు రికార్డ్ చేయబడిన వాస్తవ-ప్రపంచ డేటా ఆధారితం కార్యక్రమాల కంటే అగ్ర-ఆపద సంభావ్యతను చాలా ఎక్కువ కవర్ చేయగలవు. భద్రతా సర్టిఫికేషన్ మరియు నియంత్రక ఆమోదం కోసం, ఇది కేవలం ఒక అభివృద్ధి సమర్థత ప్రయోజనం కాదు — ఇది వ్యవస్థ విస్తరణ కోసం సిద్ధమైందని ప్రదర్శించటానికి ఒక ప్రాథమికంగా భిన్న విధానం.
