Haomo DriveGPT est le « roi des volumes » des grands modèles ! Se concentrer sur « la réduction des coûts, l'augmentation de l'efficacité, le conducteur vétéran »

Le Salon international chinois du commerce des services 2023, sur le thème « L'ouverture mène le développement, la coopération gagne l'avenir », s'est terminé avec succès le 6 septembre. Lors de ce salon des services, un groupe d'entreprises leaders profondément impliquées depuis de nombreuses années dans l'intelligence artificielle, la conduite autonome, la télédétection par satellite et d'autres domaines ont présenté leurs dernières réalisations scientifiques et technologiques et ont montré leurs pas vers l'avenir

Domestic autonome He Xiang, scientifique en intelligence de données chez Feimo Zhixing, a prononcé un discours d'ouverture sur "Haimo DriveGPT Xuehu·Hairuo, accélère l'arrivée de l'ère de la conduite autonome 3.0" et a accepté une interview avec les médias après la réunion, en se concentrant sur sur la conduite autonome à l'ère des grands modèles La recherche technologique et l'exploration des applications nous ont apporté une interprétation complète

Description de l'image : He Xiang (à droite), un scientifique en intelligence de données chez HaoMo Zhixing, est interviewé par les médias

Le Voici le compte rendu de l'interview :

Modérateur : Professeur He Ne pouvez-vous pas nous présenter, quel genre de réalisations et de démonstrations Hao Mo Zhixing nous apportera-t-il lors du commerce des services de cette année ?

He Xiang a déclaré que l'une de nos réalisations les plus importantes cette année est DriveGPT, le premier modèle de conduite automatique générative à grande échelle de l'industrie lancé par Haomo Zhixing en avril

Modérateur : DriveGPT ? On dirait que cela a quelque chose à voir avec la conduite ?

He Xiang : Oui, il s'agit d'un grand modèle d'IA utilisé pour résoudre des problèmes liés au domaine de la conduite autonome. Nous l'appelons DriveGPT, un grand modèle de pré-formation générative pour la conduite autonome.

Modérateur : Pré-formation générative ? Comment comprenons-nous la pré-formation ?

He Xiang a déclaré : Les détails techniques du grand modèle sont qu'il doit d'abord être pré-entraîné dans le cloud à l'aide de données massives sur le comportement de conduite du conducteur. La pré-formation consiste d'abord à entraîner le modèle.Après la formation, un prototype du modèle est obtenu, puis les données de prise en charge du conducteur sont introduites. Les données dites de prise de contrôle signifient qu'à chaque fois que la conduite autonome est activée, si la décision de conduite autonome n'est pas suffisamment bonne, le conducteur prendra le relais, par exemple en appuyant sur les freins ou en tenant le volant. Ces données de reprise constituent des corrections à nos décisions de conduite autonome. Après avoir obtenu ces données, le modèle peut être continuellement corrigé pour améliorer de plus en plus l'effet de conduite du modèle. Il s'agit d'un processus de correction d'erreur constante et d'itération constante pour obtenir de meilleurs effets de conduite autonome.

Hôte : Cela peut être considéré comme une mise à niveau de notre conduite autonome traditionnelle. Le contenu réécrit est le suivant : Animateur : On peut dire qu'il s'agit d'une mise à niveau de notre conduite autonome traditionnelle

He Xiang : Oui, on peut dire qu'il s'agit d'un changement technologique. Nous pouvons faire une comparaison simple. Le modèle de développement de la technologie de conduite autonome traditionnelle est que lorsque la conduite autonome découvre un problème, elle trouve généralement des données liées à ce problème à partir de données massives. Parce qu’il n’est pas si simple de trouver les données souhaitées dans les données massives. Après avoir trouvé ces données, la prochaine chose à faire est de donner cette pile de données à la société d'annotation et d'y annoter manuellement les problèmes. Une fois l'annotation terminée, utilisez ces données pour entraîner un petit modèle. mets-le dans la voiture. À ce stade, cette voiture a la capacité de résoudre ce problème. Nous appelons ce modèle petites données et petit modèle, et il est « axé sur les problèmes ».

Sous le modèle grand modèle de DriveGPT, l'ensemble du modèle de développement est différent. Avec le soutien de DriveGPT, le modèle de développement actuel consiste à utiliser d'abord des données massives, des données de conducteurs vétérans et le comportement de conduite pour effectuer une pré-formation afin d'obtenir un modèle préliminaire capable de conduire. Lorsque nous découvrons un problème lors de la conduite autonome, le conducteur prend le relais. Cette prise en charge équivaut à corriger la décision de conduite. Sur la base de ces données corrigées, les données sont ensuite renvoyées pour corriger le grand modèle initial pré-entraîné. Une boucle fermée de données est établie, l'effet de ce modèle continuera d'évoluer et de s'améliorer chaque jour. Nous appelons ce modèle de développement big data et big model, et il est « data-driven ». Il s’agit d’une amélioration transformationnelle.

Hôte : Nous pouvons observer que le niveau actuel de technologie de conduite autonome est d'environ le niveau L2, et maintenant la plupart des véhicules ont atteint le niveau L2,5

He Xiang : L2+, nous appelons cela la conduite assistée de haut niveau.

Hôte : Avec le support du grand modèle DriveGPT, quel niveau peut-on atteindre ?

He Xiang : Cela devrait encore être au stade de la conduite assistée de haut niveau. Notre grand modèle génère principalement deux valeurs commerciales.

La première valeur commerciale réside dans l'ensemble du cloud. Le modèle traditionnel de développement de la conduite autonome doit être migré vers le cloud, ce qui entraînera des coûts très élevés et nécessitera de nombreux contrôles de données, notamment une participation manuelle et de nombreuses annotations manuelles. Cependant, avec de grands modèles, l'ensemble du filtrage, de l'annotation et de la génération des données peut être entièrement automatisé, ce qui est très efficace pour réduire les coûts

Par exemple, dans le domaine de l'annotation, les entreprises de conduite autonome doivent avoir dépensé des centaines de millions de yuans en annotation chaque année. Avec DriveGPT, les images ou les vidéos peuvent être automatiquement annotées. Si vous effectuez une annotation vidéo ou une annotation 4D Clips, cela peut probablement être le cas. réduire les coûts de 98 %. Même si une seule image est annotée, le coût peut être réduit de 90 %. Le coût du cloud peut être considérablement réduit.

La deuxième valeur commerciale se situe du côté de la voiture, et l'effet peut être grandement amélioré. Le modèle est formé sur la base de données massives. Des données massives signifient que notre modèle a vu beaucoup de données. Plus il est informé, plus sa capacité sera forte. Cette capacité est appelée capacité de généralisation du modèle ou de l’IA. Avec des capacités de généralisation, l’effet de la conduite autonome sera meilleur.

De plus, l'ensemble du modèle est formé sur la base des données de comportement de conduite des « anciens conducteurs ». Il s'agit de données de très haute qualité. Son effet de conduite global ou son expérience de conduite sera plus proche de celui des « anciens conducteurs ». Les utilisateurs sentiront que l'expérience de conduite sera meilleure pendant l'utilisation.

Troisième point, notre grand modèle a une capacité particulière à produire les raisons des décisions de conduite. Par exemple, lorsqu'une décision de conduite est prise, comme « appuyer sur les freins » ou « tourner le volant », notre modèle peut expliquer pourquoi nous le faisons. Si une telle explication peut être fournie, une bonne relation de confiance peut être établie entre les véhicules à conduite intelligente et les utilisateurs, et les utilisateurs seront plus assurés lorsqu'ils utiliseront des produits de conduite autonome

Grâce à des itérations continues basées sur des modèles à grande échelle et des boucles fermées de données, le La conduite assistée avancée actuelle nécessite toujours que le conducteur prenne le relais à tout moment. À l'avenir, nous espérons réaliser progressivement une véritable conduite sans conducteur grâce à des mises à niveau itératives continues

Hôte : De ce point de vue, cela réduit non seulement les coûts, mais améliore également l'efficacité

He Xiang a déclaré : « Il n'est pas nécessaire que les conducteurs conduisent eux-mêmes encore et encore. Pour essayer de commettre des erreurs, le big data peut aider à résoudre ce problème. Il peut collecter tous les comportements de prise de contrôle des conducteurs et résoudre tous les problèmes en même temps, de cette façon, l'effet de conduite sera amélioré très rapidement.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!