検索
ホームページテクノロジー周辺機器AI最近人気になっているいくつかの大型モデルと自動運転のコンセプトについて話しましょう。

最近、大型モデルのさまざまな応用が依然として盛んですが、10月初旬ごろから大型モデルを自動運転に応用しようとする、なかなかギミックの効いた記事が相次いで掲載されました。最近、多くの友人たちと関連する話題についてたくさん話していますが、この記事を書いているときに、一方では、私自身も含めて、過去に非常に関連性はあるものの、実際には異なる概念を混同してきたことに気づきました。 , それはこれらの概念の延長であり、皆と共有して議論する価値のある興味深い考えがいくつかあります。

大規模 (言語) モデル

これは間違いなく現在最も人気のある方向であり、最も集中した論文の焦点でもあります。大規模な言語モデルは自動運転にどのように役立つでしょうか? GPT-4V と同様に、画像との位置合わせによる非常に強力な意味理解機能を提供しますが、これについてはここではしばらく触れませんが、他方で、LLM をエージェントとして使用して、運転動作を直接実装します。実は後者は現在最も魅力的な研究の方向性であり、組み込みAIに関する一連の研究と密接に結びついています。

これまでに確認された後者のタイプの作業のほとんどは LLM を使用しています。1) 直接使用され、2) 教師あり学習を通じて微調整され、3) タスクを駆動するための強化学習を通じて微調整されます。本質的に、学習方法に基づいた運転という以前のパラダイムの枠組みから逃れることはできません。実際、非常に直接的な質問は、なぜこれを行うために LLM を使用する方が良いのかということです。直感的に言えば、言葉を使ってドライブするのは非効率的で冗長な行為です。そんなある日、LLM が実際には言語を通じてエージェントの事前学習を実装していることに突然気づきました。 以前 RL を一般化することが困難であった重要な理由の 1 つは、さまざまなタスクを統合し、さまざまな共通データを使用して事前学習することが困難だったということでした。各タスクは最初からしか学習できませんでしたが、LLM は非常に優れています。この問題は解決されました。しかし、実際には、十分に解決されていない問題がいくつかあります。 1) 事前学習の完了後、言語を出力インターフェイスとして保持する必要がありますか?これは実際には多くのタスクに多大な不便をもたらし、ある程度冗長な計算も引き起こします。 2)エージェントとしてのLLMのアプローチは、既存のRLモデルフリー方法の本質的な問題を依然として克服しておらず、モデルフリー方法のすべての問題が依然として存在する。最近では、モデルベースの LLM をエージェントとして使用する試みもいくつか見られ、これは興味深い方向性かもしれません。

各論文で私が最後に文句を言いたいのは、次のとおりです。 LLM に接続して、モデルを解釈可能にする理由を LLM に出力させるだけではありません。この理由はまだナンセンスかもしれません。 。 。今まで保証されていなかったことが、文章を出力したからといって保証されるわけではありません。

大規模 (ビジュアル) モデル

実際、純粋に大規模なビジュアル モデルはまだその魔法のような「出現」の瞬間を経験していません。大規模なビジュアル モデルについて話すとき、一般に 2 つの参照が考えられます。1 つは、CLIP、DINO、SAM などの大規模な Web データの事前トレーニングに基づく超ビジュアル情報特徴抽出ツールで、モデルの意味理解能力を大幅に向上させます。 otherとは、GAIAに代表されるワールドモデルで実装されるペア(画像、アクションなど)の結合モデルを指します。

実のところ、前者は従来の考え方に沿って直線的にスケールアップし続けた結果であり、現状では自動運転の量を変える可能性は見えにくいと思います。実際、今年は Wayve と Tesla が継続的に宣伝されたため、後者は研究者の視野に入り続けています。ワールド モデルについて話すとき、多くの場合、そのモデルはエンドツーエンド (アクションを直接出力) であり、LLM に関連しているという事実が含まれます。実際、この仮定は一方的なものです。世界モデルについての私の理解も非常に限られています。Lecun のインタビューと @Yu Yang のモデルベースの RL 調査をお勧めしますが、これについては詳しく説明しません:

Yu Yang: 環境モデル (世界モデル) について) 学習
https://www.php.cn/link/a2cdd86a458242d42a17c2bf4feff069

純粋な視覚的自動運転

これが実際です視覚センサーのみに頼った自動運転システムのことを指すと理解するとわかりやすいでしょう。実はこれが自動運転の最大かつ究極の願い、つまり人間と同じように両目で運転することなのです。画像の複雑なセマンティクスには有用な情報を抽出するための強力な抽象化機能が必要であるため、このような概念は通常、上記の 2 つの大きなモデルに関連付けられます。テスラの最近の継続的な宣伝攻勢の下では、このコンセプトは以下に述べるエンドツーエンドとも重なります。しかし実際には、純粋な視覚的な運転を実現する方法はたくさんあり、エンドツーエンドも当然その 1 つですが、それだけではありません。純粋に視覚的な自動運転を実現する際の最も難しい問題は、視覚は本質的に 3D 情報に鈍感であり、大型モデルでもこれが本質的に変わっていないことです。具体的には、1) 電磁波を受動的に受信する方法により、視覚は 3D 空間の幾何学的情報を測定できる他のセンサーと異なり、2) 遠近法により、遠くにある物体が誤差に非常に敏感になります。これは、デフォルトで等誤差 3D 空間に実装される下流の計画と制御にとって非常に不都合です。しかし、視覚によって運転することは、3D の距離と速度を正確に推定できることと同じでしょうか?これは、意味的な理解に加えて、純粋な視覚的自動運転において深く研究する価値のある表現の問題だと思います。

エンドツーエンドの自動運転

この概念は、センサーから最終出力までの制御信号を指します(実際には、広範囲に含めることができると思います)上流層の計画情報のウェイポイント)を共同で最適化したモデルを使用します。これは、1980 年代には ALVINN のようにセンサー データを入力し、ニューラル ネットワークを介して制御信号を直接出力する直接的なエンドツーエンド方式であることも、今年の CVPR ベストのような段階的なエンドツーエンド方式であることもできます。紙のUniAD。ただし、これらの方法の共通点は、各モジュールが独自に定義した最適化目標を持つのではなく、下流の監視信号を上流に直接渡すことができることです。結局のところ、ディープラーニングはそのような共同最適化に依存して富を築いています。しかし、自動運転や汎用ロボットなど、物理世界を扱う非常に複雑なシステムは、エンジニアリングの実装やデータの整理・利用効率の面で克服すべき課題が多くあります。

フィードフォワードエンドツーエンド自動運転

この概念はあまり言及されないように思えますが、実際にはエンドツーエンドの自動運転の存在が重要であると感じています。それ自体は価値があるのですが、問題はフィードフォワードを使って観察する方法にあります。実際、私も含めて、エンドツーエンドの駆動はフィードフォワードの形式でなければならないと常にデフォルトで決めてきました。なぜなら、現在の深層学習ベースの手法の 99% はそのような構造を前提としているからです。つまり、懸念される最終出力は(制御信号など)u = f(x)、x はセンサーのさまざまな観測値です。ここで、f は非常に複雑な関数になります。しかし実際には、問題によっては、最終出力が特定の特性を満たすかそれに近いものになるようにしたいと考えているため、フィードフォワード形式でそのような保証を与えることは困難です。したがって、このような制約付き最適化形式を u* = argmin g(u, x) s.t. h(u, x)

大型モデルの開発に伴い、この直接フィードフォワードのエンドツーエンド自動運転ソリューションが復活の波を迎えました。もちろん、大きなモデルは非常に強力ですが、私は疑問を提起し、皆さんに考えてもらいたいと思います。大きなモデルがエンドツーエンドで全能である場合、それは、大きなモデルが Go/Gobang エンドをプレイできる必要があることを意味しますか-端まで?毛織物? AlphaGo のようなパラダイムは無意味であるべきでしょうか? 答えがノーであることは誰もが知っていると思います。もちろん、このフィードフォワード法は高速近似ソルバーとして使用でき、ほとんどのシナリオで良好な結果が得られます。

Neural Planner の使用を公開しているさまざまな企業の現在の計画から判断すると、ニューラル部分は、後続の最適化における高度な非凸性の問題を軽減するために、後続の最適化計画に対して多数の初期化提案を提供するだけです。これは、AlphaGo の高速ロールアウトと本質的に同じことです。しかし、AlphaGoはその後のMCTS探索を「隠蔽」解決策とは呼ばない。 。 。

最後に、これがこれらの概念の違いとつながりを明確にし、問題を議論するときに誰もが何について話しているのかを明確に理解できるようになることを願っています。 。 。

最近人気になっているいくつかの大型モデルと自動運転のコンセプトについて話しましょう。

元のリンク: https://mp.weixin.qq.com/s/_OjgT1ebIJXM8_vlLm0v_A

以上が最近人気になっているいくつかの大型モデルと自動運転のコンセプトについて話しましょう。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

声明
この記事は51CTO.COMで複製されています。侵害がある場合は、admin@php.cn までご連絡ください。
从VAE到扩散模型:一文解读以文生图新范式从VAE到扩散模型:一文解读以文生图新范式Apr 08, 2023 pm 08:41 PM

1 前言在发布DALL·E的15个月后,OpenAI在今年春天带了续作DALL·E 2,以其更加惊艳的效果和丰富的可玩性迅速占领了各大AI社区的头条。近年来,随着生成对抗网络(GAN)、变分自编码器(VAE)、扩散模型(Diffusion models)的出现,深度学习已向世人展现其强大的图像生成能力;加上GPT-3、BERT等NLP模型的成功,人类正逐步打破文本和图像的信息界限。在DALL·E 2中,只需输入简单的文本(prompt),它就可以生成多张1024*1024的高清图像。这些图像甚至

找不到中文语音预训练模型?中文版 Wav2vec 2.0和HuBERT来了找不到中文语音预训练模型?中文版 Wav2vec 2.0和HuBERT来了Apr 08, 2023 pm 06:21 PM

Wav2vec 2.0 [1],HuBERT [2] 和 WavLM [3] 等语音预训练模型,通过在多达上万小时的无标注语音数据(如 Libri-light )上的自监督学习,显著提升了自动语音识别(Automatic Speech Recognition, ASR),语音合成(Text-to-speech, TTS)和语音转换(Voice Conversation,VC)等语音下游任务的性能。然而这些模型都没有公开的中文版本,不便于应用在中文语音研究场景。 WenetSpeech [4] 是

普林斯顿陈丹琦:如何让「大模型」变小普林斯顿陈丹琦:如何让「大模型」变小Apr 08, 2023 pm 04:01 PM

“Making large models smaller”这是很多语言模型研究人员的学术追求,针对大模型昂贵的环境和训练成本,陈丹琦在智源大会青源学术年会上做了题为“Making large models smaller”的特邀报告。报告中重点提及了基于记忆增强的TRIME算法和基于粗细粒度联合剪枝和逐层蒸馏的CofiPruning算法。前者能够在不改变模型结构的基础上兼顾语言模型困惑度和检索速度方面的优势;而后者可以在保证下游任务准确度的同时实现更快的处理速度,具有更小的模型结构。陈丹琦 普

解锁CNN和Transformer正确结合方法,字节跳动提出有效的下一代视觉Transformer解锁CNN和Transformer正确结合方法,字节跳动提出有效的下一代视觉TransformerApr 09, 2023 pm 02:01 PM

由于复杂的注意力机制和模型设计,大多数现有的视觉 Transformer(ViT)在现实的工业部署场景中不能像卷积神经网络(CNN)那样高效地执行。这就带来了一个问题:视觉神经网络能否像 CNN 一样快速推断并像 ViT 一样强大?近期一些工作试图设计 CNN-Transformer 混合架构来解决这个问题,但这些工作的整体性能远不能令人满意。基于此,来自字节跳动的研究者提出了一种能在现实工业场景中有效部署的下一代视觉 Transformer——Next-ViT。从延迟 / 准确性权衡的角度看,

Stable Diffusion XL 现已推出—有什么新功能,你知道吗?Stable Diffusion XL 现已推出—有什么新功能,你知道吗?Apr 07, 2023 pm 11:21 PM

3月27号,Stability AI的创始人兼首席执行官Emad Mostaque在一条推文中宣布,Stable Diffusion XL 现已可用于公开测试。以下是一些事项:“XL”不是这个新的AI模型的官方名称。一旦发布稳定性AI公司的官方公告,名称将会更改。与先前版本相比,图像质量有所提高与先前版本相比,图像生成速度大大加快。示例图像让我们看看新旧AI模型在结果上的差异。Prompt: Luxury sports car with aerodynamic curves, shot in a

​什么是Transformer机器学习模型?​什么是Transformer机器学习模型?Apr 08, 2023 pm 06:31 PM

译者 | 李睿审校 | 孙淑娟​近年来, Transformer 机器学习模型已经成为深度学习和深度神经网络技术进步的主要亮点之一。它主要用于自然语言处理中的高级应用。谷歌正在使用它来增强其搜索引擎结果。OpenAI 使用 Transformer 创建了著名的 GPT-2和 GPT-3模型。自从2017年首次亮相以来,Transformer 架构不断发展并扩展到多种不同的变体,从语言任务扩展到其他领域。它们已被用于时间序列预测。它们是 DeepMind 的蛋白质结构预测模型 AlphaFold

五年后AI所需算力超100万倍!十二家机构联合发表88页长文:「智能计算」是解药五年后AI所需算力超100万倍!十二家机构联合发表88页长文:「智能计算」是解药Apr 09, 2023 pm 07:01 PM

人工智能就是一个「拼财力」的行业,如果没有高性能计算设备,别说开发基础模型,就连微调模型都做不到。但如果只靠拼硬件,单靠当前计算性能的发展速度,迟早有一天无法满足日益膨胀的需求,所以还需要配套的软件来协调统筹计算能力,这时候就需要用到「智能计算」技术。最近,来自之江实验室、中国工程院、国防科技大学、浙江大学等多达十二个国内外研究机构共同发表了一篇论文,首次对智能计算领域进行了全面的调研,涵盖了理论基础、智能与计算的技术融合、重要应用、挑战和未来前景。论文链接:​https://spj.scien

AI模型告诉你,为啥巴西最可能在今年夺冠!曾精准预测前两届冠军AI模型告诉你,为啥巴西最可能在今年夺冠!曾精准预测前两届冠军Apr 09, 2023 pm 01:51 PM

说起2010年南非世界杯的最大网红,一定非「章鱼保罗」莫属!这只位于德国海洋生物中心的神奇章鱼,不仅成功预测了德国队全部七场比赛的结果,还顺利地选出了最终的总冠军西班牙队。不幸的是,保罗已经永远地离开了我们,但它的「遗产」却在人们预测足球比赛结果的尝试中持续存在。在艾伦图灵研究所(The Alan Turing Institute),随着2022年卡塔尔世界杯的持续进行,三位研究员Nick Barlow、Jack Roberts和Ryan Chan决定用一种AI算法预测今年的冠军归属。预测模型图

See all articles

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

AI Hentai Generator

AI Hentai Generator

AIヘンタイを無料で生成します。

ホットツール

AtomエディタMac版ダウンロード

AtomエディタMac版ダウンロード

最も人気のあるオープンソースエディター

Dreamweaver Mac版

Dreamweaver Mac版

ビジュアル Web 開発ツール

Safe Exam Browser

Safe Exam Browser

Safe Exam Browser は、オンライン試験を安全に受験するための安全なブラウザ環境です。このソフトウェアは、あらゆるコンピュータを安全なワークステーションに変えます。あらゆるユーティリティへのアクセスを制御し、学生が無許可のリソースを使用するのを防ぎます。

DVWA

DVWA

Damn Vulnerable Web App (DVWA) は、非常に脆弱な PHP/MySQL Web アプリケーションです。その主な目的は、セキュリティ専門家が法的環境でスキルとツールをテストするのに役立ち、Web 開発者が Web アプリケーションを保護するプロセスをより深く理解できるようにし、教師/生徒が教室環境で Web アプリケーションを教え/学習できるようにすることです。安全。 DVWA の目標は、シンプルでわかりやすいインターフェイスを通じて、さまざまな難易度で最も一般的な Web 脆弱性のいくつかを実践することです。このソフトウェアは、

mPDF

mPDF

mPDF は、UTF-8 でエンコードされた HTML から PDF ファイルを生成できる PHP ライブラリです。オリジナルの作者である Ian Back は、Web サイトから「オンザフライ」で PDF ファイルを出力し、さまざまな言語を処理するために mPDF を作成しました。 HTML2FPDF などのオリジナルのスクリプトよりも遅く、Unicode フォントを使用すると生成されるファイルが大きくなりますが、CSS スタイルなどをサポートし、多くの機能強化が施されています。 RTL (アラビア語とヘブライ語) や CJK (中国語、日本語、韓国語) を含むほぼすべての言語をサポートします。ネストされたブロックレベル要素 (P、DIV など) をサポートします。