Az önvezető autók jövője újabb fordulatot vett a Quen Drive 1.0-4B bejelentésével. A fejlesztők egyedülálló irányt választottak: egyetlen, multimodális nyelvi modellt használnak, amely képes egyszerre értelmezni vizuális és szöveges információkat, sőt, a vezetési döntéseket is magyarázattal láthatja el.
Régi problémát céloz meg a projekt: a jelenlegi önvezető rendszerek több különálló modulból állnak össze, amelyek között hiányzik a valódi kommunikáció. A „látás” és a „megértés” közti szakadék miatt ezek a rendszerek gyakran nem képesek megmondani, miért hozták meg adott döntéseiket, vagy épp hibáznak váratlan helyzetekben.
A Quen csapata két újdonsággal egészítette ki alapmodelljét. Az egyik a percepciós fej, ami több kamera képeiből madártávlati nézetet alkot, felismeri a gyalogosokat, járműveket és az út elemeit. A másik a tervező modul, amely előre jelzi az autó öt másodperces pályáját, és képes akár indoklással is szolgálni, például hogy miért lassít vagy kerüli ki az akadályokat.
Kiemelten izgalmas kérdések merülnek fel: vajon a modell mennyivel értelmezhetőbben és biztonságosabban képes vezetni, mint a speciális vagy általános látásmodellek? Mennyire sikerült a tervezés során megőrizni a régi tudást az új képességek mellett, s hogyan teljesít éles körülmények között, valós időben, emberi preferenciák utánzásával vagy megerősítéses tanulással?
Végül a videó hands-on demonstrációja betekintést ad abba, hogyan viselkedik a rendszer valódi közlekedési szituációkban, hány gigabájt memóriát igényel, s mennyire képes helyes magyarázatot adni vezetési helyzetekre. Az aktuális tesztek és próbák során azonban több kérdés is megmarad arról, lehet-e már valóban bízni ezekben az AI-alapú rendszerekben.
