大模型竟塞进自动驾驶，AI会解说自己怎么开车了！
新智元报道
新智元报道
【新智元导读】Wayve推出的LINGO-1，让自动驾驶长嘴了！这车该怎么开，它自个给自个解说，大语言模型，再也不是黑盒了。
自发明以来，自动驾驶最让人担心之处，莫过于人类无法知道它的脑子里到底在想些什么。
今天开始，它居然可以把自己的想法「讲出来」了？
最近，Wayve推出了基于视觉语言行动的大模型（VLAMs）的自动驾驶交互大模型LINGO-1，把大语言模型和自动驾驶进行了深度融合。
具体来说，LINGO-1训练了一个视频语言模型，它可以说是相当有个性——可以对眼前正在进行的场景发表评论！
-你在干嘛？ -我在小心翼翼地穿越车流，因为目前路面情况很复杂。
-下一步你打算要做什么？ -我要准备左转了。
-眼前的场景中有哪些潜在风险？ -信号灯，骑自行车的人，过马路的行人
你对智驾系统的疑惑，它统统给你解释清楚。
问：为什么停下了？答：因为现在是红灯。
在经过各种视觉和语言数据的训练之后，LINGO-1不仅可以执行视觉问答（VQA）任务，如感知、反事实、规划、推理和注意力，而且还能对驾驶行为和推理进行描述。
也就是说，我们可以通过对LINGO-1进行提问，来了解影响驾驶决策的因素是什么。
网友感慨道：「端到端的黑盒，就这么被打开了，简直是GPT时代的大力出奇迹。自动驾驶系统离真实的物理世界交互，又前进了一大步。」
可以想象，随着我们突破具身人工智能的界限，视觉-语言-行动模型将产生巨大的影响，因为语言提供了一种新的模式，来增强我们解释和训练自动驾驶模型的方式。
自动驾驶车里进来一个捧哏的？
LINGO-1中的独特之处在于引入了一个人类专家，对驾驶场景的语言评论解说数据进行训练，让模型把环境感知、行动决策和类人的场景解读联系在一起。
这样，它就可以通过自然语言交互，来解读自动驾驶系统的决策和行动了。
英伟达高级AI科学家Jim Fan兴奋地点评道：这是我近期读到的自动驾驶领域最有趣的作品！
从前的自动驾驶，是「感知 -> 驾驶操作」，而以后的自动驾驶，加进了推理的这一步，是「感知->文字推理->行动」。
这个新加的显式推理步骤，有哪些优点？Jim Fan解释如下——
- 可解释性：驾驶模型不再是一个神秘的黑盒。
- 反事实情景：它能够想象出训练数据中没有的场景，并推理出如何正确地进行处理。
- 长尾编程：驾驶中存在大量边缘场景，要对所有场景进行良好的数据覆盖是不可能的。与其收集成千上万的示例来对一个案例进行「神经编程」，不如让人类专家编写提示（prompt）来解释少量的示例，从而指导系统如何处理特定或复杂的情景。
不仅如此，LINGO-1还和游戏人工智能领域的一些研究密切相关，比如MineDojo和思想克隆，它们都是AI智能体。
前者可以学习一种奖励模型，把评论文本和「我的世界」（Minecraft）游戏视频像素关联起来。后者可以实现「像素->语言->行动循环」的一整套链路。
LINGO-1——开环驾驶解说员
自个解说自个
模型在关注什么？在做什么？现在，这些都不是谜了。
LINGO-1会对你解释清楚，它的每一步行动是在干嘛。
LINGO-1：由于车流缓慢，我正在超车。
LINGO-1：我正在超越一辆停在路边的汽车。
LINGO-1：由于前方道路畅通，我正在加速。
驶近斑马线时——
LINGO-1：我正在保持车速；道路仍然畅通无阻。 LINGO-1：现在正在刹车减速。 LINGO-1：在斑马线处停下。 LINGO-1：我正在从停止的位置加速。 LINGO-1：我正在加速，因为道路通畅。
在十字路口左转时——
LINGO-1：我保持不动，因为前车也停了下来。 LINGO-1：我正在加速，因为前车已经驶离。 LINGO-1：我正在踩刹车，准备在路口停车。 LINGO-1：我正在前进，因为车道畅通。 LINGO-1：完成左转，沿着路线行驶。
视觉问答（VQA）
关键：驾驶解说数据集
- 前方车辆/交通信号灯有变，请减速 - 现在该变换车道了 - 可以加速了，注意不要超过最高限速 - 注意！其他车辆驶入道路/停在十字路口了 - 注意前方环岛和让路标志 - 前方有停放车辆/交通信号灯/学校 - 旁边车辆正在变道/超过停在路边的车辆 - 骑车的人/行人正在斑马线上等候
视觉-语言-行动模型（VLAM）
准确率60%
提高端到端模型的可解释性
更好的规划和推理，提高驾驶性能
新场景或长尾场景的高效学习
局限性
泛化
幻觉
上下文
闭环推理
网友讨论
