Die Internationale Messe für Dienstleistungshandel in China 2023 mit dem Thema „Offenheit führt zur Entwicklung, Zusammenarbeit gewinnt die Zukunft“ endete am 6. September erfolgreich. Auf dieser Dienstleistungsmesse präsentierte eine Gruppe führender Unternehmen, die sich seit vielen Jahren intensiv mit künstlicher Intelligenz, autonomem Fahren, Satellitenfernerkundung und anderen Bereichen beschäftigen, ihre neuesten wissenschaftlichen und technologischen Errungenschaften und demonstrierte ihre Schritte in die Zukunft
Autonomes Inland Driving Unicorn He Xiang, ein Data-Intelligence-Wissenschaftler beim Biest-Unternehmen Feimo Zhixing, hielt eine Grundsatzrede zum Thema „Haimo DriveGPT Xuehu·Hairuo, beschleunigt die Ankunft der Ära des autonomen Fahrens 3.0“ und nahm nach dem Treffen ein Interview mit den Medien an, in dem er sich darauf konzentrierte zum autonomen Fahren im Zeitalter der großen Modelle. Technologieforschung und Anwendungserforschung haben uns eine umfassende Interpretation gebracht Es folgt die Aufzeichnung des Interviews:
Moderator: Lehrer He Können Sie uns nicht vorstellen, welche Erfolge und Demonstrationen uns Hao Mo Zhixing auf der diesjährigen Dienstleistungsmesse bringen wird? 
He Xiang sagte, dass eine unserer wichtigsten Errungenschaften in diesem Jahr DriveGPT ist, das erste generative groß angelegte automatische Fahrmodell der Branche, das im April von Haomo Zhixing veröffentlicht wurde
Moderator: DriveGPT? Klingt, als hätte es etwas mit dem Autofahren zu tun?
He Xiang: Ja, das ist ein großes KI-Modell zur Lösung von Problemen im Zusammenhang mit dem Bereich des autonomen Fahrens. Wir nennen es DriveGPT, ein großes Modell des generativen Vortrainings für autonomes Fahren.
Moderator: Generatives Vortraining? Wie verstehen wir Vortraining?
He Xiang sagte: Die technischen Details des großen Modells bestehen darin, dass es zunächst in der Cloud mithilfe umfangreicher Daten zum Fahrverhalten des Fahrers vorab trainiert werden muss. Beim Vortraining wird zunächst das Modell trainiert. Nach dem Training wird ein Prototyp des Modells erstellt und anschließend die Übernahmedaten des Fahrers eingeführt. Die sogenannten Übernahmedaten bedeuten, dass der Fahrer jedes Mal, wenn das autonome Fahren aktiviert wird und die autonome Fahrentscheidung nicht gut genug ist, übernimmt, indem er beispielsweise auf die Bremse tritt oder das Lenkrad festhält. Diese Übernahmedaten kommen Korrekturen unserer autonomen Fahrentscheidungen gleich. Nach Erhalt dieser Daten kann das Modell kontinuierlich korrigiert werden, um die Fahrwirkung des Modells immer besser zu machen. Dies ist ein Prozess der ständigen Fehlerkorrektur und ständigen Iteration, um bessere autonome Fahreffekte zu erzielen.
Moderator: Man kann sagen, dass es sich um eine Verbesserung unseres traditionellen autonomen Fahrens handelt. Der umgeschriebene Inhalt lautet wie folgt:
Moderator: Man kann sagen, dass dies eine Weiterentwicklung unseres traditionellen autonomen Fahrens ist.
He Xiang: Ja, man kann sagen, dass es sich um einen technologischen Wandel handelt. Wir können einen einfachen Vergleich anstellen: Wenn das autonome Fahren ein Problem findet, werden in der Regel Daten zu diesem Problem aus umfangreichen Daten ermittelt. Denn es ist nicht so einfach, in der riesigen Datenmenge die gewünschten Daten zu finden. Nachdem Sie diese Daten gefunden haben, müssen Sie als Nächstes diesen Datenstapel an das Annotationsunternehmen übergeben und die darin enthaltenen Probleme manuell annotieren. Verwenden Sie diese Daten, um nach Abschluss der Annotation ein kleines Modell zu trainieren. Legen Sie es ins Auto. Zu diesem Zeitpunkt ist dieses Auto in der Lage, dieses Problem zu lösen. Wir nennen dieses Modell „Small Data“ und „Small Model“ und es ist „problemgesteuert“.
Unter dem großen Modellmodell von DriveGPT ist das gesamte Entwicklungsmodell anders. Mit der Unterstützung von DriveGPT besteht das aktuelle Entwicklungsmodell darin, zunächst umfangreiche Daten, Daten von Veteranenfahrern und Fahrverhalten zu nutzen, um ein Vortraining durchzuführen und ein vorläufiges Modell zu erhalten, das fahrfähig ist. Sobald wir beim autonomen Fahren ein Problem feststellen, übernimmt dieser die Korrektur der Fahrentscheidung. Anschließend werden die Daten an das ursprüngliche, vorab trainierte große Modell zurückgesendet Wenn ein geschlossener Datenkreislauf eingerichtet ist, wird sich die Wirkung dieses Modells jeden Tag weiterentwickeln und verbessern. Wir nennen dieses Entwicklungsmodell Big Data und Big Model und es ist „datengesteuert“. Dies ist eine transformative Verbesserung.
Moderator: Wir können beobachten, dass das aktuelle Niveau der autonomen Fahrtechnologie ungefähr auf L2-Niveau liegt und die meisten Fahrzeuge jetzt L2,5-Niveau erreicht haben
He Xiang: L2+, wir nennen es unterstütztes Fahren auf hohem Niveau.
Host: Welches Niveau können wir mit der Unterstützung des großen Modells DriveGPT erreichen?
He Xiang: Es sollte sich noch im Stadium des hochgradig unterstützten Fahrens befinden. Unser großes Modell generiert hauptsächlich zwei Geschäftswerte.
Der erste Geschäftswert liegt in der gesamten Cloud. Das traditionelle Entwicklungsmodell für autonomes Fahren muss in die Cloud migriert werden, was sehr hohe Kosten mit sich bringt und viele Datenprüfungen erfordert, insbesondere manuelle Teilnahme und viele manuelle Anmerkungen. Bei großen Modellen kann jedoch das gesamte Datenscreening, die Annotation und die Datengenerierung vollständig automatisiert werden, was sehr effektiv zur Kostensenkung beiträgt
Im Bereich der Annotation müssen Unternehmen für autonomes Fahren beispielsweise jedes Jahr Hunderte Millionen Yuan für die Annotation ausgegeben haben. Mit DriveGPT können Bilder oder Videos automatisch mit Annotationen versehen werden, wenn Sie Videoannotationen oder 4D-Clips annotieren Kosten um 98 % senken. Selbst wenn nur ein einzelnes Bild mit Anmerkungen versehen wird, können die Kosten um 90 % gesenkt werden. Die Kosten der Cloud können erheblich gesenkt werden.
Der zweite Geschäftswert liegt auf der Autoseite und der Effekt kann erheblich verbessert werden. Das Modell wird auf der Grundlage umfangreicher Daten trainiert. Je mehr Informationen es hat, desto stärker ist seine Fähigkeit. Diese Fähigkeit wird als Generalisierungsfähigkeit des Modells oder der KI bezeichnet. Mit Generalisierungsfähigkeiten wird der Effekt des autonomen Fahrens besser sein.
Darüber hinaus wird das gesamte Modell auf der Grundlage der Fahrverhaltensdaten von „alten Fahrern“ trainiert. Es handelt sich um sehr hochwertige Daten, deren Gesamtfahreffekt oder Fahrerlebnis eher dem von „alten Fahrern“ entspricht. Benutzer werden das Gefühl haben, dass das Fahrerlebnis während der Nutzung besser wird.
Dritter Punkt: Unser großes Modell verfügt über eine besondere Fähigkeit, die Gründe für Fahrentscheidungen auszugeben. Wenn beispielsweise eine Fahrentscheidung getroffen wird, wie „auf die Bremse treten“ oder „das Lenkrad drehen“, kann unser Modell erklären, warum wir das tun. Wenn eine solche Erklärung bereitgestellt werden kann, kann eine gute Vertrauensbeziehung zwischen intelligent fahrenden Fahrzeugen und Benutzern aufgebaut werden, und Benutzer werden sicherer sein, wenn sie Produkte für autonomes Fahren verwenden Bei den aktuellen fortschrittlichen Fahrassistenzsystemen muss der Fahrer immer noch jederzeit übernehmen. In Zukunft hoffen wir, durch kontinuierliche iterative Upgrades schrittweise echtes fahrerloses Fahren zu verwirklichen.
Gastgeber: Aus dieser Perspektive werden nicht nur die Kosten gesenkt, sondern auch die Effizienz verbessert.
He Xiang sagte: „Fahrer müssen nicht selbst fahren.“ Um immer wieder Fehler zu machen, kann Big Data dabei helfen, das gesamte Übernahmeverhalten des Fahrers zu erfassen und alle Probleme auf einmal zu lösen.
Das obige ist der detaillierte Inhalt vonHaomo DriveGPT ist der „König der Lautstärke' unter den großen Modellen! Fokussierung auf „Kostensenkung, Effizienzsteigerung, erfahrener Fahrer'. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
