Aperçu
Wayve est une entreprise britannique qui construit des systèmes de conduite autonome avec un seul réseau neuronal appris qui mappe les pixels de la caméra directement aux commandes de conduite – sans règles codées à la main ni cartes HD. C’est important car cette approche de bout en bout promet des voitures qui se généraliseront dans de nouvelles villes sans reprogrammation coûteuse.
Wayve et les modèles de conduite de bout en bout sont mieux compris dans le contexte de la stratégie, de l'accès aux modèles, des décisions de plate-forme et des partenariats écosystémiques.
Plongée profonde
Fondée à Cambridge en 2017, Wayve rejette la recette traditionnelle de conduite autonome composée de modules séparés pour la perception, la prédiction et la planification collés ensemble par un code écrit à la main. Au lieu de cela, il entraîne un vaste réseau neuronal de bout en bout : la vidéo de caméras bon marché entre, la direction et l'accélération sortent, tirées des démonstrations de conduite humaine. Wayve évite les coûteux LiDAR et les cartes HD prédéfinies, pariant que l'apprentissage généralise la façon dont les conducteurs humains le font. Ses GAIA-1 et plus tard GAIA-2 sont des modèles mondiaux génératifs qui simulent une vidéo de conduite réaliste pour former et tester la politique. En 2024, Wayve a levé plus d'un milliard de dollars sous la direction de SoftBank, Nvidia et Microsoft, et a testé des voitures dans des dizaines de villes britanniques et a commencé son expansion aux États-Unis et au Japon.
Aperçu technique
L'apprentissage de bout en bout remplace les pipelines modulaires par un réseau différenciable formé par un apprentissage par imitation de la conduite humaine, souvent affiné par un apprentissage par renforcement. Les modèles mondiaux de Wayve comme GAIA-2 sont des modèles vidéo génératifs qui prédisent les images futures conditionnées par les actions, permettant à l'équipe de générer des scénarios rares (jaywalkers, brouillard) à moindre coût en simulation. Le revers de la médaille est l'interprétabilité : une politique de boîte noire unique est plus difficile à déboguer et à certifier qu'un pipeline dans lequel la sortie de chaque module peut être inspectée.
Maîtriser Wayve et les modèles de conduite de bout en bout
Wayve est une entreprise britannique qui construit des systèmes de conduite autonome avec un seul réseau neuronal appris qui mappe les pixels de la caméra directement aux commandes de conduite – sans règles codées à la main ni cartes HD. C’est important car cette approche de bout en bout promet des voitures qui se généraliseront dans de nouvelles villes sans reprogrammation coûteuse. Wayve et les modèles de conduite de bout en bout sont mieux compris dans le contexte de la stratégie, de l'accès aux modèles, des décisions de plate-forme et des partenariats écosystémiques. Pour développer une compréhension approfondie, traitez Wayve et les modèles de conduite de bout en bout comme un modèle opérationnel et non comme une seule fonctionnalité : définissez les résultats souhaités, clarifiez les hypothèses et séparez ce que le système peut faire de manière fiable de ce qui nécessite encore un jugement d'expert.
Dans la pratique, des équipes solides utilisant Wayve et les modèles de conduite de bout en bout évaluent la stratégie du fournisseur, la fiabilité de la feuille de route et le risque de verrouillage avant de s'engager. Ils documentent des critères de réussite explicites, testent par rapport à des données et des flux de travail réalistes et itèrent en fonction des modèles d'échec observés plutôt que des victoires de référence ponctuelles. C’est là que la compréhension théorique se transforme en capacité durable au niveau des produits, des politiques et des opérations.
Les feuilles de route des fournisseurs influencent les fonctionnalités que votre équipe peut ensuite créer. Dans le même temps, les annonces de lancement peuvent dépasser la stabilité des flux de production réels. L'approche la plus résiliente consiste à combiner vitesse d'expérimentation et discipline de gouvernance : exécuter des projets pilotes, capturer des preuves, publier des journaux de décision et mettre à jour en permanence les protections à mesure que le comportement du modèle, les attentes des utilisateurs et les exigences réglementaires évoluent.
Impact stratégique
Les feuilles de route des fournisseurs influencent les fonctionnalités que votre équipe peut ensuite créer.
Les feuilles de route des fournisseurs influencent les fonctionnalités que votre équipe peut ensuite créer. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les conditions commerciales et les options de déploiement affectent les coûts et les risques à long terme.
Les conditions commerciales et les options de déploiement affectent les coûts et les risques à long terme. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les incitations des entreprises façonnent les défauts des produits, la posture de sécurité et l’ouverture.
Les incitations des entreprises façonnent les défauts des produits, la posture de sécurité et l’ouverture. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Mise en œuvre dans le monde réel
Conduite urbaine sans carte dans des villes britanniques inconnues en utilisant uniquement l'entrée de la caméra et une politique apprise
Modèle mondial GAIA-2 générant des vidéos synthétiques de cas extrêmes (cyclistes, météo) pour tester le réseau routier
Octroi d'une licence au logiciel AV2.0 aux constructeurs automobiles afin que les suites de caméras de véhicules existantes bénéficient d'une conduite assistée avancée
Apprentissage de flotte où les données de nombreuses voitures à conduite humaine améliorent un modèle de conduite neuronale partagé unique
Modèles de mise en œuvre
Wayve et les modèles de conduite de bout en bout en pratique
Conduite urbaine sans carte dans des villes britanniques inconnues en utilisant uniquement l'entrée de la caméra et une politique apprise.
Conduite urbaine sans carte dans des villes britanniques inconnues en utilisant uniquement l'entrée de la caméra et une politique apprise. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Wayve et les modèles de conduite de bout en bout en pratique
Modèle mondial GAIA-2 générant des vidéos synthétiques de cas extrêmes (cyclistes, météo) pour tester le réseau routier.
Modèle mondial GAIA-2 générant des vidéos synthétiques de cas extrêmes (cyclistes, météo) pour tester le réseau de conduite. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Wayve et les modèles de conduite de bout en bout en pratique
Octroi d'une licence au logiciel AV2.0 aux constructeurs automobiles afin que les suites de caméras de véhicules existantes bénéficient d'une conduite assistée avancée.
Octroi d'une licence au logiciel AV2.0 aux constructeurs automobiles afin que les suites de caméras de véhicules existantes bénéficient d'une conduite assistée avancée. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Wayve et les modèles de conduite de bout en bout en pratique
L'apprentissage de flotte où les données de nombreuses voitures à conduite humaine améliorent un modèle de conduite neuronale partagé unique.
L'apprentissage de flotte où les données de nombreuses voitures conduites par des humains améliorent un modèle de conduite neuronale partagé unique. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin de remontée humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Risques et garde-fous
Les annonces de lancement peuvent dépasser la stabilité des flux de production réels.
La tarification des API ou les changements de politique peuvent briser les hypothèses du jour au lendemain.
La dépendance à un seul fournisseur augmente les coûts de verrouillage et de migration.
Feuille de route de mise en œuvre
Évaluez les fournisseurs à l’aide de vos propres tâches et ensembles de données.
Évaluez les fournisseurs à l’aide de vos propres tâches et ensembles de données. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Vérifiez les conditions de confidentialité, de sécurité et juridiques avant l’intégration.
Vérifiez les conditions de confidentialité, de sécurité et juridiques avant l’intégration. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Maintenez un plan de secours entre les modèles ou les fournisseurs.
Maintenez un plan de secours entre les modèles ou les fournisseurs. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Surveillez les notes de version afin que les modifications de la feuille de route ne surprennent pas les équipes.
Surveillez les notes de version afin que les modifications de la feuille de route ne surprennent pas les équipes. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.