公司指南

Wayve LINGO 驾驶语言模型

Wayve 的 LINGO 模型将自动驾驶系统与自然语言推理相结合,因此汽车可以解释它所看到的内容以及它的行为原因。

概述

Wayve 的 LINGO 模型将自动驾驶系统与自然语言推理相结合,因此汽车可以解释它所看到的内容以及它的行为原因。人们相信语言可以让自动驾驶变得更加可解释、可教学和安全。

Wayve LINGO 驾驶语言模型在战略、模型访问、平台决策和生态系统合作伙伴关系的背景下可以得到最好的理解。

深入探讨

Wayve 是一家总部位于伦敦的自动驾驶公司,它首创了“端到端”学习方法:神经网络无需手动编码规则,而是直接根据摄像头数据学习驾驶。 LINGO-1 (2023) 添加了一个视觉语言模型,可以用简单的英语叙述驾驶情况(“我正在减速,因为行人正在过马路”)。 LINGO-2 (2024) 更进一步,将语言和动作联系起来,因此模型既可以解释决策,又可以通过“靠边停车”等文本指令进行引导。这使得通常不透明的驾驶网络“黑匣子”变得可审计。 Wayve 更广泛的论文是“体现人工智能”——从数据而不是详细地图中学习通用驾驶技能,旨在在多种车辆类型和城市中进行部署,而无需针对每个位置进行工程设计。

技术洞察

LINGO 是一种视觉-语言-动作模型。相机帧被编码成令牌,并与文本一起输入到变压器中,该变压器经过与人类评论和问答数据配对的驾驶剪辑的训练。至关重要的是,产生语言的同一模型也可以输出转向和加速度,因此解释基于实际的驾驶策略,而不是单独的事后叙述者,从而减少了言语和行为出现分歧的风险。

掌握 Wayve LINGO 驾驶语言模型

Wayve 的 LINGO 模型将自动驾驶系统与自然语言推理相结合,因此汽车可以解释它所看到的内容以及它的行为原因。人们相信语言可以让自动驾驶变得更加可解释、可教学和安全。 Wayve LINGO 驾驶语言模型在战略、模型访问、平台决策和生态系统合作伙伴关系的背景下可以得到最好的理解。为了建立深入的理解,请将 Wayve LINGO 驾驶语言模型视为一个操作模型,而不是一个单一功能:定义期望的结果,澄清假设,并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。

在实践中,使用 Wayve LINGO 驾驶语言模型的强大团队在做出承诺之前会评估供应商策略、路线图可靠性和锁定风险。他们记录明确的成功标准,根据实际数据和工作流程进行测试,并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。

供应商路线图会影响您的团队接下来可以构建的功能。与此同时,发布公告可能会超过实际生产工作流程的稳定性。最具弹性的方法是将实验速度与治理规则结合起来:运行试点、捕获证据、发布决策日志,并随着模型行为、用户期望和监管要求的发展不断更新保障措施。

战略影响

供应商路线图会影响您的团队接下来可以构建的功能。

供应商路线图会影响您的团队接下来可以构建的功能。在高质量部署中,这会转化为可衡量的操作规则、所有权边界和定期审查仪式,以便团队可以增强信心,而不是扩大模糊性。

商业条款和部署选项会影响长期成本和风险。

商业条款和部署选项会影响长期成本和风险。在高质量部署中,这会转化为可衡量的操作规则、所有权边界和定期审查仪式,以便团队可以增强信心,而不是扩大模糊性。

公司激励措施塑造了产品默认、安全态势和开放性。

公司激励措施塑造了产品默认、安全态势和开放性。在高质量部署中,这会转化为可衡量的操作规则、所有权边界和定期审查仪式,以便团队可以增强信心,而不是扩大模糊性。

Wayve LINGO 驱动语言模型的未来

预计语言驱动的界面将成为测试和验证自主性的标准:工程师会询问“你为什么刹车?”跨越数百万个场景。 Wayve 的目标是将其“AI Driver”基础模型授权给汽车制造商,而不是自己制造汽车。随着这些模型的扩展,悬而未决的问题是罕见“边缘情况”下的可靠性、如何验证口头解释是否真正反映了内部推理,以及监管机构对学习的、非基于规则的驾驶系统的接受程度。

现实世界的实施

生成简单的英语评论,解释道路测试期间的每个驾驶决策

让工程师通过自然语言问题查询车队的行为,以调试罕见的场景

接受文本或语音指令(例如“红灯左转”)来驾驶车辆

通过将驾驶镜头与问答注释配对来生成训练和验证数据

实施模式

Wayve LINGO 在实践中推动语言模型

生成简单的英语评论,解释道路测试期间的每个驾驶决策。

生成简单的英语评论来解释道路测试期间的每个驾驶决策当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力提升和错误成本时,通常会获得更好的结果。

Wayve LINGO 在实践中推动语言模型

让工程师通过自然语言问题查询车队的行为,以调试罕见的场景。

让工程师使用自然语言问题查询车队的行为,以调试罕见的场景。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时,通常会获得更好的结果。

Wayve LINGO 在实践中推动语言模型

接受文本或语音指令(例如“红灯左转”)来驾驶车辆。

接受文本或语音指令(例如“红灯左转”)来驾驶车辆 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时,通常会获得更好的结果。

Wayve LINGO 在实践中推动语言模型

通过将驾驶镜头与问答注释配对来生成训练和验证数据。

通过将驾驶录像与问答注释配对来生成训练和验证数据 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时,通常会获得更好的结果。

风险与防护栏

!

发布公告可能会超过实际生产工作流程的稳定性。

!

API 定价或政策转变可能会在一夜之间打破假设。

!

单一供应商依赖性增加了锁定和迁移成本。

实施路线图

1

使用您自己的任务和数据集评估提供商。

使用您自己的任务和数据集评估提供商。将每个步骤视为证据门:如果不满足标准,则暂停推出,缩小差距,然后再扩大使用。

2

在集成之前查看隐私、安全和法律条款。

在集成之前查看隐私、安全和法律条款。将每个步骤视为证据门:如果不满足标准,则暂停推出,缩小差距,然后再扩大使用。

3

维护跨模型或供应商的后备计划。

维护跨模型或供应商的后备计划。将每个步骤视为证据门:如果不满足标准,则暂停推出,缩小差距,然后再扩大使用。

4

监控发行说明,以便路线图的更改不会让团队感到意外。

监控发行说明,以便路线图的更改不会让团队感到意外。将每个步骤视为证据门:如果不满足标准,则暂停推出,缩小差距,然后再扩大使用。

不断探索