«Магистры права обеспечивают интеллект для умных автономных машин статья предлагает»
Law masters provide intellect for smart autonomous machines, article suggests.
Новое исследование демонстрирует, что большие языковые модели могут служить эффективными принимающими решениями для автономных транспортных средств, логически мысля о сложных сценариях.
Группа исследователей из Университета Цинхуа, Гонконгского университета и Университета Калифорнии в Беркли изучила технологию автономного вождения с использованием больших языковых моделей (LLM) для высокоуровневого принятия решений. Их новая статья, опубликованная на предварительном сервере arXiv 4 октября, демонстрирует, что LLM успешно понимают ситуации на дороге, делают обоснованные выводы, придерживаясь правил, и предоставляют ясные объяснения своих решений.
Хотя существующие системы автономного вождения, основанные на глубоком обучении, показали некоторые перспективы, они все еще сталкиваются с проблемами при работе с редкими событиями и обеспечении интерпретируемости. В статье сказано:
«LLM могут мыслить, как люди, и рассуждать о новых сценариях, объединяя здравый смысл, а процесс мышления делает их сильно интерпретируемыми. […] Рассуждающие способности и интерпретируемость LLM помогают преодолеть ограничения текущих систем обучения на основе [автономного вождения] в отношении адаптивности и прозрачности».
Для использования преимуществ LLM исследователи разработали структурированный процесс мышления для управления этапами рассуждений. LLM собирает соответствующую информацию, оценивает ситуацию на дороге и предоставляет руководство по высокоуровневым действиям. Эти текстовые решения затем преобразуются в параметры, которые направляют контроллер низкого уровня. Обширные эксперименты подчеркивают значительный прирост производительности при использовании этого подхода.
- «Открытый исходный код искусственного интеллекта с вытягиванием пре...
- Илон Маск не явился в суд и подвергается судебному иску со стороны SEC
- 15 доказанных способов увеличить вовлеченность клиентов и построить...
По сравнению с обучением с подкреплением и методами оптимизации, система, усиленная LLM, достигла существенного снижения затрат и повышения безопасности при выполнении различных задач вождения, включая перекрестки, кольцевые развязки и экстренные маневры. В статье указывается:
«Эта статья представляет собой первый шаг к использованию LLM в качестве эффективных принимающих решения [для автономного вождения] в сложных сценариях с точки зрения безопасности, эффективности, обобщаемости и совместимости».
Помимо количественных показателей, LLM, по сообщению, проявляют ситуационную осведомленность и адаптивность, сходную с водителями. Например, они подходят к вопросу о снижении скорости, когда другое транспортное средство имеет преимущество в движении, а не только оптимизируют эффективность.
Хотя это пионерская работа находится в начальной стадии исследования, она заложила основу для дальнейшего прогресса. В заключении статьи говорится:
«Мы надеемся, что она послужит вдохновением для будущих исследований в этой области».
Изображение: istockphoto; Pexels; Спасибо!
