【新智元導(dǎo)讀】Wayve推出的LINGO-1，讓自動(dòng)駕駛長嘴了！這車該怎么開，它自個(gè)給自個(gè)解說，大語言模型，再也不是黑盒了。
自發(fā)明以來，自動(dòng)駕駛最讓人擔(dān)心之處，莫過于人類無法知道它的腦子里到底在想些什么。
今天開始，它居然可以把自己的想法「講出來」了？
最近，Wayve推出了基于視覺語言行動(dòng)的大模型（VLAMs）的自動(dòng)駕駛交互大模型LINGO-1，把大語言模型和自動(dòng)駕駛進(jìn)行了深度融合。
具體來說，LINGO-1訓(xùn)練了一個(gè)視頻語言模型，它可以說是相當(dāng)有個(gè)性——可以對眼前正在進(jìn)行的場景發(fā)表評論！
-我在小心翼翼地穿越車流，因?yàn)槟壳奥访媲闆r很復(fù)雜。
-眼前的場景中有哪些潛在風(fēng)險(xiǎn)？
你對智駕系統(tǒng)的疑惑，它統(tǒng)統(tǒng)給你解釋清楚。
問：為什么停下了？答：因?yàn)楝F(xiàn)在是紅燈。
在經(jīng)過各種視覺和語言數(shù)據(jù)的訓(xùn)練之后，LINGO-1不僅可以執(zhí)行視覺問答（VQA）任務(wù)，如感知、反事實(shí)、規(guī)劃、推理和注意力，而且還能對駕駛行為和推理進(jìn)行描述。
也就是說，我們可以通過對LINGO-1進(jìn)行提問，來了解影響駕駛決策的因素是什么。
網(wǎng)友感慨道：「端到端的黑盒，就這么被打開了，簡直是GPT時(shí)代的大力出奇跡。自動(dòng)駕駛系統(tǒng)離真實(shí)的物理世界交互，又前進(jìn)了一大步。」
可以想象，隨著我們突破具身人工智能的界限，視覺-語言-行動(dòng)模型將產(chǎn)生巨大的影響，因?yàn)檎Z言提供了一種新的模式，來增強(qiáng)我們解釋和訓(xùn)練自動(dòng)駕駛模型的方式。
自動(dòng)駕駛車?yán)镞M(jìn)來一個(gè)捧哏的？
LINGO-1中的獨(dú)特之處在于引入了一個(gè)人類專家，對駕駛場景的語言評論解說數(shù)據(jù)進(jìn)行訓(xùn)練，讓模型把環(huán)境感知、行動(dòng)決策和類人的場景解讀聯(lián)系在一起。
這樣，它就可以通過自然語言交互，來解讀自動(dòng)駕駛系統(tǒng)的決策和行動(dòng)了。
英偉達(dá)高級AI科學(xué)家Jim Fan興奮地點(diǎn)評道：這是我近期讀到的自動(dòng)駕駛領(lǐng)域最有趣的作品！
從前的自動(dòng)駕駛，是「感知 -> 駕駛操作」，而以后的自動(dòng)駕駛，加進(jìn)了推理的這一步，是「感知->文字推理->行動(dòng)」。
這個(gè)新加的顯式推理步驟，有哪些優(yōu)點(diǎn)？Jim Fan解釋如下——
- 可解釋性：駕駛模型不再是一個(gè)神秘的黑盒。
- 反事實(shí)情景：它能夠想象出訓(xùn)練數(shù)據(jù)中沒有的場景，并推理出如何正確地進(jìn)行處理。
- 長尾編程：駕駛中存在大量邊緣場景，要對所有場景進(jìn)行良好的數(shù)據(jù)覆蓋是不可能的。與其收集成千上萬的示例來對一個(gè)案例進(jìn)行「神經(jīng)編程」，不如讓人類專家編寫提示（prompt）來解釋少量的示例，從而指導(dǎo)系統(tǒng)如何處理特定或復(fù)雜的情景。
不僅如此，LINGO-1還和游戲人工智能領(lǐng)域的一些研究密切相關(guān)，比如MineDojo和思想克隆，它們都是AI智能體。
前者可以學(xué)習(xí)一種獎(jiǎng)勵(lì)模型，把評論文本和「我的世界」（Minecraft）游戲視頻像素關(guān)聯(lián)起來。后者可以實(shí)現(xiàn)「像素->語言->行動(dòng)循環(huán)」的一整套鏈路。
自個(gè)解說自個(gè)
模型在關(guān)注什么？在做什么？現(xiàn)在，這些都不是謎了。
LINGO-1會(huì)對你解釋清楚，它的每一步行動(dòng)是在干嘛。
LINGO-1：由于車流緩慢，我正在超車。
LINGO-1：我正在超越一輛停在路邊的汽車。
LINGO-1：由于前方道路暢通，我正在加速。
駛近斑馬線時(shí)——
LINGO-1：我正在保持車速；道路仍然暢通無阻。
LINGO-1：我正在加速，因?yàn)榈缆吠〞场?/span>
在十字路口左轉(zhuǎn)時(shí)——
LINGO-1：我保持不動(dòng)，因?yàn)榍败囈餐Ａ讼聛怼?nbsp;
LINGO-1：我正在加速，因?yàn)榍败囈呀?jīng)駛離。
LINGO-1：我正在踩剎車，準(zhǔn)備在路口停車。
LINGO-1：我正在前進(jìn)，因?yàn)檐嚨罆惩ā?nbsp;
LINGO-1：完成左轉(zhuǎn)，沿著路線行駛。
視覺問答（VQA）
除了能解說自個(gè)兒，LINGO-1還能針對你的提問進(jìn)行答疑，讓我們能夠評估它的場景理解和推理能力。
比如，如果問LINGO-1，在這個(gè)十字路口要注意什么？
它會(huì)說：「我得注意前面的信號燈、我前面騎自行車的人和正在穿過道路的行人。」
問一下LINGO-1，現(xiàn)在是什么天氣？會(huì)對駕駛產(chǎn)生什么影響？
它會(huì)說：「現(xiàn)在是雨天，我開車時(shí)需要極其小心，因?yàn)橛晏炻访鏉窕芤姸冉档汀！?/span>
它會(huì)說：「我得和騎自行車的人保持距離，必要的時(shí)候停下來，它是一個(gè)潛在危險(xiǎn)。另外路邊停的車我也得注意。」
關(guān)鍵：駕駛解說數(shù)據(jù)集
開發(fā)LINGO-1的關(guān)鍵，就在于創(chuàng)建一個(gè)可擴(kuò)展的多樣化數(shù)據(jù)集。這個(gè)數(shù)據(jù)集包含了專業(yè)駕駛員在英國各地駕駛時(shí)的解說，包括圖像、語言和行動(dòng)數(shù)據(jù)。
這讓我們想起在駕校時(shí)跟教練學(xué)開車時(shí)的場景——他們會(huì)不時(shí)發(fā)表類似下面這樣的評論和解說，解釋自己在駕駛時(shí)為什么要有這種行為，好讓學(xué)員們舉一反三。
- 注意前方環(huán)島和讓路標(biāo)志
當(dāng)以上這些語句和感官圖像、底層駕駛動(dòng)作在時(shí)間上同步時(shí)，研究者就得到了豐富的視覺-語言-行動(dòng)數(shù)據(jù)集，可以用于訓(xùn)練各種任務(wù)的模型。
視覺-語言-行動(dòng)模型（VLAM）
LLM崛起后，許多視覺語言模型（VLM）都將LLM的推理能力與圖像和視頻相結(jié)合。
而Wayve進(jìn)一步推出了視覺-語言-行動(dòng)模型（VLAM），包含三種信息——圖像、駕駛數(shù)據(jù)和語言。
以前，在機(jī)器人訓(xùn)練（尤其自動(dòng)駕駛領(lǐng)域）中，很少會(huì)用到自然語言。
如果加進(jìn)了自然語言，就會(huì)讓我們更有力地解釋和訓(xùn)練基礎(chǔ)駕駛模型，這種嶄新的模式會(huì)產(chǎn)生巨大的影響。
通過用語言來解釋駕駛場景中的各種因果因素，就可以加快模型的訓(xùn)練速度，推廣到全新的場景中。
而且，既然可以向模型問問題，我們就能知道模型究竟理解了什么，它的推理和決策能力有多強(qiáng)。
自動(dòng)駕駛系統(tǒng)也不再是個(gè)神秘的黑盒，我們開車時(shí)可以時(shí)不時(shí)地問問它：你在想啥？
這無疑會(huì)提高大眾對自動(dòng)駕駛的信任。
另外，雖然只有少量的訓(xùn)練樣本，但自然語言的快速學(xué)習(xí)能力，可以讓模型迅速高效地學(xué)習(xí)新任務(wù)、適應(yīng)新場景。
比如，只要我們用自然語言告訴模型「這種行為不對」，就能糾正自動(dòng)駕駛系統(tǒng)的錯(cuò)誤行為。
從此，或許只需要自然語言，就能為端到端自動(dòng)駕駛建立基礎(chǔ)模型了！
準(zhǔn)確率60%
這段時(shí)間，團(tuán)隊(duì)一直在對模型架構(gòu)和訓(xùn)練數(shù)據(jù)集進(jìn)行改進(jìn)。
從圖中不難看出，LINGO-1的性能相比于最開始已經(jīng)提高了一倍。
目前，LINGO-1的準(zhǔn)確率已經(jīng)達(dá)到了人類水平的60%。
顯然，自然語言的引入，可以在多個(gè)方面徹底改變自動(dòng)駕駛技術(shù)。
提高端到端模型的可解釋性
機(jī)器學(xué)習(xí)模型缺乏可解釋性的問題，一直以來都是研究的焦點(diǎn)。
通過創(chuàng)建基于自然語言的交互界面，可以讓用戶直接進(jìn)行提問并讓AI解答，從而深入了解模型對場景理解以及是如何做出決策的。
這種乘客與自動(dòng)駕駛汽車之間的獨(dú)特對話，可以提高透明度，讓人更容易理解和信任這些系統(tǒng)。
同時(shí)，自然語言還能增強(qiáng)模型適應(yīng)人類反饋并從中學(xué)習(xí)的能力。
就像教練指導(dǎo)學(xué)生駕駛一樣，隨著時(shí)間的推移，糾正指令和用戶反饋可以完善模型的理解和決策過程。
更好的規(guī)劃和推理，提高駕駛性能
有兩個(gè)主要的因素會(huì)影響自動(dòng)駕駛性能：
1. 語言模型準(zhǔn)確解釋各種輸入模式場景的能力
2. 模型將中層推理轉(zhuǎn)化為有效底層規(guī)劃的熟練程度
對此，團(tuán)隊(duì)正在嘗試通過LINGO的自然語言、推理和規(guī)劃能力，來對閉環(huán)駕駛模型進(jìn)行增強(qiáng)。
Wayve LINGO-1閉環(huán)自動(dòng)駕駛模型
新場景或長尾場景的高效學(xué)習(xí)
但在訓(xùn)練模型時(shí)，是一段文字勝過千幅圖片。
現(xiàn)在，我們不再需要成千上萬個(gè)汽車為行人減速的示例，只需要幾個(gè)示例，配上簡短的文字說明，就可以教會(huì)模型減速，讓它學(xué)會(huì)在這種情況下應(yīng)該如何行動(dòng)，應(yīng)該考慮什么。
要知道，在自動(dòng)駕駛中，最重要的部分之一就是因果推理，它能讓系統(tǒng)理解場景中元素和行為之間的關(guān)系。
一個(gè)性能良好的VLAM，可以讓系統(tǒng)將在斑馬線上等待的行人與「請勿穿越」的交通信號牌聯(lián)系起來。這種數(shù)據(jù)有限的挑戰(zhàn)性場景中極有意義。
另外，LLM早已從互聯(lián)網(wǎng)數(shù)據(jù)集中掌握了大量人類行為知識，因此能夠理解識別物體、交通法規(guī)和駕駛操作等概念，比如樹、商店、房子、追逐球的狗和停在學(xué)校門口的公交車之間的區(qū)別。
通過VLAM對圖形數(shù)據(jù)更廣泛的信息編碼，自動(dòng)駕駛會(huì)變得更先進(jìn)、更安全。
當(dāng)然，LINGO-1也存在著一定的局限性。
泛化
LINGO-1是根據(jù)倫敦市中心的駕駛經(jīng)驗(yàn)和互聯(lián)網(wǎng)規(guī)模的文本進(jìn)行訓(xùn)練的。
雖然已經(jīng)學(xué)到了全世界的駕駛文化，但目前最擅長的還是對英國的交通法規(guī)進(jìn)行解讀。
它還需要學(xué)習(xí)其他國家的駕駛經(jīng)驗(yàn)。
幻覺
在大語言模型中，幻覺是一個(gè)眾所周知的問題，LINGO-1也不例外。
不過比起一般LLM，LINGO-1有一個(gè)優(yōu)勢：因?yàn)橐砸曈X、語言和行動(dòng)為基礎(chǔ)，它就有了更多的監(jiān)督來源，從而可以更好地理解世界。
上下文
視頻深度學(xué)習(xí)之所以具有挑戰(zhàn)性，是因?yàn)橐曨l數(shù)據(jù)通常比圖像或文本數(shù)據(jù)集大幾個(gè)數(shù)量級。
基于視頻的多模態(tài)語言模型尤其需要較長的上下文長度，以便能夠嵌入許多視頻幀，來推理復(fù)雜的動(dòng)態(tài)駕駛場景。
閉環(huán)推理
目前，Wayve正在研究模型的可解釋性，但最終，他們LLM的推理能力能夠真正影響到人類的駕駛。
研究者正在開發(fā)一種閉環(huán)架構(gòu)，未來能在自動(dòng)駕駛車輛上運(yùn)行LINGO-1。
「有趣的是，我認(rèn)為語言模型是用文字解釋了駕駛控制模型的轉(zhuǎn)向、制動(dòng)和油門預(yù)測，而不是影響駕駛本身，因?yàn)樽匀徽Z言會(huì)丟失所需的精度。」
「可以認(rèn)為它是在世界模型中添加語言。我一直不明白為什么以前從未嘗試過，因?yàn)橛?xùn)練Agent進(jìn)行溝通這個(gè)想法似乎大家都能想到。」
「從單純的感知行動(dòng)到添加文本推理，這種轉(zhuǎn)變改變了游戲規(guī)則！在我看來，這正是自動(dòng)駕駛中缺失的部分，因?yàn)樗苑羌夹g(shù)性的方式使可解釋性成為可能。」
目前來說，機(jī)器人訓(xùn)練與自然語言的整合，仍處于早期階段。
而LINGO-1，正式在利用自然語言加強(qiáng)基礎(chǔ)駕駛模型的學(xué)習(xí)和可解釋性上，邁出的重要一步。
試想一下，以后我們只需要通過簡單的文字提示，就能讓AI告訴前面的路況，或者讓AI學(xué)習(xí)不同地區(qū)的交通法規(guī)，這個(gè)場景簡直太令人激動(dòng)了！
因此，自然語言在開發(fā)更安全、更可靠的自動(dòng)駕駛汽車方面，一定大有可為。
https://wayve.ai/thinking/lingo-natural-language-autonomous-driving/?continueFlag=94beb9def3b2abc69ded207e71ffda33
