TECHNOLOGIE

GPT-6 Astra pokonał parkingowy tor jazdy, ale średnia prędkość 1,5 km/h zdradza prawdę o LLM w samochodach

Analiza

W ostatnich miesiącach obserwujemy dynamiczny rozwój technologii autonomicznych systemów transportowych, gdzie tradycyjne modele uczenia maszynowego (ML) współgrają z zaawansowanymi algorytmami językowymi (LLM). Projekt DrivingBench, prowadzony przez międzynarodowy zespół specjalistów z dziedziny sztucznej inteligencji, postanowił przetestować, czy czołowe modele językowe, takie jak GPT-6 Astra, mogą w ogóle sterować pojazdem bez dodatkowego sprzętu dedykowanego do autonomicznej jazdy. Testy przeprowadzono na Toyocie Corolli, wyposażonej w zestaw urządzeń pomocniczych, takich jak komputer przenośny, telefon oraz system comma four z oprogramowaniem openpilot, który przekładał komendy LLM na sterowanie pojazdem. Pomimo że modele te nie były specjalnie trenowane do kierowania pojazdami, badacze chcieli sprawdzić, czy ich zdolności rozumowania mogą być wystarczające do podstawowych manewrów. Wyniki były zaskakujące, ale jednocześnie jasno pokazały ograniczenia tych technologii. Podczas gdy GPT-6 Astra jako jedyny ukończył tor parkingowy, jego średnia prędkość wyniosła zaledwie 1,5 km/h, co świadczy o problemach z szybkością reakcji i podejmowaniem decyzji w czasie rzeczywistym. Warto zauważyć, że podobne testy przeprowadzano już wcześniej, jednak w 2026 roku technologia LLM ewoluowała na tyle, że stała się przedmiotem poważnych badań nad jej praktycznym zastosowaniem w motoryzacji. Współczesne samochody autonomiczne, takie jak modele Waymo czy systemy Uber Advanced Technologies, opierają się na dedykowanych rozwiązaniach sprzętowo-programowych, które są w stanie przetwarzać dane w czasie rzeczywistym i reagować na zmieniające się warunki drogowe. LLM-y, mimo swoich zdolności językowych, nie są przystosowane do tego typu zadań, co potwierdziły wyniki testów DrivingBench. Dodatkowo, obecne na rynku rozwiązania, takie jak Tesla Autopilot, wykorzystują specjalistyczne czipy i algorytmy, które są optymalizowane pod kątem szybkiej obróbki danych sensorycznych, takich jak obrazy z kamer czy dane z radarów. W kontekście rosnącej popularności elektromobilności i autonomicznych systemów transportowych, wyniki te wskazują, że droga do pełnej autonomii wciąż jest daleka, a obecne modele językowe nie są w stanie zastąpić dedykowanych rozwiązań technologicznych.

Kontekst i Tło

Testy przeprowadzone przez zespół DrivingBench wykazały, że obecne modele językowe, takie jak GPT-6 Astra, nie są w stanie sprostać wymaganiom związanych z bezpiecznym i efektywnym sterowaniem pojazdem. Ich główne ograniczenia to brak zdolności do szybkiego przetwarzania danych sensorycznych oraz podejmowania decyzji w czasie rzeczywistym, co jest kluczowe dla bezpiecznej jazdy. Średnia prędkość 1,5 km/h osiągnięta przez GPT-6 Astra podczas testów na parkingu pokazuje, że te modele nie są w stanie konkurować z dedykowanymi systemami autonomicznej jazdy, takimi jak te stosowane przez Waymo czy Teslę. W dłuższej perspektywie wyniki te mogą wpłynąć na tempo rozwoju technologii autonomicznych pojazdów, wskazując, że konieczne jest dalsze doskonalenie zarówno algorytmów, jak i sprzętu. Ponadto, testy te rzucają wyzwanie dla producentów samochodów i firm technologicznych, które muszą kontynuować inwestycje w rozwój specjalistycznych systemów, aby zapewnić bezpieczeństwo i efektywność autonomicznych pojazdów. W kontekście rosnącej liczby wypadków związanych z błędami algorytmów w samochodach autonomicznych, wyniki te podkreślają wagę dalszych badań i testów przed wprowadzeniem takich technologii na masową skalę. Można również przewidzieć, że w przyszłości będziemy świadkami integracji różnych technologii, łączących w sobie moc LLM-ów z dedykowanymi systemami sterowania pojazdami, aby osiągnąć pełną autonomię.

Komentarz Redakcji

Absurdalne wyniki testów DrivingBench nie powinny dziwić, skoro modele językowe nie są projektowane z myślą o czasie rzeczywistym. Ich zdolności do analizy i rozumowania są nieocenione w wielu dziedzinach, ale sterowanie pojazdem wymaga czegoś zupełnie innego: błyskawicznej reakcji i deterministycznego działania. To kolejny dowód, że sztuczna inteligencja ma swoje granice, a autonomiczne samochody wciąż potrzebują specjalistycznych rozwiązań. Zamiast marzyć o LLM-ach za kierownicą, lepiej skupić się na doskonaleniu już istniejących technologii, które potrafią realnie zapewnić bezpieczeństwo na drogach.