हर छह महीने में, एनवीडिया के ऑटोमोटिव प्रमुख, शिनझोउ वू, सीईओ जेन्सेन हुआंग को कंपनी के हैंड्स-फ्री ऑटोनॉमस ड्राइविंग सिस्टम से लैस वाहन में सवारी के लिए आमंत्रित करते हैं। लेकिन केवल तभी जब वू को सिस्टम की ड्राइविंग क्षमताओं पर “अच्छा भरोसा” हो।
हाल ही में, दोनों एमबी.ड्राइव असिस्ट प्रो के साथ मर्सिडीज सीएलए सेडान में कैलिफोर्निया के वुडसाइड से डाउनटाउन सैन फ्रांसिस्को तक ड्राइव के लिए गए, जो आंशिक रूप से एनवीडिया द्वारा डिजाइन किया गया एक हैंड्स-फ्री ड्राइवर-असिस्ट सिस्टम है जो टेस्ला की फुल सेल्फ-ड्राइविंग के समान है। मूड हल्का था, भले ही ट्रैफिक काफी भारी था।
प्रदान की गई सवारी के एक वीडियो के अनुसार, हुआंग ने वू से कहा, “जब आप स्वायत्त मोड में हों तो मुझे बताएं।” द वर्ज“तब मैं अपनी सुरक्षा के बारे में कम चिंतित हो सकता हूँ।”
22 मिनट के वीडियो के दौरान, मर्सिडीज रोजमर्रा की बाधाओं की एक श्रृंखला के माध्यम से हुआंग और वू को पार करती है, जैसे कि निर्माण स्थल, डबल-पार्क वाली कारें, और नारंगी शंकु की पंक्तियों के माध्यम से संकीर्ण रूप से बहने वाली गलियां। एनवीडिया का सिस्टम काफी सक्षम लगता है, हालांकि वीडियो संपादित है और वास्तविक समय में प्रस्तुत नहीं किया गया है। (एनवीडिया की प्रवक्ता जेसिका सोरेस ने बाद में कहा कि सवारी के दौरान कोई विघटन नहीं हुआ।)
फिर भी, पिछले साल मर्सिडीज में हैंड्स-फ्री ड्राइविंग सिस्टम सक्रिय होने के साथ एनवीडिया के अधिकारियों के साथ शॉटगन की सवारी करने का यह मेरे अपने अनुभव से भिन्न नहीं था। मैं ट्रैफिक सिग्नल, चार-तरफा स्टॉप, डबल-पार्क वाली कारों, असुरक्षित बाएं मोड़ और सैन फ्रांसिस्को में आने वाले सभी पैदल यात्रियों और साइकिल चालकों और स्कूटर-सवारों को संभालने की प्रणाली की क्षमता से प्रभावित हुआ। यदि टेस्ला इसे थोड़े से सिलिकॉन और ढेर सारे कैमरों के साथ कर सकता है, तो यह उचित है कि दुनिया की सबसे मूल्यवान कंपनी भी इसका पता लगा सकती है।
‘भौतिक एआई के लिए चैटजीपीटी क्षण’
वर्षों तक पर्दे के पीछे काम करने के बाद, एनवीडिया स्वायत्त ड्राइविंग पर अधिक प्रमुख नेतृत्व की स्थिति हासिल करने का प्रयास कर रहा है। यह न केवल टेस्ला जैसी कंपनियों को चिप्स की आपूर्ति कर रहा है, बल्कि यह मर्सिडीज, जगुआर लैंड रोवर और ल्यूसिड जैसे भागीदारों को अपनी एआई-संचालित ड्राइविंग सुविधाएं भी प्रदान कर रहा है। इस साल की शुरुआत में सीईएस में हुआंग ने अनावरण किया अल्पामायोएआई मॉडल, सिमुलेशन ब्लूप्रिंट और डेटासेट का एक पोर्टफोलियो, जो वाहनों को लेवल 4 स्वायत्तता दे सकता है, जिससे उन्हें विशिष्ट परिस्थितियों में पूरी तरह से खुद को चलाने की अनुमति मिल सकती है। हुआंग ने घोषणा को “भौतिक एआई के लिए चैटजीपीटी क्षण” बताया।
वू के साथ कार में, हुआंग कम आडंबरपूर्ण और अधिक आत्मनिरीक्षणी है – लेकिन प्रौद्योगिकी के भविष्य पर कोई कम आशावादी नहीं है। “मुझे लगता है कि चुनौती, निस्संदेह, अल्पामायो है, यह जितना अविश्वसनीय रूप से स्मार्ट है – और यह परिस्थिति के बारे में तर्क कर सकता है – हम नहीं जानते कि यह क्या नहीं कर सकता है,” उन्होंने कहा। “और यही चुनौती है, और यही कारण है कि हमारा शास्त्रीय स्टैक इतना अविश्वसनीय रूप से महत्वपूर्ण है।”
वर्षों तक पर्दे के पीछे काम करने के बाद, एनवीडिया स्वायत्त ड्राइविंग पर अधिक प्रमुख नेतृत्व की स्थिति हासिल करने का प्रयास कर रहा है
हुआंग का दावा है कि स्वायत्त ड्राइविंग के लिए एनवीडिया का दृष्टिकोण “अद्वितीय” है क्योंकि यह पारंपरिक, मानव-इंजीनियर्ड “शास्त्रीय” स्टैक के साथ एंड-टू-एंड एआई मॉडल को जोड़ता है। उनका मानना है कि शुद्ध एंड-टू-एंड मॉडल को सुरक्षा के लिए सत्यापित करना मुश्किल है। इसके विपरीत, क्लासिकल स्टैक अच्छी तरह से स्थापित इंजीनियरिंग प्रोटोकॉल और प्रक्रियाओं का पालन करता है जो यह सत्यापित करना आसान बनाता है कि कुछ व्यवहार काफी सुरक्षित हैं। दोनों दृष्टिकोणों को मिलाकर, एनवीडिया की प्रणाली सड़क के पारंपरिक नियमों पर आधारित सुरक्षा ढांचे को बनाए रखते हुए मानव जैसी ड्राइविंग शैली से लाभ उठा सकती है।
हुआंग का उद्योग में अद्वितीय दृष्टिकोण का दावा पूरी तरह से सही नहीं बैठता है; अन्य एवी ऑपरेटर भी स्पष्ट सुरक्षा नियमों के साथ एंड-टू-एंड न्यूरल नेटवर्क का उपयोग करते हैं जो यह नियंत्रित करते हैं कि वाहन को कैसे प्रतिक्रिया देनी चाहिए। लेकिन यह निश्चित रूप से सच है कि एंड-टू-एंड लर्निंग, जो अपनी ड्राइविंग में अधिक मानवीय और कम रोबोटिक होती है, अधिक प्रचलन में आ रही है। वेमो एक हाइब्रिड सिस्टम पर निर्भर करता है, जबकि टेस्ला विशेष रूप से एंड-टू-एंड न्यूरल नेटवर्क पर निर्भर करता है।
एक साक्षात्कार में, वू ने कहा कि एंड-टू-एंड मॉडल यांत्रिक या अत्यधिक रोबोटिक महसूस किए बिना गति बाधाओं या लेन परिवर्तन जैसी चीजों पर बेहतर प्रतिक्रिया देने में सक्षम हैं। “यही कारण है कि यह वास्तव में चैटजीपीटी क्षण है,” उन्होंने कहा। “यह ऐसा है जैसे जब आपकी कार वास्तव में आत्मविश्वास के साथ चलती है … तब मूल रूप से ग्राहक इसका उपयोग करने के लिए अधिक इच्छुक महसूस करेंगे।”
टेस्ला और सेल्फ-ड्राइविंग की उच्च लागत
मैंने वू से पूछा कि वह टेस्ला की फुल सेल्फ-ड्राइविंग की तुलना में एनवीडिया के दृष्टिकोण के बारे में क्या सोचते हैं, जो 8.5 बिलियन मील से अधिक की दूरी तय कर चुकी है, लेकिन 23 चोटों और कम से कम दो मौतों सहित कई परेशान करने वाली सुरक्षा घटनाओं में फंस गई है। पिछले दिसंबर में, एनवीडिया के एक कार्यकारी ने मुझे बताया कि कंपनी ने दोनों प्रणालियों का एक-दूसरे के विरुद्ध परीक्षण किया था। उन्होंने कहा, एनवीडिया के सिस्टम के लिए ड्राइवर अधिग्रहणों की संख्या तुलनीय थी, कभी एक सिस्टम का पक्ष लेते थे, कभी दूसरे का।
वू ने टेस्ला के सुरक्षा रिकॉर्ड पर सीधे टिप्पणी करने से इनकार कर दिया, लेकिन बताया कि एनवीडिया कैमरे, रडार, अल्ट्रासोनिक सेंसर और – उच्च कॉन्फ़िगरेशन पर – लिडार सहित कई सेंसर के उपयोग के माध्यम से खुद को अलग करता है। वू ने कहा, एनवीडिया का मानना है कि कठिन किनारे वाले मामलों को संभालने और सुरक्षा के उच्च स्तर को प्राप्त करने के लिए सेंसिंग प्रौद्योगिकियों में अतिरेक और विविधता महत्वपूर्ण है।
“यह ऐसा है जैसे जब आपकी कार वास्तव में आत्मविश्वास के साथ चलती है … तब मूल रूप से ग्राहक इसका उपयोग करने के लिए अधिक इच्छुक महसूस करेंगे।”
– झिंझोउ वू
अतिरिक्त सेंसर का मतलब अतिरिक्त लागत है। विशेष रूप से लिडार को शामिल करने से पता चलता है कि एनवीडिया की सबसे सुरक्षित प्रणाली केवल अमीर मर्सिडीज मालिकों के लिए ही पहुंच योग्य होगी। लेकिन वू का मानना है कि एनवीडिया का लंबवत एकीकृत दृष्टिकोण इसे न्यूनतम संभव लागत पर आवश्यक सुरक्षा प्रदर्शन प्रदान करने की अनुमति देता है।
एनवीडिया का DRIVE हाइपरियन प्लेटफ़ॉर्म कई कॉन्फ़िगरेशन को ध्यान में रखकर डिज़ाइन किया गया है। बेस संस्करण एक सरल और अधिक लागत प्रभावी सेंसर सेटअप का उपयोग करता है, जो मुख्य रूप से कैमरों और रडार पर निर्भर करता है। बड़े पैमाने पर उत्पादन के कारण पिछले एक दशक में ये सेंसर नाटकीय रूप से सस्ते हो गए हैं; अल्ट्रासोनिक सेंसर पहले से ही बेहद सस्ते हैं। स्वायत्तता के उच्च स्तर के लिए, प्लेटफ़ॉर्म लिडार सेंसर जोड़ सकता है, और लिडार की घटती लागत को देखते हुए, वू ने कहा कि उनका मानना है कि $ 40,000 से $ 50,000 की कीमत वाले वाहन वास्तविक रूप से उन्नत स्वायत्तता के लिए आवश्यक पूर्ण सेंसर स्टैक को शामिल कर सकते हैं।
डेटा के फायदे और नुकसान
मैंने वू से वेमो वाहनों से जुड़ी हालिया सुरक्षा घटनाओं के बारे में पूछा, जैसे सैन फ्रांसिस्को में ब्लैकआउट के दौरान कंपनी की रोबोटैक्सिस द्वारा चौराहों को अवरुद्ध करना। उन्होंने कहा कि एनवीडिया पहले से ही अपने सिमुलेटर के माध्यम से इसी तरह के एज केस चला रहा था। वास्तव में, कंपनी वास्तविक दुनिया के परीक्षण में अपने नुकसान को ध्यान में रखते हुए सिंथेटिक ड्राइविंग डेटा पर बहुत अधिक निर्भर करती है। ग्राहक कारों के विशाल बेड़े की बदौलत टेस्ला के पास वास्तविक दुनिया में अरबों ड्राइविंग मील हैं। वेमो ने सार्वजनिक सड़कों पर लगभग 200 मिलियन पूर्णतः स्वायत्त मील की दूरी तय की है। एनवीडिया कभी भी इसे पकड़ने की आशा कैसे कर सकता है?
वू ने कहा, “बड़े बुनियादी ढांचे का खेल वास्तव में अनुकरण है।” एनवीडिया इसके लिए दो दृष्टिकोण अपना रहा है। एक है तंत्रिका पुनर्निर्माण, या NuRec, जिसमें कंपनी के इंजीनियर क्षेत्र में वाहनों से एकत्र किए गए सेंसर डेटा का उपयोग करके वास्तविक दुनिया के ड्राइविंग परिदृश्यों को फिर से बनाते हैं। दूसरा है संवर्धन, जो विभिन्न संभावित परिणामों का पता लगाने के लिए पुनर्निर्मित दृश्य के भीतर तत्वों को संशोधित करता है। यह इंजीनियरों को यह जांचने की अनुमति देता है कि स्वायत्त प्रणाली थोड़ी अलग परिस्थितियों में कैसे व्यवहार करती है और दुर्लभ किनारे के मामलों की पहचान करती है जो मूल डेटासेट में हो सकते हैं।
उन्होंने कहा, “हम किसी पैदल यात्री को अलग-अलग जगहों पर तेजी से, धीमी गति से बाहर निकाल सकते हैं।” “इसे हम डेटासेट का धुंधला होना कहते हैं।”
एनवीडिया ने सिमुलेशन में उपयोग किए जाने वाले डेटा को फीड करने के लिए अपने साझेदारों से डैशकैम फुटेज हासिल कर लिया है। यह ब्लैकआउट की तरह इन वेमो घटनाओं से किनारे के मामलों को भी फिर से बनाता है, और चौराहों को अवरुद्ध किए बिना प्रतिक्रिया देने के लिए अपने सिस्टम को प्रशिक्षित करता है।
लेकिन अंतिम लक्ष्य एक ऐसी प्रणाली का निर्माण करना है जो इन एज-केस जाल से बचने के लिए तर्क का उपयोग करता है – इस प्रकार वास्तविक दुनिया के ड्राइविंग डेटा की आवश्यकता को पहले स्थान पर समाप्त कर देता है। वू की टीम विज़न लैंग्वेज एक्शन मॉडल नामक किसी चीज़ पर काम कर रही है, जो इस सिद्धांत को व्यवहार में लाएगी। ये मॉडल दृश्य धारणा, भाषा की समझ और शारीरिक क्रिया को एक एकीकृत वास्तुकला में जोड़ते हैं, जो पहले से ही इंटरनेट-स्केल डेटासेट पर प्रशिक्षित बड़े आधार मॉडल पर चित्रित होते हैं। वू इसकी तुलना ड्राइवर के एड से करता है।
वू ने कहा, “जब हम किसी बच्चे को गाड़ी चलाना सिखाते हैं, तो वे एक नियम पुस्तिका पढ़ते हैं और फिर गाड़ी चलाने का 20 घंटे का अभ्यास करते हैं।” “आम तौर पर, वे शुरू करने के लिए बुरे ड्राइवर नहीं होते हैं – हालांकि, जाहिर है, इसमें सुधार करने के लिए अनुभव की आवश्यकता होती है। अंततः, हम चाहते हैं कि मॉडल उसी तरह काम करे: भविष्य में, केवल एक नियम पुस्तिका और 20 घंटे के प्रशिक्षण डेटा के साथ, यह सीख जाएगा कि गाड़ी कैसे चलानी है।”