Decart's Oasis 3: AI ਡਰਾਈਵਿੰਗ ਸਿਮੂਲੇਸ਼ਨਾਂ ਨੂੰ ਮੁਸ਼ਕਿਲਾਂ ਦਾ ਸਾਹਮਣਾ

Decart ਨੇ Oasis 3 ਲਾਂਚ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ AI-ਡਰਾਈਵਨ ਵਰਲਡ ਮਾਡਲ ਹੈ। ਇਹ ਆਟੋਨੋਮਸ ਵਾਹਨਾਂ ਦੀ ਟ੍ਰੇਨਿੰਗ ਲਈ ਫੋਟੋਰਿਅਲਿਸਟਿਕ ਡਰਾਈਵਿੰਗ ਵਾਤਾਵਰਨ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਲੰਬੇ ਸਮੇਂ ਦੀ ਫਿਜ਼ੀਕਲ ਕੰਸਿਸਟੈਂਸੀ (physical consistency) ਅਤੇ ਆਬਜੈਕਟ ਇੰਟਰੈਕਸ਼ਨ (object interaction) ਵਿੱਚ ਤਕਨੀਕੀ ਰੁਕਾਵਟਾਂ ਕਾਰਨ ਇਸਦੀ ਭਰੋਸੇਯੋਗਤਾ 'ਤੇ ਸਵਾਲ ਉੱਠ ਰਹੇ ਹਨ।

ਤਕਨੀਕੀ ਦਾਅ 'ਤੇ ਲੱਗੀ ਬਾਜ਼ੀ

Oasis 3 ਦਾ ਆਉਣਾ Decart ਲਈ ਜਨਰੇਟਿਵ ਵੀਡੀਓ (generative video) ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਫਿਜ਼ੀਕਲ AI ਦੇ ਮੁਕਾਮ 'ਤੇ ਪਹੁੰਚਣ ਦਾ ਸੰਕੇਤ ਹੈ। ਇੱਕ ਖਾਸ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ ਸਟੈਕ (proprietary optimization stack) ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਇਹ ਸਟਾਰਟਅੱਪ ਦਾਅਵਾ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਹਾਈ-ਫਿਡੈਲਿਟੀ ਸਿਮੂਲੇਸ਼ਨਾਂ (high-fidelity simulations) ਵਿੱਚ ਆਉਣ ਵਾਲੇ ਕੰਪਿਊਟ ਓਵਰਹੈੱਡ (compute overhead) ਨੂੰ ਪਾਰ ਕਰ ਲਵੇਗਾ। ਇਸ ਦਾ ਮਕਸਦ Google ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਦੇ ਦਬਦਬੇ ਨੂੰ ਚੁਣੌਤੀ ਦੇਣਾ ਹੈ। ਪਰ, ਆਟੋਨੋਮਸ ਡਰਾਈਵਿੰਗ ਲਈ ਰੀਅਲ-ਟਾਈਮ (real-time) ਸਿਨਥੇਸਿਸ (synthesis) ਵੱਲ ਵਧਣਾ, ਮਾਡਲ ਦੇ ਵਿਜ਼ੂਅਲ ਆਊਟਪੁੱਟ (visual output) ਅਤੇ ਫਿਜ਼ੀਕਸ-ਬੇਸਡ ਰਿਲਾਈਬਿਲਟੀ (physics-based reliability) ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਪਾੜਾ ਪੈਦਾ ਕਰਦਾ ਹੈ।

ਸਿਮੂਲੇਸ਼ਨ ਬਨਾਮ ਹਕੀਕਤ

ਇਹ ਪਲੇਟਫਾਰਮ ਇੱਕ ਤੋਂ ਵੱਧ ਕੈਮਰਿਆਂ ਤੋਂ ਮਨਮੋਹਕ, ਫੋਟੋਰਿਅਲਿਸਟਿਕ ਤਸਵੀਰਾਂ ਬਣਾਉਣ ਵਿੱਚ ਸਫਲ ਹੁੰਦਾ ਹੈ, ਪਰ ਵਿਜ਼ੂਅਲ ਪਲੌਜ਼ੀਬਿਲਟੀ (visual plausibility) ਅਤੇ ਫਿਜ਼ੀਕਲ ਐਕਰੇਸੀ (physical accuracy) ਵਿਚਾਲੇ ਦਾ ਅੰਤਰ ਅਜੇ ਵੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ। ਆਟੋਨੋਮਸ ਵਾਹਨਾਂ ਦੇ ਵਿਕਾਸ ਲਈ ਸਿਰਫ਼ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੀਆਂ ਤਸਵੀਰਾਂ ਹੀ ਕਾਫ਼ੀ ਨਹੀਂ ਹਨ; ਇਸ ਵਿੱਚ ਆਬਜੈਕਟਸ (objects) ਦੀ ਸਹੀ ਇੰਟਰੈਕਸ਼ਨ, ਰੋਡ ਜਿਓਮੈਟਰੀ (road geometry) ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨਯੋਗਤਾ, ਅਤੇ ਟੈਂਪੋਰਲ ਸਟੇਬਿਲਿਟੀ (temporal stability) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਮੌਜੂਦਾ ਮਾਡਲ ਵਿੱਚ ਵਾਤਾਵਰਨ ਦਾ ਹੌਲੀ-ਹੌਲੀ ਖਰਾਬ ਹੋਣਾ (environmental degradation) ਦੇਖਣ ਨੂੰ ਮਿਲਦਾ ਹੈ, ਜਿਸ ਕਾਰਨ ਸਿਮੂਲੇਸ਼ਨ ਦੀ ਕੁਆਲਿਟੀ ਸਮੇਂ ਨਾਲ ਘੱਟ ਜਾਂਦੀ ਹੈ। ਇੰਜੀਨੀਅਰਾਂ ਲਈ ਸਭ ਤੋਂ ਵੱਡੀ ਸਮੱਸਿਆ 'ਘੋਸਟਿੰਗ' (ghosting) ਜਾਂ ਫਿਜ਼ੀਕਸ ਦੀ ਉਲੰਘਣਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਦੂਜੇ ਵਿੱਚੋਂ ਲੰਘਦੀਆਂ ਗੱਡੀਆਂ। ਇਹ ਅਸੰਗਤਤਾਵਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਕਿ ਜਦੋਂ ਕਿ ਮਾਡਲ ਤਸਵੀਰਾਂ ਬਣਾਉਣ ਵਿੱਚ ਮਾਹਰ ਹੈ, ਇਹ ਸੇਫਟੀ-ਕ੍ਰਿਟੀਕਲ ਨੈਵੀਗੇਸ਼ਨ ਸਿਸਟਮ (safety-critical navigation systems) ਨੂੰ ਟ੍ਰੇਨ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਸਖ਼ਤ ਭੌਤਿਕ ਨਿਯਮਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣ ਲਈ ਸੰਘਰਸ਼ ਕਰ ਰਿਹਾ ਹੈ।

ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਚਿੰਤਾਵਾਂ

ਇੱਕ ਵੱਡੇ ਡਿਵੈਲਪਰ ਈਕੋਸਿਸਟਮ (developer ecosystem) ਲਈ ਇਸਦਾ ਯਤਨ ਪਹਿਲਾਂ ਦੀਆਂ ਜਨਰੇਟਿਵ AI ਉੱਦਮਾਂ ਵਾਂਗ ਹੈ, ਪਰ ਇੱਥੇ ਇਸਦਾ ਇਸਤੇਮਾਲ ਬਹੁਤ ਜ਼ਿਆਦਾ ਖਤਰਨਾਕ ਹੈ। ਚੈਟਬੋਟ ਹਾਲੂਸੀਨੇਸ਼ਨ (chatbot hallucinations) ਦੇ ਉਲਟ, ਜਿਸ ਨਾਲ ਗਲਤ ਜਾਣਕਾਰੀ ਹੋ ਸਕਦੀ ਹੈ, ਡਰਾਈਵਿੰਗ ਸਿਮੂਲੇਸ਼ਨ ਲਾਜਿਕ (simulation logic) ਵਿੱਚ ਅਸਫਲਤਾ ਆਟੋਨੋਮਸ ਫਲੀਟਾਂ (autonomous fleets) ਲਈ ਗਲਤ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ (faulty training data) ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਪਰਸੈਪਸ਼ਨ ਸੋਫਟਵੇਅਰ (perception software) ਵਿੱਚ ਸਿਸਟੇਮੈਟਿਕ ਬਲਾਈਂਡ ਸਪਾਟ (systematic blind spots) ਪੈਦਾ ਹੋ ਸਕਦੇ ਹਨ। Decart ਇਸ ਧਾਰਨਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਡਿਵੈਲਪਰ ਕਮਿਊਨਿਟੀ (developer community) ਅੰਤ ਵਿੱਚ ਥਰਡ-ਪਾਰਟੀ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ (third-party optimization) ਰਾਹੀਂ ਇਨ੍ਹਾਂ ਭੌਤਿਕ ਕਮੀਆਂ ਨੂੰ ਦੂਰ ਕਰੇਗੀ। ਇਹ ਬਾਹਰੀ ਪ੍ਰਮਾਣੀਕਰਨ 'ਤੇ ਨਿਰਭਰਤਾ ਸੀਮਤ ਫੰਡਿੰਗ (limited funding) ਵਾਲੇ ਸਟਾਰਟਅੱਪਸ ਲਈ ਇੱਕ ਆਮ ਰਣਨੀਤੀ ਹੈ, ਪਰ ਇਹ ਆਟੋਮੋਟਿਵ-ਗ੍ਰੇਡ ਸਿਮੂਲੇਸ਼ਨ (automotive-grade simulation) ਲਈ ਉੱਚ ਪ੍ਰਵੇਸ਼ ਬੈਰੀਅਰ (high barrier to entry) ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ। ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਇਹ ਧਿਆਨ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਜਦੋਂ ਤੱਕ ਕੰਪਨੀ ਆਮ ਟ੍ਰੈਫਿਕ (mundane traffic flows) ਅਤੇ ਦੁਰਘਟਨਾਵਾਂ ਦੇ ਦੁਰਲੱਭ ਮਾਮਲਿਆਂ (rare accident scenarios) ਵਿਚਕਾਰ ਡਾਟਾ ਅਸੰਤੁਲਨ (data imbalance) ਨੂੰ ਹੱਲ ਨਹੀਂ ਕਰਦੀ, ਇਹ ਮਾਡਲ ਸੇਫਟੀ ਵੈਲੀਡੇਸ਼ਨ (safety validation) ਲਈ ਇੱਕ ਸ਼ਾਨਦਾਰ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ (prototyping) ਟੂਲ ਵਜੋਂ ਬਿਹਤਰ ਹੈ।

ਭਵਿੱਖ ਦਾ ਨਜ਼ਰੀਆ

ਅੱਗੇ ਵਧਦੇ ਹੋਏ, ਕੰਪਨੀ ਕੰਸਿਸਟੈਂਸੀ (consistency) ਨੂੰ ਸਥਿਰ ਕਰਨ ਲਈ ਵੀਡੀਓ-ਅਧਾਰਿਤ ਇਨਪੁੱਟ (video-based input) ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਦਾ ਇਰਾਦਾ ਰੱਖਦੀ ਹੈ, ਪਰ ਇਸਨੂੰ ਸਥਾਪਿਤ ਕੰਪਨੀਆਂ ਤੋਂ ਸਖ਼ਤ ਮੁਕਾਬਲੇ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈ ਰਿਹਾ ਹੈ ਜੋ ਆਪਣੇ ਵਰਲਡ ਮਾਡਲ (world models) ਨੂੰ ਵੀ ਸੁਧਾਰ ਰਹੀਆਂ ਹਨ। ਇਸ API ਦੀ ਸਫਲਤਾ ਅੰਤਤ: ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗੀ ਕਿ ਕੀ ਡਿਵੈਲਪਰ ਮੌਜੂਦਾ ਫਿਜ਼ੀਕਸ ਇੰਜਣ (physics engine) ਦੀਆਂ ਸੀਮਾਵਾਂ ਲਈ ਭਰੋਸੇਯੋਗ ਹੱਲ ਲੱਭ ਸਕਦੇ ਹਨ। ਲੰਬੇ ਸਮੇਂ ਦੇ ਸੰਦਰਭ ਧਾਰਨ (long-term context retention) ਵਿੱਚ ਸਫਲਤਾ ਦੇ ਬਿਨਾਂ, Oasis 3 ਆਟੋਨੋਮਸ ਵਾਹਨ ਟ੍ਰੇਨਿੰਗ ਪਾਈਪਲਾਈਨ (autonomous vehicle training pipeline) ਦੇ ਇੱਕ ਜ਼ਰੂਰੀ ਹਿੱਸੇ ਦੀ ਬਜਾਏ ਇੱਕ ਸੋਫਿਸਟੀਕੇਟਿਡ ਵਿਜ਼ੂਅਲ ਟੂਲ (sophisticated visual tool) ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਹੋਣ ਦਾ ਜੋਖਮ ਰੱਖਦਾ ਹੈ।