Mākslīgā intelekta modelis ar tekstu apmācībā nokļuva līdz In-N-Out ātrās ēdināšanas logam
Trīs Axiom inženieri ļāva OpenAI modelim GPT-6 Astra vadīt Toyota Corolla līdz ātrās ēdināšanas restorāna logam. Eksperiments liecina, ka valodas modeļi sāk iegūt vienkāršu izpratni par fizisko pasauli.
Trīs mākslīgā intelekta inženieri no jaunuzņēmuma Axiom — Aditya Ramabadran, Simon Mahns un Tobias Gessler — nesen izmēģināja neparastu veidu, kā nokļūt pusdienās. Pie ātrās ēdināšanas restorāna In-N-Out Līča apgabalā viņi 2024. gada Toyota Corolla salonā atvēra portatīvo datoru un lūdza OpenAI modelim GPT-6 Astra vadīt auto.
Saskarne bija savienota ar serveri, bet tas — ar vairākām uz vējstikla piestiprinātām kamerām un automašīnas stūres pastiprinātāja sistēmu. Drošības vadītājs turēja kāju virs bremzes. Modelis, kas parasti ģenerē tekstu, kodu un attēlus, lēnām, bet veiksmīgi nonāca līdz izdošanas logam. Pēc inženieru teiktā, tas notika uzreiz, bez iepriekšējas apmācības šim uzdevumam.
Fiziskā izpratne kā nākamais izaicinājums
Mūsdienu spēcīgākie modeļi labi atbild uz sarežģītiem jautājumiem, taču to prasmes parasti aprobežojas ar datoru un interneta pasauli. Daži pētnieki ir pametuši lielos uzņēmumus, lai dibinātu jaunuzņēmumus, kas risina fiziskās domāšanas problēmu. Viens no tiem ir Elorian AI, kura vadītājs Andrew Dai agrāk strādāja Google DeepMind. Viņš uzskata, ka labāka vizuālā domāšana ļaus radīt jaunus pielietojumus, piemēram, mājas robotus.
Elorian un datu sniedzējs Scale AI nesen izstrādāja testu Humanity's Sixth Sense, kas mēra modeļu spēju izprast fiziskas ainas.
Kā radās ideja
Projektu inženieri veica ārpus darba Axiom. Viņi pamanīja, ka modeļi spēj veidot sarežģītas 3D simulācijas, un nolēma pārbaudīt, vai tas palīdz orientēties reālajā pasaulē. Sākumā modeļi atteicās vadīt auto, taču ar uzmanīgi formulētiem uzdevumiem tos izdevās pārliecināt.
Inženieri pieļauj, ka šī spēja varētu būt radusies, palielinot modeļu multimodalitāti. Viņu izveidotajā testā DrivingBench, kas notiek autostāvvietā, trasi pabeidza tikai Astra, un ļoti lēni. Claude Fable 5.1 veica 45% distances, bet Grok — tikai 11%. Ramabadran norāda, ka modeļi šķita pielāgojoties vadības elementiem un uzlabojot braukšanu, mācoties no kļūdām.
