BYD-এর নতুন HyWorldVLA মডেল NAVSIM v1 বেঞ্চমার্কে 90.59 PDMS স্কোর করেছে, যা একটি রেকর্ড এবং এই রেকর্ডটি চীনা EV জায়ান্টকে স্বয়ংক্রিয় ড্রাইভিং (autonomous-driving) ফাউন্ডেশন মডেলের তালিকায় স্থান করে দিয়েছে। PDMS পরিমাপ করে একটি সিস্টেম কতটা নিরাপদ এবং দক্ষ রুট পরিকল্পনা করতে পারে; স্কোর যত বেশি হবে, স্বয়ংক্রিয় ড্রাইভিং আচরণ তত বেশি মসৃণ এবং নির্ভরযোগ্য হবে।

কেন এই মেট্রিকটি গুরুত্বপূর্ণ

NAVSIM v1 হলো একটি বহুল ব্যবহৃত সিমুলেশন স্যুট যা জটিল ট্রাফিকের মধ্যে একটি মডেলের পূর্বাভাস দেওয়ার এবং কাজ করার ক্ষমতা পরীক্ষা করে। 90.59 PDMS অর্জন করা পূর্ববর্তী সমস্ত রিপোর্টেড স্কোরকে ছাড়িয়ে গেছে, যা নির্দেশ করে যে HyWorldVLA অত্যন্ত নির্ভুলতার সাথে রাস্তার ঘটনাগুলো আগে থেকে অনুমান করতে পারে, যা প্রতিষ্ঠিত বড় কোম্পানিগুলোর প্রাথমিক পর্যায়ের সিস্টেমগুলোর সমতুল্য।

যে আর্কিটেকচার এটিকে সম্ভব করে তুলেছে

HyWorldVLA প্রথাগতভাবে দুটি আলাদা পদ্ধতিকে একত্রিত করে:

  • Pixel-level prediction – মডেলটি চারপাশের একটি বিস্তারিত ভিজ্যুয়াল ম্যাপ বজায় রাখে, যা লেনের মার্কিং এবং পথচারীদের অঙ্গভঙ্গি (gestures)-এর মতো সূক্ষ্ম বিষয়গুলো সংরক্ষণ করে।
  • Latent-level reasoning – এটি দৃশ্যটিকে একটি উচ্চতর রিপ্রেজেন্টেশনে সংকুচিত করে যা ভবিষ্যতের অনেক দূর পর্যন্ত প্রজেক্ট করা সম্ভব, যা দীর্ঘমেয়াদী পরিকল্পনা করতে সক্ষম করে।

পিওর পিক্সেল মডেলগুলো বিস্তারিত তথ্যে পারদর্শী হলেও এগুলোর জন্য প্রচুর কম্পিউটেশনাল ক্ষমতার প্রয়োজন হয়, যা উৎপাদনকারী গাড়ির জন্য অবাস্তব। পিওর ল্যাটেন্ট মডেলগুলো দ্রুত চলে কিন্তু ভিজ্যুয়াল সূক্ষ্মতাগুলো বাদ দিয়ে দেয় যা নিরাপত্তার জন্য অত্যন্ত গুরুত্বপূর্ণ হতে পারে। BYD-এর হাইব্রিড ডিজাইন দাবি করছে যে এটি উভয় পদ্ধতির সেরা সুবিধা প্রদান করে, যা অতিরিক্ত হার্ডওয়্যার খরচ ছাড়াই আরও সমৃদ্ধ পূর্বাভাস দিতে সক্ষম।

সিস্টেমটি একটি Vision-Language-Action (VLA) প্যারাডাইম অনুসরণ করে। প্রথমে এটি ভবিষ্যতের ফ্রেমগুলো "কল্পনা" করে (vision), তারপর সেই ফ্রেমগুলোকে টেক্সট বা সিম্বলিক বর্ণনায় রূপান্তর করে (language), এবং সবশেষে সেই বর্ণনাকে গাড়ির সুনির্দিষ্ট কন্ট্রোলে ম্যাপ করে (action)। বাস্তবে, মডেলটি ট্রাফিক কীভাবে পরিবর্তিত হবে তা পূর্বাভাস দেয় এবং সেই পূর্বাভাস ব্যবহার করে স্টিয়ারিং, এক্সিলারেট বা ব্রেক নিয়ন্ত্রণ করে।

কারা লাভবান হতে পারে

BYD বিশ্বের বৃহত্তম ইলেকট্রিক-ভেহিকল প্রস্তুতকারক। তাদের বহরে HyWorldVLA যুক্ত করলে কোম্পানিটি অভূতপূর্ব পরিমাণে রিয়েল-ওয়ার্ল্ড ড্রাইভিং ডেটা ব্যবহারের সুযোগ পাবে। এই লুপটি—অর্থাৎ বহরের ডেটা দিয়ে প্রশিক্ষণ দেওয়া এবং আপডেট করা মডেল মোতায়েন করা—BYD-এর স্বয়ংক্রিয় ড্রাইভিং ক্ষমতাকে ত্বরান্বিত করতে পারে এবং Tesla, Waymo এবং Huawei-এর মতো কোম্পানিগুলোর সাথে ব্যবধান কমিয়ে আনতে পারে, যারা ইতিমধ্যে বড় আকারের স্বয়ংক্রিয় বহর পরিচালনা করছে।

কোন বিষয়গুলো অনিশ্চিত রয়েছে

পাবলিক রিপোর্টে মডেলের আকার এবং প্রশিক্ষণে ব্যবহৃত ডেটার পরিমাণ উল্লেখ করা হয়নি, যা স্কেলেবিলিটি এবং খরচ নিয়ে প্রশ্ন তোলে। যদিও হাইব্রিড পদ্ধতিটি সরাসরি পিক্সেল মডেলের তুলনায় কম ইনফারেন্স খরচ করার প্রতিশ্রুতি দেয়, তবুও এটি পিওর ল্যাটেন্ট ডিজাইনের তুলনায় কিছুটা জটিল। অটোমোটিভ ইঞ্জিনিয়ারদের যাচাই করতে হবে যে এই পারফরম্যান্সের উন্নতি অতিরিক্ত সিলিকন বা সফটওয়্যার ওভারহেড বহন করার মতো যৌক্তিক কি না।

পরবর্তীতে যা লক্ষ্য রাখতে হবে

  • Production rollout – BYD তাদের ভোক্তা বা বাণিজ্যিক যানবাহনে HyWorldVLA অন্তর্ভুক্ত করার কোনো সময়সীমা ঘোষণা করেনি। একটি সীমিত বাজারে পাইলট প্রোগ্রাম শুরু করা একটি যৌক্তিক প্রথম পদক্ষেপ হতে পারে।
  • Benchmark updates – NAVSIM v1 সম্ভবত নতুন কোনো স্যুট দ্বারা প্রতিস্থাপিত হবে যা স্বয়ংক্রিয়তার ভিন্ন ভিন্ন দিক (যেমন: প্রতিকূল আবহাওয়া, রাতের ড্রাইভিং) পরীক্ষা করবে। সেই পরীক্ষাগুলোতে HyWorldVLA কেমন পারফর্ম করে তা এর স্থায়িত্ব নির্দেশ করবে।
  • Competitive response – যদি BYD-এর স্কোর রাস্তায় নির্ভরযোগ্যতা হিসেবে প্রমাণিত হয়, তবে প্রতিদ্বন্দ্বীরা পিছিয়ে পড়া এড়াতে তাদের নিজস্ব হাইব্রিড মডেল গবেষণার গতি বাড়িয়ে দিতে পারে।

মূল কথা হলো: BYD-এর এই রেকর্ড সৃষ্টিকারী স্কোর দেখায় যে একটি হাইব্রিড পিক্সেল-ল্যাটেন্ট ভিশন-ল্যাঙ্গুয়েজ-অ্যাকশন মডেল এমন পরিকল্পনার মান দিতে পারে যা একসময় শুধুমাত্র বিশেষায়িত AI ল্যাবগুলোর জন্য সংরক্ষিত ছিল। সিমুলেশন থেকে রাস্তায় আসার ক্ষেত্রে এই সুবিধা বজায় থাকে কি না, তার ওপর নির্ভর করবে BYD সত্যিই স্বয়ংক্রিয় ড্রাইভিংয়ের ধারা বদলে দিতে পারে কি না।