BYD ના નવા HyWorldVLA મોડેલે NAVSIM v1 benchmark પર 90.59 PDMS સ્કોર કર્યો છે, જે એક એવો રેકોર્ડ છે જે ચીની EV જાયન્ટને ઓટોનોમસ-ડ્રાઇવિંગ ફાઉન્ડેશન મોડેલ્સના નકશા પર લાવે છે. PDMS એ માપે છે કે સિસ્ટમ કેટલી સારી રીતે સુરક્ષિત અને કાર્યક્ષમ રૂટનું આયોજન કરે છે; ઉચ્ચ સ્કોરનો અર્થ વધુ સરળ અને વધુ વિશ્વસનીય સેલ્ફ-ડ્રાઇવિંગ વર્તન છે.

આ મેટ્રિક શા માટે મહત્વનું છે

NAVSIM v1 એ વ્યાપકપણે ઉપયોગમાં લેવાતી સિમ્યુલેશન સૂટ છે જે જટિલ ટ્રાફિકમાં આગાહી કરવાની અને કાર્ય કરવાની મોડેલની ક્ષમતાનું પરીક્ષણ કરે છે. 90.59 PDMS પ્રાપ્ત કરવું એ અગાઉના તમામ અહેવાલ કરેલા આંકડાઓને પાછળ છોડી દે છે, જે સૂચવે છે કે HyWorldVLA રોડની ઘટનાઓની એવી ચોકસાઈ સાથે આગાહી કરી શકે છે જે સ્થાપિત કંપનીઓના પ્રારંભિક તબક્કાના સિસ્ટમોની સ્પર્ધા કરી શકે છે.

આ શક્ય બનાવતું આર્કિટેક્ચર

HyWorldVLA પરંપરાગત રીતે અલગ રહેલા બે અભિગમોનું મિશ્રણ કરે છે:

  • Pixel-level prediction – મોડેલ આસપાસના વિસ્તારનો વિગતવાર વિઝ્યુઅલ નકશો રાખે છે, જેમાં લેન માર્કિંગ્સ અને પદયાત્રીઓના ઈશારા જેવા ઝીણવટભર્યા સંકેતો જાળવી રાખવામાં આવે છે.
  • Latent-level reasoning – તે દ્રશ્યને ઉચ્ચ-સ્તરના પ્રતિનિધિત્વમાં સંકુચિત કરે છે જેને ભવિષ્યમાં લાંબા સમય સુધી પ્રોજેક્ટ કરી શકાય છે, જે લાંબા ગાળાના આયોજનને સક્ષમ બનાવે છે.

શુદ્ધ પિક્સેલ મોડેલ્સ વિગતોમાં ઉત્કૃષ્ટ હોય છે પરંતુ તેમાં વિશાળ કમ્પ્યુટિંગ ક્ષમતાની જરૂર પડે છે, જે તેમને ઉત્પાદન કાર માટે અવ્યવહાર્ય બનાવે છે. શુદ્ધ લેટન્ટ મોડેલ્સ ઝડપથી ચાલે છે પરંતુ વિઝ્યુઅલ સૂક્ષ્મતાઓને અવગણે છે જે સુરક્ષા માટે નિર્ણાયક હોઈ શકે છે. BYD નું હાઇબ્રિડ ડિઝાઇન બંને વિશ્વના શ્રેષ્ઠ ફાયદાઓ મેળવવાનો દાવો કરે છે, જે પ્રતિબંધિત હાર્ડવેર ખર્ચ વિના વધુ સમૃદ્ધ આગાહીઓ પ્રદાન કરે છે.

આ સિસ્ટમ Vision-Language-Action (VLA) પેરાડાઇમ અનુસરે છે. પ્રથમ તે ભવિષ્યના ફ્રેમ્સની "કલ્પના" કરે છે (vision), પછી તે ફ્રેમ્સને ટેક્સ્ટ અથવા પ્રતીકાત્મક વર્ણનોમાં (language) રૂપાંતરિત કરે છે, અને અંતે તે વર્ણનને વાહનના ચોક્કસ નિયંત્રણો સાથે (action) જોડે છે. વ્યવહારમાં, મોડેલ ટ્રાફિક કેવી રીતે વિકસિત થશે તેની આગાહી કરે છે અને તે આગાહીનો ઉપયોગ સ્ટીયરિંગ, એક્સિલરેશન અથવા બ્રેક માટે કરે છે.

કોને ફાયદો થઈ શકે છે

BYD વિશ્વનું સૌથી મોટું ઇલેક્ટ્રિક-વાહન ઉત્પાદક છે. તેના ફ્લીટમાં HyWorldVLA ને સામેલ કરવાથી કંપનીને વાસ્તવિક દુનિયાના ડ્રાઇવિંગ ડેટાના અભૂતપૂર્વ જથ્થા સુધી પહોંચ મળશે. તે લૂપ—ફ્લીટ ડેટા પર તાલીમ આપવી, અપડેટેડ મોડેલ્સ તૈનાત કરવા—BYD ની સેલ્ફ-ડ્રાઇવિંગ ક્ષમતાઓને વેગ આપી શકે છે અને Tesla, Waymo અને Huawei સાથેનું અંતર ઘટાડી શકે છે, જેઓ પહેલેથી જ મોટા ઓટોનોમસ ફ્લીટ ચલાવે છે.

શું અનિશ્ચિત છે

જાહેર અહેવાલમાં મોડેલનું કદ અને ઉપયોગમાં લેવાયેલા તાલીમ ડેટાના જથ્થાનો ઉલ્લેખ નથી, જે સ્કેલેબિલિટી અને ખર્ચ વિશે પ્રશ્નો ઉભા કરે છે. જોકે હાઇબ્રિડ અભિગમ શુદ્ધ પિક્સેલ મોડેલ કરતા ઓછો ઇન્ફરન્સ ખર્ચ આપવાનું વચન આપે છે, તેમ છતાં તે શુદ્ધ લેટન્ટ ડિઝાઇન ની સરખામણીમાં જટિલતા વધારે છે. ઓટોમોટિવ એન્જિનિયરોએ ચકાસવું પડશે કે પ્રદર્શનમાં થયેલો વધારો વધારાના સિલિકોન અથવા સોફ્ટવેર ખર્ચને યોગ્ય ઠેરવે છે કે નહીં.

આગળ શું જોવું

  • Production rollout – BYD એ ગ્રાહક અથવા વ્યાવસાયિક વાહનોમાં HyWorldVLA ને એકીકૃત કરવા માટે કોઈ સમયરેખા જાહેર કરી નથી. મર્યાદિત બજારમાં પાઇલટ પ્રોગ્રામ એ તાર્કિક પ્રથમ પગલું હશે.
  • Benchmark updates – NAVSIM v1 નું સ્થાન સંભવતઃ નવા સૂટ્સ દ્વારા લેવામાં આવશે જે સ્વાયત્તતાના વિવિધ પાસાઓ (દા.ત., ખરાબ હવામાન, રાત્રિનું ડ્રાઇવિંગ) પર ભાર મૂકે છે. આ પરીક્ષણોમાં HyWorldVLA કેવું પ્રદર્શન કરે છે તેના પરથી તેની ટકાઉપણું જાણી શકાશે.
  • Competitive response – જો BYD ના સ્કોર રોડ પરની વિશ્વસનીયતામાં પરિવર્તિત થાય છે, તો હરીફો પાછળ રહી ન જાય તે માટે તેમના પોતાના હાઇબ્રિડ મોડેલ સંશોધનને વેગ આપી શકે છે.

મુખ્ય વાત: BYD નો રેકોર્ડ-સેટિંગ સ્કોર દર્શાવે છે કે હાઇબ્રિડ પિક્સેલ-લેટન્ટ વિઝન-લેંગ્વેજ-એક્શન મોડેલ એવી પ્લાનિંગ ગુણવત્તા આપી શકે છે જે એક સમયે વિશિષ્ટ AI લેબ્સ માટે અનામત હતી. સિમ્યુલેશનથી રસ્તા પરના વાસ્તવિક ઉપયોગ સુધીનું આ અંતર પાર કરવા માટે તે ફાયદો ટકી રહેશે કે નહીં, તેના પરથી નક્કી થશે કે BYD ખરેખર ઓટોનોમસ ડ્રાઇવિંગને નવું સ્વરૂપ આપશે કે નહીં.