BYD-യുടെ പുതിയ HyWorldVLA മോഡൽ NAVSIM v1 ബെഞ്ച്മാർക്കിൽ 90.59 PDMS സ്കോർ ചെയ്തു. ഈ റെക്കോർഡ് ചൈനീസ് ഇലക്ട്രിക് വാഹന (EV) ഭീമനെ സ്വയം നിയന്ത്രിത ഡ്രൈവിംഗ് (autonomous-driving) ഫൗണ്ടേഷൻ മോഡലുകളുടെ ലോകത്തേക്ക് എത്തിക്കുന്നു. സുരക്ഷിതവും കാര്യക്ഷമവുമായ പാതകൾ ഒരുക്കുന്നതിൽ ഒരു സിസ്റ്റം എത്രത്തോളം മികച്ചതാണെന്ന് PDMS അളക്കുന്നു; ഉയർന്ന സ്കോർ എന്നാൽ കൂടുതൽ സുഗമവും വിശ്വസനീയവുമായ സ്വയം ഡ്രൈവിംഗ് രീതി എന്നാണ് അർത്ഥമാക്കുന്നത്.

ഈ അളവുകോൽ (metric) പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്

സങ്കീർണ്ണമായ ട്രാഫിക്കിൽ മുൻകൂട്ടി കാണാനും പ്രവർത്തിക്കാനുമുള്ള ഒരു മോഡലിന്റെ കഴിവിനെ പരിശോധിക്കുന്ന വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്ന ഒരു സിമുലേഷൻ സ്യൂട്ടാണ് NAVSIM v1. 90.59 PDMS എന്ന സ്കോർ മുൻപ് റിപ്പോർട്ട് ചെയ്ത എല്ലാ കണക്കുകളെക്കാളും മികച്ചതാണ്. ഇത്, പ്രമുഖ കമ്പനികളുടെ ആദ്യകാല സംവിധാനങ്ങൾക്ക് സമാനമായ കൃത്യതയോടെ റോഡിലെ സംഭവങ്ങൾ മുൻകൂട്ടി കാണാൻ HyWorldVLA-യ്ക്ക് കഴിയുമെന്ന് സൂചിപ്പിക്കുന്നു.

ഇത് സാധ്യമാക്കുന്ന ആർക്കിടെക്ചർ

പരമ്പരാഗതമായി വേറിട്ടുനിൽക്കുന്ന രണ്ട് സമീപനങ്ങളെ HyWorldVLA സംയോജിപ്പിക്കുന്നു:

  • Pixel-level prediction – ലെയ്ൻ മാർക്കിംഗുകൾ, കാൽനടയാത്രക്കാരുടെ ചലനങ്ങൾ തുടങ്ങിയ സൂക്ഷ്മമായ വിവരങ്ങൾ നിലനിർത്തിക്കൊണ്ട്, ചുറ്റുപാടുകളുടെ വിശദമായ വിഷ്വൽ മാപ്പ് ഈ മോഡൽ സൂക്ഷിക്കുന്നു.
  • Latent-level reasoning – ഇത് ദൃശ്യങ്ങളെ ഉയർന്ന തലത്തിലുള്ള ഒരു രൂപത്തിലേക്ക് (higher-order representation) ചുരുക്കുന്നു, ഇത് ഭാവിയിലേക്ക് ദീർഘകാല പ്ലാനിംഗിന് സഹായിക്കുന്നു.

പ്യുവർ പിക്സൽ (Pure pixel) മോഡലുകൾ വിശദാംശങ്ങളിൽ മികച്ചതാണെങ്കിലും അവയ്ക്ക് വലിയ തോതിലുള്ള കമ്പ്യൂട്ടിംഗ് പവർ ആവശ്യമാണ്, ഇത് സാധാരണ കാറുകളിൽ ഉപയോഗിക്കാൻ പ്രായോഗികമല്ല. പ്യുവർ ലേറ്റന്റ് (Pure latent) മോഡലുകൾ വേഗത്തിൽ പ്രവർത്തിക്കുമെങ്കിലും സുരക്ഷയ്ക്ക് നിർണ്ണായകമായ വിഷ്വൽ സൂക്ഷ്മതകൾ അവ അവഗണിക്കുന്നു. BYD-യുടെ ഹൈബ്രിഡ് ഡിസൈൻ ഈ രണ്ട് രീതികളുടെയും ഗുണങ്ങൾ നൽകുന്നുണ്ടെന്നും, അമിതമായ ഹാർഡ്‌വെയർ ചിലവില്ലാതെ കൂടുതൽ കൃത്യമായ പ്രവചനങ്ങൾ നൽകുന്നുണ്ടെന്നും അവകാശപ്പെടുന്നു.

ഈ സിസ്റ്റം ഒരു Vision-Language-Action (VLA) പാരാഡൈം പിന്തുടരുന്നു. ആദ്യം ഇത് ഭാവിയിലെ ദൃശ്യങ്ങൾ "സങ്കൽപ്പിക്കുന്നു" (vision), തുടർന്ന് ആ ദൃശ്യങ്ങളെ ടെക്സ്റ്റ് അല്ലെങ്കിൽ സിംബോളിക് വിവരണങ്ങളാക്കി മാറ്റുന്നു (language), ഒടുവിൽ ആ വിവരണങ്ങളെ വാഹനത്തിന്റെ നിയന്ത്രണങ്ങളുമായി (action) ബന്ധിപ്പിക്കുന്നു. പ്രായോഗികമായി പറഞ്ഞാൽ, ട്രാഫിക് എങ്ങനെ മാറുമെന്ന് ഈ മോഡൽ പ്രവചിക്കുകയും ആ പ്രവചനം ഉപയോഗിച്ച് വാഹനം തിരിക്കാനോ (steer), വേഗത കൂട്ടാനോ (accelerate), ബ്രേക്ക് ഇടാനോ ഉപയോഗിക്കുകയും ചെയ്യുന്നു.

ആർക്കൊക്കെ ഇതിന്റെ ഗുണം ലഭിക്കും

ലോകത്തിലെ ഏറ്റവും വലിയ ഇലക്ട്രിക് വാഹന നിർമ്മാതാക്കളാണ് BYD. അവരുടെ വാഹനങ്ങളിൽ HyWorldVLA ഉൾപ്പെടുത്തുന്നത് വഴി അഭൂതപൂർവമായ അളവിൽ യഥാർത്ഥ ഡ്രൈവിംഗ് ഡാറ്റ കമ്പനിക്ക് ലഭ്യമാകും. ഫ്ലീറ്റ് ഡാറ്റ ഉപയോഗിച്ചുള്ള പരിശീലനവും, പുതുക്കിയ മോഡലുകൾ വിന്യസിക്കുന്നതും വഴി BYD-യുടെ സ്വയം നിയന്ത്രിത ഡ്രൈവിംഗ് ശേഷി വർദ്ധിപ്പിക്കാനും, നിലവിൽ വലിയ സ്വയം നിയന്ത്രിത വാഹന ശൃംഖലകളുള്ള Tesla, Waymo, Huawei എന്നിവരുമായുള്ള വ്യത്യാസം കുറയ്ക്കാനും സാധിക്കും.

എന്തൊക്കെയാണ് അനിശ്ചിതത്വങ്ങൾ

മോഡലിന്റെ വലിപ്പത്തെക്കുറിച്ചും ഉപയോഗിച്ച പരിശീലന ഡാറ്റയുടെ അളവിനെക്കുറിച്ചും പൊതു റിപ്പോർട്ടിൽ സൂചിപ്പിച്ചിട്ടില്ല, ഇത് അതിന്റെ വ്യാപ്തിയെക്കുറിച്ചും (scalability) ചിലവിനെക്കുറിച്ചും ചോദ്യങ്ങൾ ഉയർത്തുന്നു. ഹൈബ്രിഡ് സമീപനം ഒരു പ്യുവർ പിക്സൽ മോഡലിനേക്കാൾ കുറഞ്ഞ ഇൻഫറൻസ് ചിലവ് വാഗ്ദാനം ചെയ്യുന്നുണ്ടെങ്കിലും, ഒരു പ്യുവർ ലേറ്റന്റ് ഡിസൈനിനെ അപേക്ഷിച്ച് ഇത് കൂടുതൽ സങ്കീർണ്ണമാണ്. ഈ പ്രകടനം മെച്ചപ്പെടുന്നത് അധികമായ ഹാർഡ്‌വെയർ അല്ലെങ്കിൽ സോഫ്റ്റ്‌വെയർ ചിലവുകൾക്ക് അർഹമാണോ എന്ന് ഓട്ടോമോട്ടീവ് എഞ്ചിനീയർമാർ പരിശോധിക്കേണ്ടതുണ്ട്.

ഇനി ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • Production rollout – ഉപഭോക്താക്കൾക്കോ വാണിജ്യ ആവശ്യങ്ങൾക്കോ വേണ്ടിയുള്ള വാഹനങ്ങളിൽ HyWorldVLA ഉൾപ്പെടുത്തുന്നതിനുള്ള സമയക്രമം BYD പ്രഖ്യാപിച്ചിട്ടില്ല. പരിമിതമായ ഒരു വിപണിയിൽ പൈലറ്റ് പ്രോഗ്രാം നടത്തുന്നത് യുക്തിസഹമായ ആദ്യ പടിയായിരിക്കും.
  • Benchmark updates – സ്വയം നിയന്ത്രിത ഡ്രൈവിംഗിന്റെ മറ്റ് വശങ്ങൾ (ഉദാഹരണത്തിന്: മോശം കാലാവസ്ഥ, രാത്രികാല ഡ്രൈവിംഗ്) പരിശോധിക്കുന്ന പുതിയ സിമുലേഷൻ സ്യൂട്ടുകൾ NAVSIM v1-ന് പകരമായി വന്നേക്കാം. ഇത്തരം പരീക്ഷണങ്ങളിൽ HyWorldVLA എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നത് അതിന്റെ കരുത്ത് വ്യക്തമാക്കും.
  • Competitive response – BYD-യുടെ സ്കോറുകൾ റോഡിലെ വിശ്വാസ്യതയായി മാറുമെങ്കിൽ, പിന്നിലായിപ്പോകാതിരിക്കാൻ എതിരാളികൾ അവരുടെ ഹൈബ്രിഡ് മോഡൽ ഗവേഷണങ്ങൾ വേഗത്തിലാക്കിയേക്കാം.

ചുരുക്കത്തിൽ: ഒരു ഹൈബ്രിഡ് പിക്സൽ-ലേറ്റന്റ് വിഷൻ-ലാംഗ്വേജ്-ആക്ഷൻ മോഡലിന്, മുൻപ് പ്രത്യേക AI ലാബുകൾക്ക് മാത്രം സാധ്യമായിരുന്ന തരത്തിലുള്ള പ്ലാനിംഗ് ഗുണനിലവാരം നൽകാൻ കഴിയുമെന്ന് BYD-യുടെ റെക്കോർഡ് സ്കോർ തെളിയിക്കുന്നു. ഈ നേട്ടം സിമുലേഷനിൽ നിന്ന് യഥാർത്ഥ റോഡുകളിലേക്ക് മാറുമ്പോൾ നിലനിൽക്കുമോ എന്നതാണ് BYD സ്വയം നിയന്ത്രിത ഡ്രൈവിംഗ് രംഗത്ത് വിപ്ലവം സൃഷ്ടിക്കുമോ എന്ന് തീരുമാനിക്കുന്നത്.