NVIDIA เปิดตัว Alpamayo 2 Super โมเดล VLA ขนาด 34B สำหรับรถยนต์ไร้ขับ
ก้าวใหม่ของ NVIDIA กับโมเดล Vision-Language-Action ขนาด 34 พันล้านพารามิเตอร์ ฝึกฝนด้วยข้อมูลวิดีโอกว่า 115,000 ชั่วโมง พร้อมยกระดับความปลอดภัยด้วย Chain-of-Causation
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- โมเดล Alpamayo 2 Super มีขนาด 34 พันล้านพารามิเตอร์สำหรับรถแท็กซี่ไร้คนขับและระบบขับเคลื่อนอัตโนมัติ
- รับข้อมูลเข้าจากกล้องหลายตัว วิดีโอ RGB ข้อความ และประวัติการเคลื่อนที่พร้อมประทับเวลา
- ชุดข้อมูลฝึกอบรมประกอบด้วยวิดีโอกว่า 115,000 ชั่วโมง และภาพรวมกว่า 1 พันล้านภาพ
- ทำคะแนนนำเป็นอันดับหนึ่งบน LingoQA ด้วยคะแนน 79.2 จากการประเมินเกือบ 40 โมเดล
NVIDIA ได้เปิดตัวโมเดลปัญญาประดิษฐ์รุ่นใหม่ในชื่อ Alpamayo 2 Super ซึ่งเป็นโมเดลประเภท Vision-Language-Action (VLA) ขนาด 34 พันล้านพารามิเตอร์ (34B) ภายใต้สัญญาอนุญาต OpenMDW-1.1 ออกแบบมาเพื่อใช้งานกับรถแท็กซี่ไร้คนขับและระบบขับเคลื่อนอัตโนมัติโดยเฉพาะ โดยระบบจะรับข้อมูลนำเข้าประกอบด้วยวิดีโอ RGB จากกล้องหลายตัว ข้อความ และข้อมูลประวัติการเคลื่อนที่ (egomotion history) พร้อมประทับเวลา ซึ่งในโปรไฟล์ที่ผ่านการตรวจสอบสาธารณะจะใช้กล้องจำนวน 6 ตัว และเฟรมย้อนหลัง 4 เฟรมต่อกล้อง ส่วนข้อมูลการเคลื่อนที่จะประกอบด้วยการแปลงตำแหน่งแบบ 3 มิติ และเมทริกซ์การหมุนขนาด 3×3 ในหลายช่วงเวลา
ในส่วนของ API สำหรับการคำนวณวิถีการเคลื่อนที่ (trajectory API) จะส่งค่าจุดกึ่งกลางทางเดินรถ (waypoints) ออกมาจำนวน 64 จุด ครอบคลุมช่วงเวลาตั้งแต่ 0.1 ถึง 6.4 วินาที โดยเว้นระยะห่างทุกๆ 0.1 วินาที ซึ่งแต่ละจุดจะระบุพิกัด XYZ ในกรอบอ้างอิงของตัวรถพร้อมเมทริกซ์การหมุนขนาด 3×3 สำหรับข้อมูลที่ใช้ในการฝึกอบรมโมเดลนี้มีความหนาแน่นสูงมาก ประกอบด้วยวิดีโอขับรถจากกล้องหลายตัวความยาวประมาณ 115,000 ชั่วโมง พร้อมข้อมูลการเคลื่อนที่และคำอธิบายวิถีการเคลื่อนที่ นอกจากนี้ยังมีร่องรอยคำอธิบายเหตุผลแบบเชื่อมโยงเป็นลูกโซ่หรือ Chain-of-Causation (CoC) อีกราว 3,700,000 รายการ ซึ่งเป็นคำอธิบายการตัดสินใจในการขับขี่ที่มีโครงสร้างเชื่อมโยงกันอย่างเป็นเหตุเป็นผล ขณะที่ข้อมูลรูปภาพที่ใช้ฝึกอบรมมีจำนวนมากกว่า 1 พันล้านภาพ
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ประสิทธิภาพในการทดสอบของ Alpamayo 2 Super ทำผลงานได้อย่างโดดเด่น โดยบนเกณฑ์มาตรฐาน LingoQA โมเดลทำคะแนน Lingo-Judge ได้ 79.2 และครองอันดับหนึ่งจากโมเดลเกือบ 40 โมเดลที่เข้ารับการประเมิน จากการทดสอบของ NVIDIA พบว่าโมเดลนี้ทำคะแนนเหนือกว่า Qwen2.5-VL 72B อยู่ 17.0 คะแนน, เหนือกว่า Gemini 2.5 Pro อยู่ 15.1 คะแนน และเหนือกว่า GPT-4o อยู่ 23.2 คะแนน นอกจากนี้ยังมีตัวเลขสำคัญในการประเมินการวางแผนการขับขี่ โดยการประเมินแบบวงปิด (Closed-loop evaluation) ด้วย AlpaSim บน 910 สถานการณ์จากชุดข้อมูล PhysicalAI-AV-NuRec ได้คะแนน AlpaSim ที่ 1.50 ± 0.13 และการประเมินแบบวงเปิด (Open-loop evaluation) บน 937 ตัวอย่างที่ท้าทายจากชุดข้อมูล PhysicalAI-AV ให้ค่า minADE₆ ที่ 6.4 วินาทีอยู่ที่ 0.911 เมตร
สำหรับผลลัพธ์ที่โมเดลผลิตออกมาในแต่ละสถานการณ์การขับขี่ประกอบด้วย วิถีการเคลื่อนที่, ร่องรอย CoC ที่อธิบายการตัดสินใจ, การกระทำระดับเมตา (meta-action) เช่น การหยุดให้ทางหรือการเปลี่ยนเลน, ป้ายกำกับเหตุผลอัตโนมัติ และการตอบคำถามด้วยภาพพร้อมระบุพิกัด 2 มิติ (2D grounding) การผสมผสานความสามารถเหล่านี้คือจุดเด่นที่ทำให้การปล่อยตัวโมเดลนี้น่าสนใจในแง่ของการปฏิบัติงานจริง เนื่องจากนักพัฒนาสามารถเชื่อมโยงสิ่งที่โมเดลสังเกตเห็นเข้ากับการกระทำที่มันเลือกปฏิบัติได้ โดยร่องรอย CoC จะบูรณาการเข้ากับเวิร์กโฟลว์การตรวจสอบความปลอดภัย NVIDIA Halos และสนับสนุนความปลอดภัยของ AI ที่สอดคล้องกับมาตรฐาน ISO/PAS 8800
การเปิดตัว Alpamayo 2 Super สะท้อนถึงความพยายามของ NVIDIA ในการแก้ปัญหาความโปร่งใสในระบบขับเคลื่อนอัตโนมัติ ซึ่งมักถูกมองว่าเป็นกล่องดำ (Black Box) การนำเสนอ Chain-of-Causation (CoC) ควบคู่ไปกับการตัดสินใจช่วยให้วิศวกรสามารถตรวจสอบย้อนกลับได้ว่าเหตุใด AI ถึงตัดสินใจเลี้ยวหรือเบรกในสถานการณ์นั้นๆ ซึ่งถือเป็นกุญแจสำคัญในการผ่านมาตรฐานความปลอดภัยระดับสากลก่อนนำไปใช้งานจริงบนท้องถนนสาธารณะ
ในแง่ของการใช้งานจริง NVIDIA ระบุว่าเมื่อนำโมเดลนี้ไปใช้เป็นเครื่องมือติดป้ายกำกับอัตโนมัติ (autolabeler) กับข้อมูลฟลีตที่เป็นกรรมสิทธิ์ จะช่วยบีบอัดรอบระยะเวลาการทำงานจากเดิมที่ใช้เวลาหลายเดือนให้เหลือเพียงแค่ไม่กี่วันเท่านั้น ผู้ที่สนใจสามารถศึกษาข้อมูลเพิ่มเติมได้จากบล็อกของ NVIDIA และการ์ดโมเดลบน Hugging Face
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น