玩币族移动版

来源：新智元

自发明以来，自动驾驶最让人担心之处，莫过于人类无法知道它的脑子里到底在想些什么。

今天开始，它居然可以把自己的想法「讲出来」了？

最近，Wayve推出了基于视觉语言行动的大模型（VLAMs）的自动驾驶交互大模型LINGO-1，把大语言模型和自动驾驶进行了深度融合。

具体来说，LINGO-1训练了一个视频语言模型，它可以说是相当有个性——可以对眼前正在进行的场景发表评论！

你对智驾系统的疑惑，它统统给你解释清楚。

问：为什么停下了？答：因为现在是红灯。

在经过各种视觉和语言数据的训练之后，LINGO-1不仅可以执行视觉问答（VQA）任务，如感知、反事实、规划、推理和注意力，而且还能对驾驶行为和推理进行描述。

也就是说，我们可以通过对LINGO-1进行提问，来了解影响驾驶决策的因素是什么。

网友感慨道：「端到端的黑盒，就这么被打开了，简直是GPT时代的大力出奇迹。自动驾驶系统离真实的物理世界交互，又前进了一大步。」

可以想象，随着我们突破具身人工智能的界限，视觉-语言-行动模型将产生巨大的影响，因为语言提供了一种新的模式，来增强我们解释和训练自动驾驶模型的方式。

LINGO-1中的独特之处在于引入了一个人类专家，对驾驶场景的语言评论解说数据进行训练，让模型把环境感知、行动决策和类人的场景解读联系在一起。

这样，它就可以通过自然语言交互，来解读自动驾驶系统的决策和行动了。

英伟达高级AI科学家Jim Fan兴奋地点评道：这是我近期读到的自动驾驶领域最有趣的作品！

从前的自动驾驶，是「感知 -> 驾驶操作」，而以后的自动驾驶，加进了推理的这一步，是「感知->文字推理->行动」。

这个新加的显式推理步骤，有哪些优点？Jim Fan解释如下——

不仅如此，LINGO-1还和游戏人工智能领域的一些研究密切相关，比如MineDojo和思想克隆，它们都是AI智能体。

前者可以学习一种奖励模型，把评论文本和「我的世界」（Minecraft）游戏视频像素关联起来。后者可以实现「像素->语言->行动循环」的一整套链路。

模型在关注什么？在做什么？现在，这些都不是谜了。

LINGO-1会对你解释清楚，它的每一步行动是在干嘛。

比如它想超越一辆停在路边的车辆——

驶近斑马线时——

在十字路口左转时——

除了能解说自个儿，LINGO-1还能针对你的提问进行答疑，让我们能够评估它的场景理解和推理能力。

比如，如果问LINGO-1，在这个十字路口要注意什么？

它会说：「我得注意前面的信号灯、我前面骑自行车的人和正在穿过道路的行人。」

问一下LINGO-1，现在是什么天气？会对驾驶产生什么影响？

它会说：「现在是雨天，我开车时需要极其小心，因为雨天路面湿滑，能见度降低。」

LINGO-1，你该怎样安全地和自行车并排行驶？

它会说：「我得和骑自行车的人保持距离，必要的时候停下来，它是一个潜在危险。另外路边停的车我也得注意。」

开发LINGO-1的关键，就在于创建一个可扩展的多样化数据集。这个数据集包含了专业驾驶员在英国各地驾驶时的解说，包括图像、语言和行动数据。

这让我们想起在驾校时跟教练学开车时的场景——他们会不时发表类似下面这样的评论和解说，解释自己在驾驶时为什么要有这种行为，好让学员们举一反三。

当以上这些语句和感官图像、底层驾驶动作在时间上同步时，研究者就得到了丰富的视觉-语言-行动数据集，可以用于训练各种任务的模型。

LLM崛起后，许多视觉语言模型（VLM）都将LLM的推理能力与图像和视频相结合。

而Wayve进一步推出了视觉-语言-行动模型（VLAM），包含三种信息——图像、驾驶数据和语言。

以前，在机器人训练（尤其自动驾驶领域）中，很少会用到自然语言。

如果加进了自然语言，就会让我们更有力地解释和训练基础驾驶模型，这种崭新的模式会产生巨大的影响。

通过用语言来解释驾驶场景中的各种因果因素，就可以加快模型的训练速度，推广到全新的场景中。

而且，既然可以向模型问问题，我们就能知道模型究竟理解了什么，它的推理和决策能力有多强。

自动驾驶系统也不再是个神秘的黑盒，我们开车时可以时不时地问问它：你在想啥？

这无疑会提高大众对自动驾驶的信任。

另外，虽然只有少量的训练样本，但自然语言的快速学习能力，可以让模型迅速高效地学习新任务、适应新场景。

比如，只要我们用自然语言告诉模型「这种行为不对」，就能纠正自动驾驶系统的错误行为。

从此，或许只需要自然语言，就能为端到端自动驾驶建立基础模型了！

这段时间，团队一直在对模型架构和训练数据集进行改进。

从图中不难看出，LINGO-1的性能相比于最开始已经提高了一倍。

目前，LINGO-1的准确率已经达到了人类水平的60%。

显然，自然语言的引入，可以在多个方面彻底改变自动驾驶技术。

机器学习模型缺乏可解释性的问题，一直以来都是研究的焦点。

通过创建基于自然语言的交互界面，可以让用户直接进行提问并让AI解答，从而深入了解模型对场景理解以及是如何做出决策的。

这种乘客与自动驾驶汽车之间的独特对话，可以提高透明度，让人更容易理解和信任这些系统。

同时，自然语言还能增强模型适应人类反馈并从中学习的能力。

就像教练指导学生驾驶一样，随着时间的推移，纠正指令和用户反馈可以完善模型的理解和决策过程。

有两个主要的因素会影响自动驾驶性能：

1.语言模型准确解释各种输入模式场景的能力

2. 模型将中层推理转化为有效底层规划的熟练程度

对此，团队正在尝试通过LINGO的自然语言、推理和规划能力，来对闭环驾驶模型进行增强。

Wayve LINGO-1闭环自动驾驶模型

平时，一张图片胜过千言万语。

但在训练模型时，是一段文字胜过千幅图片。

现在，我们不再需要成千上万个汽车为行人减速的示例，只需要几个示例，配上简短的文字说明，就可以教会模型减速，让它学会在这种情况下应该如何行动，应该考虑什么。

要知道，在自动驾驶中，最重要的部分之一就是因果推理，它能让系统理解场景中元素和行为之间的关系。

一个性能良好的VLAM，可以让系统将在斑马线上等待的行人与「请勿穿越」的交通信号牌联系起来。这种数据有限的挑战性场景中极有意义。

另外，LLM早已从互联网数据集中掌握了大量人类行为知识，因此能够理解识别物体、交通法规和驾驶操作等概念，比如树、商店、房子、追逐球的狗和停在学校门口的公交车之间的区别。

通过VLAM对图形数据更广泛的信息编码，自动驾驶会变得更先进、更安全。

当然，LINGO-1也存在着一定的局限性。

LINGO-1是根据伦敦市中心的驾驶经验和互联网规模的文本进行训练的。

虽然已经学到了全世界的驾驶文化，但目前最擅长的还是对英国的交通法规进行解读。

它还需要学习其他国家的驾驶经验。

在大语言模型中，幻觉是一个众所周知的问题，LINGO-1也不例外。

不过比起一般LLM，LINGO-1有一个优势：因为以视觉、语言和行动为基础，它就有了更多的监督来源，从而可以更好地理解世界。

视频深度学习之所以具有挑战性，是因为视频数据通常比图像或文本数据集大几个数量级。

基于视频的多模态语言模型尤其需要较长的上下文长度，以便能够嵌入许多视频帧，来推理复杂的动态驾驶场景。

目前，Wayve正在研究模型的可解释性，但最终，他们LLM的推理能力能够真正影响到人类的驾驶。

研究者正在开发一种闭环架构，未来能在自动驾驶车辆上运行LINGO-1。

对此，网友们也觉得很振奋人心。

「有趣的是，我认为语言模型是用文字解释了驾驶控制模型的转向、制动和油门预测，而不是影响驾驶本身，因为自然语言会丢失所需的精度。」

「通过这种方法，我们正在非常接近AGI。」

「可以认为它是在世界模型中添加语言。我一直不明白为什么以前从未尝试过，因为训练Agent进行沟通这个想法似乎大家都能想到。」

「从单纯的感知行动到添加文本推理，这种转变改变了游戏规则！在我看来，这正是自动驾驶中缺失的部分，因为它以非技术性的方式使可解释性成为可能。」

目前来说，机器人训练与自然语言的整合，仍处于早期阶段。

而LINGO-1，正式在利用自然语言加强基础驾驶模型的学习和可解释性上，迈出的重要一步。

试想一下，以后我们只需要通过简单的文字提示，就能让AI告诉前面的路况，或者让AI学习不同地区的交通法规，这个场景简直太令人激动了！

因此，自然语言在开发更安全、更可靠的自动驾驶汽车方面，一定大有可为。

参考资料：

https://wayve.ai/thinking/lingo-natural-language-autonomous-driving/?continueFlag=94beb9def3b2abc69ded207e71ffda33