Texte | Anqi Li
Éditeur｜Li Qin
À l’instar du marché des fruits de mer, la vague technologique dans le secteur de la conduite intelligente évolue rapidement. Le « bout en bout » vient de devenir un nouveau paradigme technologique, et avant même qu'un grand nombre d'entreprises n'aient eu le temps d'achever le changement de modèle de R&D, le bout en bout est entré dans une période de mise à niveau technologique.
La dernière direction évolutive du « bout en bout » consiste à intégrer profondément les grands modèles multimodaux. Au cours des deux dernières années, les grands modèles ont démontré leur capacité à lire des textes, à reconnaître des images et à filmer des films, mais c'est probablement la première fois qu'un grand modèle conduit une voiture.
Récemment, un paradigme de grand modèle multimodal intégrant la vision, le langage et l'action a émergé dans l'industrie de la conduite intelligente - le VLA (Vision-Language-Action Model), qui possède des capacités de raisonnement de scène et une capacité de généralisation plus élevées. De nombreux experts en conduite intelligente considèrent VLA comme la version 2.0 de la solution « de bout en bout » actuelle.
En fait, le modèle VLA a été vu pour la première fois dans l’industrie de la robotique. Le 28 juillet 2023, Google DeepMind a lancé le premier modèle d'action en langage visuel (VLA) au monde pour contrôler les robots.
Cependant, ce concept de modèle s’étend rapidement au domaine de la conduite intelligente. Fin octobre de cette année, Waymo, la société de conduite autonome de Google, a lancé un modèle multimodal de conduite autonome de bout en bout, EMMA. Certains initiés de l'industrie ont déclaré qu'il s'agissait d'une architecture de modèle VLA qui possède non seulement des capacités de conduite intelligente de bout en bout, mais intègre également de grands modèles multimodaux.
Dans le passé, l'industrie de la conduite intelligente explore depuis plus de dix ans sur la base d'algorit...
[Courte citation de 8% de l'article original]