در آزمایشی نوآورانه و بحث‌برانگیز در پاییز ۱۴۰۳، سه مهندس هوش مصنوعی با استفاده از پتانسیل‌های نوظهور مدل‌های زبانی بزرگ (LLM)، موفق شدند یک دستگاه تویوتا کرولا مدل ۲۰۲۴ را در مسیر خرید فست‌فود هدایت کنند. این رخداد، مرزهای میان «پردازش متن» و «استدلال فیزیکی» را در هوش مصنوعی به چالش کشیده است.
معماری پیاده‌سازی و کنترل فیزیکی
تیم تحقیقاتی شامل آدیتیا رامابادران، سایمون مانس و توبیاس گسلر، از یک لپ‌تاپ متصل به دوربین‌های نصب‌شده روی شیشه جلو و سیستم فرمان برقی خودرو استفاده کردند. هسته مرکزی این سیستم، مدل OpenAI GPT-6 Astra بود. برخلاف سیستم‌های خودران سنتی که بر پایه الگوریتم‌های اختصاصی و از پیش آموزش‌دیده برای ناوبری طراحی شده‌اند، این مدل به صورت آنی (On-the-fly) و بدون آموزش اختصاصی برای رانندگی، دستورات حرکتی را صادر می‌کرد.
ظهور توانایی‌های نوظهور (Emergent Capabilities)
مهندسان بر این باورند که توانایی رانندگی این مدل‌ها، یک قابلیت «نوظهور» ناشی از آموزش چندوجهی (Multimodal Training) است. امروزه مدل‌ها با حجم عظیمی از داده‌های تصویری، ویدئویی و مدل‌های سه‌بعدی آموزش می‌بینند که به آن‌ها درک ضمنی از روابط فضایی می‌بخشد. نکته قابل توجه در این آزمایش، توانایی مدل در یادگیری در متن (In-context learning) و اصلاح مسیر بر اساس خطاهای لحظه‌ای بود.
مشخصات فنی و یافته‌های آزمایش
- مدل‌های مورد استفاده: GPT-6 Astra، Claude Fable 5.1، Grok
- پلتفرم کنترل: رابط چت متصل به سرور و فرمان برقی (Power Steering)
- بنچمارک اختصاصی: DrivingBench برای ارزیابی عملکرد در مسیرهای بسته
- نرخ موفقیت در بنچمارک: GPT-6 Astra (تکمیل کامل)، Claude Fable (۴۵٪ مسیر)، Grok (۱۱٪ مسیر)
چالش‌های درک فیزیکی و مسیر آینده
با وجود موفقیت در این آزمایش، مدل‌های فعلی هنوز تا رسیدن به استانداردهای ایمنی فاصله زیادی دارند. شرکت‌هایی مانند Elorian AI و Scale AI در حال توسعه بنچمارک‌هایی همچون «حس ششم انسانی» (Humanity’s Sixth Sense) هستند تا درک شهودی ماشین از محیط‌های فیزیکی را اندازه‌گیری کنند. مهندسان تاکید دارند که انتقال هوش مصنوعی از فضای مجازی به دنیای فیزیکی، نیازمند گذار از «ادراک» صرف به «استدلال فیزیکی» عمیق است.
خطرات و ملاحظات اخلاقی
کنترل یک وسیله نقلیه دو تنی با استفاده از مدلی که ذاتاً برای تولید متن طراحی شده، ریسک بسیار بالایی دارد. این آزمایش ثابت می‌کند که مدل‌های زبانی در حال گذار از یک ابزار محاسباتی به عاملی فعال در محیط فیزیکی هستند. با این حال، کارشناسان هشدار می‌دهند که تا زمانی که مدل‌ها نتوانند به دقتِ انسانی در تحلیل موقعیت‌های بحرانی دست یابند، استفاده از آن‌ها در محیط‌های عمومی فاقد توجیه ایمنی است.
