साक्षात्कार
स्टीव नेम्ज़र, सीनियर डायरेक्टर, एआई ग्रोथ एंड इनोवेशन, टेलस डिजिटल – इंटरव्यू सीरीज
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
स्टीव नेम्ज़र, सीनियर डायरेक्टर, एआई ग्रोथ एंड इनोवेशन, टेलस डिजिटल, उन पहलों का नेतृत्व करते हैं जो अगली पीढ़ी की कृत्रिम बुद्धिमत्ता प्रणालियों के लिए एआई प्रशिक्षण डेटा और बुनियादी ढांचे को आगे बढ़ाने पर केंद्रित हैं। उनका काम गहरे शोध मॉडल, प्रबल प्रशिक्षण वातावरण, विश्व-मॉडल डेटा, संप्रभु एआई पहलों और एआई जोखिम मितIGATION ढांचे के लिए डेटासेट विकसित करना शामिल है, जिसमें जिम्मेदार एआई प्रथाओं पर मजबूत जोर दिया जाता है, जैसे कि डेटासेट पूर्वाग्रह को संबोधित करना और एआई प्रशिक्षकों के लिए न्यायसंगत कार्य स्थितियों का समर्थन करना। अपने करियर की शुरुआत में, नेम्ज़र ने वेरिटेस्ट लैब्स की स्थापना की, जो शुरुआती प्रौद्योगिकी नेताओं को सहायता करती थी, जिनमें माइक्रोसॉफ्ट, इंटेल, ओरेकल और सन माइक्रोसिस्टम्स शामिल थे, तीसरे पक्ष के सॉफ्टवेयर पारिस्थितिकी तंत्र का निर्माण करने से पहले कंपनी लायोनब्रिज द्वारा अधिग्रहित की गई थी।
टेलस डिजिटल एक वैश्विक प्रौद्योगिकी सेवा कंपनी है जो संगठनों को डिजिटल प्लेटफ़ॉर्म और एआई-संचालित समाधानों को डिज़ाइन, निर्माण और संचालन करने में मदद करती है। दर्जनों देशों में संचालित, कंपनी एआई प्रशिक्षण डेटा और एनोटेशन, डिजिटल उत्पाद इंजीनियरिंग और ग्राहक अनुभव प्रबंधन जैसी सेवाएं प्रदान करती है। इसके प्लेटफ़ॉर्म और सेवाएं प्रौद्योगिकी, वित्त, स्वास्थ्य सेवा, दूरसंचार और गेमिंग जैसे उद्योगों में उद्यमों का समर्थन करती हैं क्योंकि वे अपने संचालन को आधुनिक बनाते हैं और उन्नत एआई क्षमताओं को तैनात करते हैं।
आपके एआई परीक्षण, डेटा सत्यापन और जिम्मेदार तैनाती में अपने अनुभव को देखते हुए, आप भाषा-संचालित उत्पन्न एआई से विश्व मॉडल की ओर बदलाव को कैसे देखते हैं जो वास्तविक दुनिया की स्थितियों और परिणामों के बारे में तर्क करने का लक्ष्य रखते हैं, विशेष रूप से आपकी वर्तमान भूमिका में टेलस डिजिटल में?
बड़े भाषा मॉडल (एलएलएम) मूल रूप से पैटर्न पूर्वानुमान प्रणाली हैं। वे पैटर्न सीखने के आधार पर अगले टोकन का अनुमान लगाकर प्रतिक्रिया उत्पन्न करते हैं जो बड़े, स्थिर निगमों से। जबकि यह तर्क जैसा दिख सकता है, मॉडल वास्तव में यह नहीं मॉडलिंग कर रहा है कि क्रियाएं दुनिया की स्थिति को कैसे बदलती हैं।
विश्व मॉडल एक अलग दृष्टिकोण लेते हैं। अगले शब्द या टोकन की भविष्यवाणी करने के बजाय, वे राज्य संक्रमण को मॉडलिंग करके एक प्रणाली की अगली स्थिति की भविष्यवाणी करना चाहते हैं। इससे प्रणालियों को यह अनुमान लगाने की अनुमति मिलती है कि वातावरण क्रियाओं के प्रतिक्रिया में कैसे विकसित होता है। अभ्यास में, यह कल्पनात्मक तर्क का समर्थन करता है, जहां एक मॉडल निर्णय लेने से पहले विभिन्न संभावित परिणामों का मूल्यांकन कर सकता है। इंटरैक्टिव सिस्टम के लिए, यह अधिक विश्वसनीय निर्णय लेने और योजना बनाने का समर्थन कर सकता है।
यह बदलाव जिम्मेदार तैनाती के बारे में हमारी सोच को भी बदल देता है। पारंपरिक उत्पन्न एआई प्रणालियों के साथ, ध्यान का अधिकांश हिस्सा मुद्दों जैसे पूर्वाग्रह और हॉलुसिनेशन पर केंद्रित था। जैसे ही मॉडल वातावरण और क्रियाओं के बारे में तर्क करने की ओर बढ़ते हैं, अन्य जोखिम अधिक प्रमुख हो जाते हैं।
उदाहरण के लिए, संगठनों को “सिम-टू-रियल” अंतराल पर विचार करने की आवश्यकता है, जहां अनुकरणित वातावरण में सीखे गए व्यवहार वास्तविक दुनिया की स्थितियों में साफ़ नहीं हो सकते हैं। वितरण बदलाव भी एक प्रमुख चिंता का विषय बन जाता है, क्योंकि तैनाती में मॉडल जिन वातावरणों का सामना करते हैं वे प्रशिक्षण डेटा से भिन्न हो सकते हैं।
यह वह जगह है जहां परीक्षण और सत्यापन महत्वपूर्ण हो जाते हैं, जो मेरी भूमिका में टेलस डिजिटल में एक बड़ा फोकस है। जैसे ही एआई प्रणालियां भाषा पीढ़ी से परे वातावरण के साथ बातचीत करने वाली प्रणालियों में आगे बढ़ती हैं, संगठनों को वास्तविक दुनिया की स्थितियों के तहत मॉडल के विश्वसनीय व्यवहार को सुनिश्चित करने के लिए कठोर मूल्यांकन ढांचे की आवश्यकता होती है।
बहुत से लोग बड़े भाषा मॉडल से परिचित हैं, लेकिन कम लोग विश्व मॉडल को समझते हैं। सरल शब्दों में, विश्व मॉडल क्या समस्या का समाधान करने का प्रयास कर रहे हैं जिसे एलएलएम मूल रूप से संघर्ष करते हैं?
एक विश्व मॉडल एक प्रणाली है जो वर्तमान स्थिति और एक क्रिया दी जाने पर “क्या अगला होगा” की भविष्यवाणी कर सकती है। सूत्र है: स्थिति + क्रिया → अगली स्थिति
यदि मैं एक सेब पकड़ रहा हूं और मैं इसे छोड़ देता हूं, तो एक विश्व मॉडल भविष्यवाणी करता है कि सेब गिर जाएगा। यह केवल यह नहीं जानता कि सेब “कैसे दिखते हैं” या लोग “सेब के बारे में क्या कहते हैं” – यह परिणाम की भविष्यवाणी करता है भौतिकी की समझ के आधार पर। एक परिष्कृत विश्व मॉडल यह भविष्यवाणी करेगा कि क्या होगा यदि मैं उसी चीज़ को अंतर्राष्ट्रीय अंतरिक्ष स्टेशन पर करता हूं, पृथ्वी की सतह के बजाय।
यह एक एलएलएम से अलग है। एक एलएलएम भविष्यवाणी करता है: “इस टोकन अनुक्रम को देखते हुए, अगला टोकन क्या है?” यह पाठ पर प्रशिक्षित है – मानवों ने दुनिया के बारे में क्या लिखा है, न कि दुनिया खुद। यह आपको बता सकता है कि गिराए गए सेब गिरते हैं क्योंकि इसने इसके बारे में पढ़ा है। लेकिन इसके पास एक आंतरिक भौतिकी इंजन नहीं है जो गिरावट का अनुकरण करता है।
दूसरे शब्दों में, एलएलएम प्रश्न के उत्तर में अगले शब्द की सांख्यिकीय भविष्यवाणी करने में अच्छे हैं, लेकिन वास्तविक दुनिया को समझना भाषा विवरण और सामंजस्य से परे जाता है। विश्व मॉडल स्थितियों के विकास को कदम से कदम समझने का लक्ष्य रखते हैं, क्या अगली स्थिति है जो वर्तमान स्थिति और होने वाली क्रिया को देखते हुए, क्या प्रतिबंध हैं, और आगे क्या है।
विश्व मॉडल अक्सर एआई प्रणालियों को कार्रवाई करने से पहले परिणामों का अनुकरण करने में सक्षम बनाने के रूप में वर्णित किया जाता है। यह अभ्यास में कैसा दिखता है, और हम विश्वसनीय रूप से अनुसंधान वातावरण के बाहर इसका उपयोग करने के करीब हैं?
इस प्रश्न का उत्तर देने में एक चुनौती यह है कि “विश्व मॉडल” शब्द का उपयोग काफी ढीला है, और इसका अर्थ संदर्भ के आधार पर बदलता रहता है। एक सरल विश्व मॉडल परिभाषा यह है कि वे एक एजेंट को अपनी वर्तमान स्थिति वातावरण का अनुकरण करने और भविष्य की स्थितियों की भविष्यवाणी करने की अनुमति देते हैं, और नीचे के परिणामों के बारे में तर्क करने के लिए। शोधकर्ता विश्व मॉडल को थोड़ा अधिक विस्तृत रूप से वर्गीकृत करते हैं, उनके प्रतिनिधित्व और प्रसंस्करण विधियों के आधार पर। लेटेंट विश्व मॉडल हैं जो एक वातावरण का “सार” एक कॉम्पैक्ट फोकस्ड स्पेस में समाहित करते हैं। जेनरेटिव विश्व मॉडल हैं जो भौतिकी को समझने के लिए फ्रेम-दर-फ्रेम दृश्य प्रतिनिधित्व बनाने के लिए “समझते” हैं, और ज्वाइंट-एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (जेपीए) मॉडल हैं जो पिछली क्रियाओं से परिणामों की भविष्यवाणी करते हैं।
लेटेंट विश्व मॉडल स्वायत्त ड्राइविंग, वेयरहाउस ऑपरेशन, औद्योगिक ऑपरेशन और कृषि जैसे अनुप्रयोगों में सहायता के लिए अनुसंधान प्रयोगशाला से बाहर हैं। जेनरेटिव विश्व मॉडल गेम इंजन विकास के लिए सिंथेटिक डेटा निर्माण, स्व-ड्राइविंग उपयोग के मामलों, निहित एआई उपयोग के मामलों के लिए दिखाई दे रहे हैं, और वास्तुशिल्प प्रतिपादन बनाने के लिए।
जेपीए दृष्टिकोण, जो उद्योग के प्रमुख लोगों जैसे यान लेकुन द्वारा पसंद किया जाता है, एक अमूर्त प्रतिनिधित्व स्थान में परिणामों की भविष्यवाणी करता है, पिक्सेल का उत्पादन करने के बजाय। रोबोटों को अधिकांश रूप से नियंत्रित वातावरण में सीमित रखा गया है, लेकिन जेपीए इसे बदल रहा है, रोबोटों को खुले और वास्तविक दुनिया की स्थितियों में स्थानांतरित करने की अनुमति दे रहा है। स्वायत्त वाहन एक अच्छा उदाहरण हैं – कुछ जेनी 3 का उपयोग करके हाइपर-वास्तविक, इंटरैक्टिव सिमुलेशन को प्रशिक्षण और दुर्लभ घटनाओं जैसे निर्माण क्षेत्रों को बेहतर ढंग से संभालने के लिए उत्पन्न कर रहे हैं।
स्पष्ट रूप से, वास्तविक दुनिया में इन मॉडलों को स्केल करने के लिए सुरक्षा और विश्वसनीयता परीक्षण की बहुत अधिक आवश्यकता है।
एक उद्यम के दृष्टिकोण से, आप विश्व मॉडल से कहां पहले महत्वपूर्ण मूल्य प्राप्त करने की उम्मीद करते हैं, चाहे वह रोबोटिक्स, स्वायत्त निर्णय प्रणाली, डिजिटल ट्विन या अधिक अमूर्त व्यावसायिक सेटिंग्स में हो?
मेरा अनुमान है कि डिजिटल ट्विन सबसे पहले व्यावहारिक मूल्य प्रदान करने की संभावना है। वास्तविक दुनिया की प्रणाली की स्थिति की प्रतिलिपि बनाना ताकि हम परिदृश्यों का परीक्षण कर सकें trước कि हम कार्य करें। उदाहरण के लिए, एक आपूर्ति श्रृंखला प्रणाली में, एक निर्माता अपने घटक भागीदार नेटवर्क की एक जुड़वां बना सकता है। सिमुलेशन सेंसर डेटा, लॉग, टेलीमेट्री डेटा से खिलाया जा सकता है और प्रश्नों का उत्तर दे सकता है जैसे “क्या होगा यदि होर्मुज़ जलडमरूमध्य बंद हो जाए?” ताकि हम वास्तविक लॉजिस्टिक्स को बदलने से पहले शिपमेंट को पुनर्निर्देशित करने का परीक्षण कर सकें। यह हमें लाइव सिस्टम की निगरानी से लाइव सिस्टम के अनुकरण में स्थानांतरित करने में मदद करता है।
रोबोटिक्स के लिए विश्व मॉडल से महत्वपूर्ण मूल्य प्राप्त करना समानांतर रूप से आगे बढ़ रहा है। रोबोटों को मूलभूत भौतिकी के गुणों को समझने में मदद करना, जैसे कि किसी वस्तु को उठाते समय एक सतह पर घर्षण, निहित एआई को तैनात करने में तेजी लाने में मदद करेगा।
आपके करियर का अधिकांश हिस्सा डेटासेट संग्रह, एनोटेशन और सत्यापन पर केंद्रित रहा है। डेटा चुनौतियां कैसे बदलती हैं जब हम स्थिर पाठ प्रशिक्षण से विश्व के व्यवहार को समय के साथ सिखाने वाली प्रणालियों में जाते हैं?
विश्व मॉडल सक्षम करने के लिए डेटा संग्रह स्थिति में कल की एलएलएम प्रशिक्षण विधियों से एक बड़ा मोड़ लेने की आवश्यकता है। सबसे पहले, हमारे पास प्री-प्रशिक्षण डेटा का एक विशाल निगम नहीं है, जो कि कॉमन क्रॉल से पेटाबाइट्स और अरबों वेब पेज हैं। कुछ रोबोटिक्स शोधकर्ताओं ने अनुमान लगाया है कि हमारे पास शारीरिक बुद्धिमत्ता और विश्व मॉडल को प्रशिक्षित करने के लिए आवश्यक डेटा का केवल 1/1000 वां हिस्सा है, जीपीटी2 जैसे प्रदर्शन बिंदु तक पहुंचने के लिए।
इसलिए, उन डेटासेट का निर्माण करने में कुछ समय लगेगा। निहित एआई के मामले में, हमें एगो-सेंट्रिक मल्टी-सेंसर डेटासेट के लाखों घंटों की आवश्यकता होगी, जिनमें से कुछ टेलीओपरेटेड होंगे और कुछ सिंथेटिक वातावरण जैसे आइज़ैक सिम से होंगे। टेलस डिजिटल में, हमने पाठ से मल्टीमोडल और मल्टी-सेंसर डेटासेट और सिमुलेशन डेटासेट में बदलाव किया है। हमें कंप्यूटर विजन में अपनी मजबूत डेटा संग्रह और एनोटेशन पृष्ठभूमि से मदद मिली है।
प्री-प्रशिक्षण डेटा और एनोटेटेड फाइन-ट्यूनिंग डेटा की कमी के अलावा, विश्व मॉडल प्रशिक्षण विधियों में कठोरता में तेजी लाने के लिए नए प्रतिवर्ती सीखने की चुनौतियां होंगी। गप्त और आरएल अवधारणाओं जैसे नए परिवर्तनकारी परिदृश्यों की आवश्यकता हो सकती है जो विश्व मॉडल प्रशिक्षण में कुशलता में तेजी लाने में मदद कर सकते हैं।
विश्व मॉडल निर्णयों को प्रभावित करते हैं, न कि केवल आउटपुट उत्पन्न करते हैं। यह जोखिम या शासन के लिए कौन से नए सुरक्षा जोखिम पेश करता है, जेनरेटिव एआई प्रणालियों की तुलना में?
विश्व मॉडल के साथ कई सुरक्षा और शासन जोखिम हैं, क्योंकि वे मूल रूप से एजेंटिक ऑपरेशन का समर्थन करने के लिए हैं। इसलिए, हमारे पास आज के एआई एजेंटों के बारे में जो चिंताएं हैं, वे सभी विश्व मॉडल परिदृश्य में लागू होती हैं। हमें महत्वपूर्ण निर्णय लेने के लिए मानव पर्यवेक्षण की आवश्यकता है, चाहे वह परिवहन सुरक्षा, व्यावसायिक सुरक्षा, स्वास्थ्य सेवा, वित्त, या दैनिक गतिविधियों से संबंधित हो।
विश्व मॉडल के लिए एक विशिष्ट जोखिम, सिम ट्रेनिंग डेटा और वास्तविक दुनिया के वातावरण के बीच अंतराल है। एक सूक्ष्म सतह परिवर्तन रोबोटों के लिए वास्तविक दुनिया को गड़बड़ कर सकता है जो अनुकरण में अच्छी तरह से प्रशिक्षित हैं।
मानव व्यवहार से संबंधित एक अन्य जोखिम है। जैसे ही प्रणालियां अधिक स्वायत्त हो जाती हैं, मानव अपने पर भरोसा करना शुरू कर देंगे, और पर्यवेक्षण ढीला हो जाएगा, और अंततः प्रणाली को आवश्यक पुन: कैलिब्रेशन नहीं मिलेगा।
पूर्वाग्रह और विश्वास एआई को अपनाने के लिए प्रमुख बाधाएं बने हुए हैं। जैसे ही एआई प्रणालियां जटिल वास्तविक दुनिया या सामाजिक वातावरण में मॉडलिंग और कार्य करना शुरू करती हैं, तो ये चिंताएं कैसे विकसित होती हैं?
सामान्य जनता से लेकर सी-सूट तक, एआई मॉडल में विश्वास और विश्वास पहले से ही बहुत कम है और मुझे लगता है कि यह अल्पावधि में बहुत बदलने वाला नहीं है।
एआई की शक्ति कुछ हाथों में केंद्रित होने के बारे में चिंताएं, एआई नौकरियों को ले जा रहा है, पूर्वाग्रह एआई को कम प्रतिनिधित्व वाले समूहों को नुकसान पहुंचा रहा है, मॉडल स्वास्थ्य, करियर और वित्त जैसे निर्णय ले रहे हैं, मॉडल आईपी का उपयोग कर रहे हैं बिना सहमति के, साथ ही एआई डीपफेक के बारे में चिंताएं, पहले से ही बहुत अधिक हैं। कार्यकारी कार्यबल संक्रमण, डेटा गोपनीयता और नियामक अनुपालन, और प्रतिस्पर्धियों के साथ एआई “हथियारों की दौड़” में जमीन खोने के बारे में चिंतित हैं।
हाल के समाचारों में एआई संस्थापक मॉडल निर्माताओं पर सरकारी दबाव के बारे में जानकारी है कि वे स्वायत्त हथियारों या масс सurveillancे जैसी चीजों के बारे में उपयोग की शर्तों को शिथिल करने के लिए, ये चिंताएं और बढ़ा रहे हैं। विश्व मॉडल आधारित रोबोटों का व्यापक तैनाती भी ऐसा ही करेगी।
दूसरी ओर, हम एआई को व्यापक रूप से अपनाने और विश्वास के कुछ जेब देख रहे हैं। एक उदाहरण कोडिंग एजेंटों का तरीका है जो पिछले कुछ महीनों में लोकप्रिय हो गए हैं। सॉफ्टवेयर विकास प्रबंधकों को कोडिंग एजेंटों पर बहुत विश्वास है, और सॉफ्टवेयर विकास के तरीके में मूलभूत परिवर्तन हो रहा है, पीआरडी विकास से लेकर पोस्ट-रिलीज रिग्रेशन परीक्षण तक। सॉफ्टवेयर विकास की दुनिया तेजी से विकसित हो रही है, और इसका एक बड़ा हिस्सा उच्च प्रदर्शन वाले कोडिंग एजेंटों पर विश्वास के कारण है। जैसे ही अन्य उपयोग के मामलों में उपयोगकर्ता विश्वास बढ़ता है, मुझे उम्मीद है कि अपनाने में तेजी आएगी।
विश्वास बनाने के लिए समाधानों में प्रशिक्षण चरणों में विविध डेटासेट और वातावरण शामिल हैं, और तैनाती से पहले व्यापक लाल टीमिंग और तनाव परीक्षण एक सुरक्षा गार्डरेल के रूप में। सक्रिय नियामक पर्यवेक्षण भी आवश्यक है। कुछ लोगों ने सुझाव दिया है कि मॉडल निर्माताओं को नए मॉडल जारी करने से पहले “सामाजिक प्रभाव रिपोर्ट” प्रदान करने की आवश्यकता होनी चाहिए, जो पर्यावरण प्रभाव रिपोर्ट (ईआईआर) के समान हैं।
टेलस डिजिटल में, बहुत सा काम वास्तविक उद्यमों और वास्तविक उपयोगकर्ताओं के लिए एआई को बड़े पैमाने पर तैनात करने में शामिल है। विश्व मॉडल जैसे विचार व्यावहारिक चिंताओं जैसे पारदर्शिता, कार्यबल प्रभाव और ग्राहक विश्वास बनाए रखने के साथ कैसे अंतर्संबंधित हैं?
स्पष्ट करने के लिए, टेलस डिजिटल सीधे मूल मॉडल निर्माताओं के साथ-साथ उद्यमों के साथ भी काम करता है जो एआई मॉडल तैनात करते हैं। हमारा खेल का मैदान समग्र है:
व्यावहारिक चिंताओं के बारे में प्रश्न विश्वास से संबंधित पिछले प्रश्न से संबंधित है। आइए कार्यबल विश्वास पर एक नज़र डालें। जैसे ही विश्व-मॉडल-सक्षम एआई अधिक व्यापक हो जाते हैं, कार्यकारियों को अपने कर्मचारियों, ठेकेदारों और ग्राहकों के साथ स्पष्ट संचार करने की आवश्यकता है। स्पष्ट संचार आवश्यक है कि मॉडल क्या अच्छा है, कैसे प्रशिक्षित किया गया है, कौन सा डेटा प्रशिक्षण के लिए उपयोग किया गया है, कौन से गार्डरेल लगाए गए हैं और मानव पर्यवेक्षण कहां है। उद्यम नेताओं को वर्तमान कार्यबल को दिखाने की आवश्यकता है कि नए मॉडल का मूल्य क्या है, उदाहरण के लिए, एक नौकरी में सभी दयनीय कार्य करना। और उन्हें प्रभावित कार्यकर्ताओं के लिए संक्रमण मार्ग दिखाने की आवश्यकता है जो नए उभरते नौकरियों में जा सकते हैं क्योंकि पिछली नौकरियां विश्व-मॉडल एआई द्वारा की जा रही हैं। व्हाइट-कॉलर श्रमिक वास्तविक समय में इसका सामना कर रहे हैं, और कई मैनुअल नौकरियां आने वाले वर्षों में प्रभावित होंगी क्योंकि विश्व-मॉडल-सक्षम स्वचालन विस्तारित हो रहा है।
एक बढ़ती हुई खाई है जो एआई शोधकर्ताओं को समझती है और जो सार्वजनिक धारणा है। एआई प्रगति जैसे विश्व मॉडल को संवाद करने के लिए संगठन कैसे विश्वास बना सकते हैं?
फिर से, यह मॉडल की सीमाओं और मॉडल की ताकत के बारे में पारदर्शिता के लिए नीचे आता है। मॉडल को कैसे प्रशिक्षित किया गया है, इसके बारे में संवाद करना। संभावित पूर्वाग्रह को कम करने के लिए। मानव पर्यवेक्षण कहां है। कुछ वास्तविक दुनिया के प्रदर्शन के साथ-साथ दीर्घकालिक अध्ययन, विश्वास बढ़ाने में एक लंबा रास्ता तय कर सकते हैं।
अंत में, एआई विश्व मॉडल के बारे में एक सामान्य गलत धारणा है जिसे आपको लगता है कि अभी सही किया जाना चाहिए, चाहे वह अत्यधिक आशावादी हो या अत्यधिक सावधान?
जितना ही सार्वजनिक रूप से विश्व मॉडल के बारे में जागरूक किया जाता है, एक गलत धारणा यह है कि विश्व मॉडल को प्रभावी होने के लिए सभी भौतिकी और विज्ञान को समझने की आवश्यकता है। विश्व मॉडल जल्द ही रोल आउट होंगे क्योंकि व्यक्तिगत उपयोग के मामलों को संकीर्ण किया जा सकता है। एक स्वायत्त वाहन को केवल यातायात गतिविधियों और सड़क संबंधी भौतिकी को समझने की आवश्यकता है, और वर्तमान स्थिति की स्थितियों (जैसे कि एक प्राथमिक विद्यालय के पास होना या आसपास के एसयूवी के साथ ऊंचे सिल्हूट) को उनकी दृष्टि और निर्णय लेने को प्रभावित करेगा। एक स्वायत्त वाहन को सूफ्ले बेक करने के लिए भौतिकी की आवश्यकता नहीं है जो काम करने के लिए आवश्यक है।
धन्यवाद महान साक्षात्कार के लिए, पाठक जो अधिक जानना चाहते हैं उन्हें टेलस डिजिटल पर जाना चाहिए।
