สตีฟ เนมเซอร์ ผู้อำนวยการอาวุโส AI Growth & Innovation, TELUS Digital – สัมภาษณ์系列

สตีฟ เนมเซอร์ ผู้อำนวยการอาวุโส AI Growth & Innovation, TELUS Digital, นำโครงการที่มุ่งเน้นการพัฒนา AI training data และ infrastructure สำหรับระบบ AI รุ่นต่อไป His work includes การพัฒนา dataset สำหรับโมเดลการวิจัยที่ลึกซึ้ง สภาพแวดล้อมการเรียนรู้แบบเสริม การสร้างข้อมูลแบบ world-model โครงการ AI ที่เป็นอิสระ และการสร้างกรอบการทำงานสำหรับการลดความเสี่ยงของ AI โดยมุ่งเน้นไปที่การปฏิบัติตามหลักการของ AI ที่รับผิดชอบ เช่น การจัดการข้อมูลที่มีอคติ และการสนับสนุนสภาพการทำงานที่ยุติธรรมสำหรับผู้ฝึกอบรม AI ในช่วงต้นอาชีพของเขา Nemzer ก่อตั้ง VeriTest Labs ซึ่งช่วยให้ผู้นำเทคโนโลยีในยุคแรกๆ เช่น Microsoft (MSFT ), Intel (INTC ), Oracle (ORCL ) และ Sun Microsystems สร้างระบบนิเวศของซอฟต์แวร์ภาคที่สามที่มีชีวิตชีวา ก่อนที่บริษัทจะถูกซื้อโดย Lionbridge

TELUS Digital เป็นบริษัทบริการเทคโนโลยีระดับโลกที่ช่วยให้องค์กรออกแบบ สร้าง และดำเนินระบบแพลตฟอร์มดิจิทัลและโซลูชันที่ใช้ AI ที่มีพลังการทำงาน ตลอดจนให้บริการด้าน AI training data และการทำเครื่องหมายข้อมูล การพัฒนาผลิตภัณฑ์ดิจิทัล และการบริหารประสบการณ์ลูกค้า แพลตฟอร์มและบริการของ TELUS Digital สนับสนุนองค์กรทั่วหลายอุตสาหกรรม รวมถึงเทคโนโลยี การเงิน การดูแลสุขภาพ การสื่อสาร และเกมส์ ในขณะที่พวกเขาทำการปรับปรุงการดำเนินงานและใช้ AI ที่มีความสามารถขั้นสูง

เมื่อพิจารณาจากประสบการณ์ของคุณในด้านการทดสอบ AI การตรวจสอบข้อมูล และการนำไปใช้อย่างมีความรับผิดชอบ คุณมองเห็นการเปลี่ยนแปลงจาก AI ที่ขับเคลื่อนด้วยภาษาไปสู่โมเดลโลกที่มุ่งเน้นการให้เหตุผลเกี่ยวกับสถานการณ์และผลลัพธ์ในโลกแห่งความเป็นจริง โดยเฉพาะอย่างยิ่งในบทบาทปัจจุบันของคุณที่ TELUS Digital?

โมเดลภาษาขนาดใหญ่ (LLM) เป็นระบบการทำนายรูปแบบพื้นฐาน พวกมันสร้างคำตอบโดยการทำนายโทเคนต่อไปตามรูปแบบที่เรียนรู้จากคอร์ปัสขนาดใหญ่และคงที่ แม้ว่าสิ่งนี้จะดูเหมือนการให้เหตุผล แต่โมเดลไม่ได้สร้างแบบจำลองวิธีการเปลี่ยนแปลงสถานะของโลกอย่างแท้จริง

โมเดลโลกใช้วิธีการที่แตกต่าง แทนที่จะทำนายคำหรือโทเคนต่อไป โมเดลเหล่านี้มุ่งเน้นไปที่การทำนายสถานะถัดไปของระบบโดยการสร้างแบบจำลองการเปลี่ยนแปลงสถานะ ซึ่งช่วยให้ระบบสามารถจำลองว่าระบบจะพัฒนาไปอย่างไรในตอบสนองต่อการกระทำ ในทางปฏิบัติ สิ่งนี้เปิดโอกาสให้ระบบสามารถให้เหตุผลเกี่ยวกับผลลัพธ์ที่เป็นไปได้ก่อนที่จะตัดสินใจ สำหรับระบบแบบโต้ตอบ สิ่งนี้สามารถสนับสนุนการวางแผนและการตัดสินใจที่มีความน่าเชื่อถือมากขึ้น

การเปลี่ยนแปลงนี้ยังเปลี่ยนแปลงวิธีการที่เราคิดเกี่ยวกับการนำไปใช้อย่างมีความรับผิดชอบด้วย ด้วยระบบ AI ที่มีการสร้างข้อมูลแบบดั้งเดิม ส่วนใหญ่จะมุ่งเน้นไปที่ประเด็นด้านอคติและภาพหลอกลวง เมื่อโมเดลเปลี่ยนไปสู่การให้เหตุผลเกี่ยวกับสภาพแวดล้อมและการกระทำ ความเสี่ยงอื่นๆ จะกลายเป็นปัญหาหลัก

ตัวอย่างเช่น องค์กรต่างๆ ต้องคำนึงถึง “ช่องว่างระหว่างการฝึกอบรมและการใช้งานจริง” ซึ่งพฤติกรรมที่เรียนรู้ในสถานการณ์จำลองอาจไม่สอดคล้องกับสภาพแวดล้อมจริง นอกจากนี้ การเปลี่ยนแปลงการกระจายตัวของข้อมูลยังเป็นปัญหาหลัก เนื่องจากสภาพแวดล้อมที่โมเดลพบในการใช้งานอาจแตกต่างจากข้อมูลที่ใช้ในการฝึกอบรม

สิ่งนี้คือจุดที่การทดสอบและการตรวจสอบมีความสำคัญ ซึ่งเป็นจุดสนใจหลักในบทบาทของฉันที่ TELUS Digital เมื่อระบบ AI พัฒนาไปไกลกว่าการสร้างข้อมูลภาษาและเข้าสู่ระบบที่โต้ตอบกับสภาพแวดล้อมและตัดสินใจ องค์กรต่างๆ ต้องการกรอบการประเมินอย่างเข้มงวดเพื่อให้แน่ใจว่าโมเดลทำงานได้อย่างน่าเชื่อถือภายใต้สภาพแวดล้อมจริง

หลายคนคุ้นเคยกับโมเดลภาษาขนาดใหญ่ แต่มีคนจำนวนน้อยที่เข้าใจโมเดลโลก ในคำพูดที่เรียบง่าย โมเดลโลกพยายามแก้ปัญหาใดที่โมเดลภาษาขนาดใหญ่ไม่สามารถทำได้?

โมเดลโลกคือระบบที่สามารถทำนาย “สิ่งที่เกิดขึ้นต่อไป” เมื่อพิจารณาจากสถานะปัจจุบันและการกระทำ สูตรคือ: สถานะ + การกระทำ → สถานะถัดไป

ถ้าฉันถือแอปเปิ้ลและปล่อยมือ โมเดลโลกจะทำนายว่าแอปเปิ้ลจะตก นอกจากนี้ยังไม่เพียงแต่ทราบว่าแอปเปิ้ล “ดูเหมือน” หรือ “คนพูดเกี่ยวกับการปล่อยแอปเปิ้ล” แต่ยังสามารถทำนายผลลัพธ์ตามหลักการทางฟิสิกส์ โมเดลโลกที่ซับซ้อนจะทำนายสิ่งที่จะเกิดขึ้นหากฉันทำสิ่งเดียวกันบนสถานีอวกาศสากลเมื่อเทียบกับบนพื้นผิวโลก

สิ่งนี้แตกต่างจากโมเดลภาษาขนาดใหญ่ โมเดลภาษาขนาดใหญ่ทำนาย: “เมื่อพิจารณาจากลำดับของโทเคนต่อไป โทเคนต่อไปคืออะไร?” มันถูกฝึกอบรมจากข้อความ – สิ่งที่มนุษย์เขียนเกี่ยวกับโลก ไม่ใช่โลกเอง มันสามารถบอกคุณได้ว่าแอปเปิ้ลที่ปล่อยมือจะตกเพราะมันเคยอ่านเกี่ยวกับเรื่องนั้น แต่มันไม่มีเครื่องยนต์ฟิสิกส์ภายในที่จำลองการปล่อยตัว

โดยสรุป โมเดลภาษาขนาดใหญ่ดีในการทำนายสถิติของโทเคนต่อไปในคำตอบของคำถาม แต่การเข้าใจโลกแห่งความเป็นจริงไปไกลกว่าการอธิบายและความสอดคล้องของภาษา โมเดลโลกมุ่งเน้นไปที่การเข้าใจว่าสถานการณ์จะพัฒนาไปทีละขั้นตอน อะไรคือสถานะถัดไปที่กำหนดโดยสถานะปัจจุบันและการกระทำ และมีข้อจำกัดอะไรบ้าง

โมเดลโลกมักถูกอธิบายว่าเป็นการเปิดโอกาสให้ระบบ AI สามารถจำลองผลลัพธ์ก่อนที่จะดำเนินการได้ สิ่งนี้ดูเหมือนอย่างไรในทางปฏิบัติ และเรากำลังใกล้จะเห็นมันทำงานได้อย่างน่าเชื่อถือนอกเหนือจากสภาพแวดล้อมการวิจัยหรือไม่?

ความท้าทายในการตอบคำถามนี้คือคำว่า “โมเดลโลก” ถูกใช้อย่างหลวมๆ และความหมายมักจะเปลี่ยนแปลงไปตามบริบท โมเดลโลกที่เรียบง่ายคือสิ่งที่ช่วยให้เอเย่นต์สามารถจำลองสถานะปัจจุบันและสภาพแวดล้อมและทำนายสถานะในอนาคต และให้เหตุผลเกี่ยวกับผลที่ตามมาในระยะยาว นักวิจัยมักจะจำแนกโมเดลโลกออกเป็นหมวดหมู่ที่ละเอียดมากขึ้นตามวิธีการแสดงและประมวลผล มีโมเดลโลกแบบ Latent ที่ทำให้สภาพแวดล้อมกลายเป็นพื้นที่ที่มีจุดมุ่งหมาย มีโมเดลโลกแบบ Generative ที่ “เข้าใจ” ฟิสิกส์เพื่อสร้างการนำเสนอภาพแบบเฟรมต่อเฟรม และมีโมเดลแบบ Joint-Embedding Predictive Architecture (JEPA) ที่ทำนายผลลัพธ์จากการกระทำในอดีต

โมเดลโลกแบบ Latent อยู่นอกห้องปฏิบัติการวิจัยแล้วและช่วยเหลือในแอปพลิเคชันเช่น การขับขี่อัตโนมัติ การดำเนินงานในคลังสินค้า การดำเนินงานอุตสาหกรรม และการเกษตร โมเดลโลกแบบ Generative กำลังปรากฏในด้านการสร้างข้อมูลสังเคราะห์สำหรับการพัฒนาเกม การใช้งานรถยนต์แบบอัตโนมัติ และการสร้างการจำลองการเคลื่อนไหวของมนุษย์แบบมีร่างกาย

แนวทาง JEPA ซึ่งได้รับการสนับสนุนจากบุคคลสำคัญในอุตสาหกรรม เช่น Yan LeCun ทำนายผลลัพธ์ในพื้นที่การแสดงผลแบบนามธรรมมากกว่าการสร้างพิกเซล รถยนต์โดยทั่วไปถูกจำกัดอยู่ในสถานการณ์ที่ควบคุมได้ แต่ JEPA กำลังเปลี่ยนแปลงสิ่งนี้ โดยทำให้รถยนต์สามารถเปลี่ยนไปสู่สภาพแวดล้อมแบบเปิดและโลกแห่งความเป็นจริงได้ รถยนต์แบบอัตโนมัติเป็นตัวอย่างที่ดี – บางรุ่นใช้ Genie 3 เพื่อสร้างการจำลองแบบ超จริงและโต้ตอบสำหรับการฝึกอบรมและจัดการเหตุการณ์หายาก เช่น โซนการก่อสร้าง

เห็นได้ชัดว่ายังมีการทดสอบความปลอดภัยและความน่าเชื่อถือที่ต้องการมากขึ้นเพื่อขยายโมเดลเหล่านี้ออกจากสภาพแวดล้อมแบบ sandbox และเข้าสู่โลกแห่งความเป็นจริง

จากมุมมองขององค์กร คุณคาดหวังว่าโมเดลโลกจะส่งมอบคุณค่าที่มีความหมายแรกๆ ในด้านใด ไม่ว่าจะเป็นหุ่นยนต์ ระบบการตัดสินใจอัตโนมัติ ตัวจำลองดิจิทัล หรือสภาพแวดล้อมทางธุรกิจที่เป็นนามธรรม

ความรู้สึกของฉันคือตัวจำลองดิจิทัลมีแนวโน้มที่จะส่งมอบคุณค่าจริงแรกๆ การจำลองสถานะของระบบในโลกแห่งความเป็นจริงเพื่อทดสอบสถานการณ์ก่อนดำเนินการ ตัวอย่างเช่น ในระบบโซ่อุปทาน ผู้ผลิตสามารถสร้างตัวจำลองของเครือข่ายพันธมิตรของคอมโพเนนท์ การจำลองสามารถให้อาหารโดยข้อมูลจากเซ็นเซอร์ ล็อก เทเลเมทรี และสามารถตอบคำถาม เช่น “อะไรจะเกิดขึ้นหากช่องแคบฮอร์มุซถูกปิด?” ดังนั้นเราจึงสามารถทดสอบการเปลี่ยนแปลงการขนส่งก่อนที่จะเปลี่ยนลอจิสติกส์ที่แท้จริง

คุณค่าที่มีความหมายของโมเดลโลกสำหรับหุ่นยนต์กำลังพัฒนาไปพร้อมๆ กัน การมีหุ่นยนต์ที่เข้าใจคุณสมบัติขั้นพื้นฐานของฟิสิกส์ เช่น แรงเสียดทานบนพื้นผิวเมื่อหยิบวัตถุ จะช่วยให้การนำหุ่นยนต์ไปใช้จริงเร็วขึ้น

อาชีพของคุณส่วนใหญ่มุ่งเน้นไปที่การรวบรวมข้อมูล การทำเครื่องหมายข้อมูล และการตรวจสอบข้อมูล การท้าทายด้านข้อมูลเปลี่ยนแปลงไปอย่างไรเมื่อเปลี่ยนจากการฝึกอบรมภาษาที่คงที่ไปสู่การเรียนรู้ว่าสภาพแวดล้อมโลกเปลี่ยนแปลงไปตามเวลา?

สถานการณ์การรวบรวมข้อมูลสำหรับการเปิดใช้งานโมเดลโลกต้องการการเปลี่ยนแปลงครั้งใหญ่จากวิธีการฝึกอบรม LLM ในปัจจุบัน อันดับแรก เราไม่มีคอร์ปัสการฝึกอบรมขนาดใหญ่พร้อมใช้งานหลายพีตะไบจาก Common Crawl และหลายพันล้านหน้าเว็บ บางนักวิจัยด้านหุ่นยนต์เชื่อว่าเรามีเพียง 1/1000 ของข้อมูลที่ต้องการในการฝึกอบรมความฉลาดทางกายภาพและโมเดลโลก เพื่อให้ได้ประสิทธิภาพที่เทียบเท่ากับ GPT2

ดังนั้นจะใช้เวลาบางเวลาในการสร้างชุดข้อมูลเหล่านั้น ในกรณีของ AI ที่มีร่างกาย เราจะต้องมีหลายล้านชั่วโมงของชุดข้อมูลแบบ egocentric multi-sensor ที่มีการทำเครื่องหมายข้อมูล บางส่วนจะถูกควบคุมระยะไกล บางส่วนมาจากสภาพแวดล้อมแบบสังเคราะห์ เช่น Isaac Sim ที่ TELUS Digital เราได้เปลี่ยนจากข้อมูลภาษาไปเป็นข้อมูลแบบหลายรูปแบบและหลายเซ็นเซอร์ และชุดข้อมูลแบบจำลอง ของเราได้รับการช่วยเหลือจากประสบการณ์ที่แข็งแกร่งในการรวบรวมข้อมูลและทำเครื่องหมายข้อมูลในด้านการมองเห็นคอมพิวเตอร์

นอกเหนือจากความหายากของข้อมูลการฝึกอบรมและข้อมูลการทำเครื่องหมายข้อมูลที่มีการฝึกอบรมที่ดี จะมีการทดสอบการฝึกอบรมที่ท้าทายอื่นๆ ในการขยายการเรียนรู้แบบเสริม

โมเดลโลกมีอิทธิพลต่อการตัดสินใจมากกว่าการสร้างผลลัพธ์เท่านั้น สิ่งนี้แนะนำความเสี่ยงด้านความปลอดภัยหรือการกำกับดูแลใหม่ๆ อะไรบ้างเมื่อเทียบกับระบบ AI ที่สร้างข้อมูล?

มีความเสี่ยงด้านความปลอดภัยและกำกับดูแลหลายประการ เนื่องจากโมเดลโลกมีจุดมุ่งหมายเพื่อสนับสนุนการดำเนินการของเอเย่นต์ ดังนั้นความกังวลทั้งหมดที่เรามีต่อเอเย่นต์ AI ในปัจจุบันยังคงมีผลบังคับใช้ในสถานการณ์ของโมเดลโลก

ตัวอย่างเฉพาะสำหรับโมเดลโลกคือช่องว่างระหว่างข้อมูลการฝึกอบรมและการใช้งานจริง การเปลี่ยนแปลงของพื้นผิวขนาดเล็กสามารถทำให้โลกแห่งความเป็นจริงซับซ้อนสำหรับหุ่นยนต์ที่ได้รับการฝึกอบรมอย่างดีในสถานการณ์จำลอง

ความเสี่ยงอีกประการหนึ่งเกี่ยวข้องกับพฤติกรรมของมนุษย์ เมื่อระบบกลายเป็นอัตโนมัติมากขึ้น มนุษย์จะเริ่มพึ่งพามันอย่างหนัก และการกำกับดูแลอาจจะผ่อนคลายลง และในที่สุดระบบจะไม่ได้รับการปรับเทียบใหม่ที่จำเป็น

อคติและความไว้วางใจยังคงเป็นอุปสรรคสำคัญต่อการนำ AI ไปใช้ การกังวลเหล่านี้พัฒนาไปอย่างไรเมื่อระบบ AI เริ่มสร้างแบบจำลองและดำเนินการในสภาพแวดล้อมหรือสังคมที่ซับซ้อน?

จากสาธารณชนวไปจนถึงห้องประชุมผู้บริหาร ความไว้วางใจและความเชื่อมั่นในโมเดล AI ยังคงต่ำและฉันไม่คิดว่ามันจะเปลี่ยนแปลงมากในระยะสั้น

ความกังวลเกี่ยวกับอำนาจของ AI ที่มีศูนย์กลางอยู่ในมือไม่กี่คน ความกังวลเกี่ยวกับ AI ที่เอาชนะงาน การมีอคติใน AI ที่ทำให้กลุ่มที่ไม่ได้รับการแสดงออกเสียเปรียบ โมเดลที่ตัดสินใจที่ส่งผลกระทบต่อสุขภาพ การงาน และการเงินของบุคคล โมเดลที่ใช้ทรัพย์สินทางปัญญาโดยไม่ได้รับอนุญาต เช่นเดียวกับความกังวลเกี่ยวกับ AI ที่สร้างภาพหลอกลวงลึกๆ นั้นยังคงสูง

การเปลี่ยนแปลงล่าสุดในข่าวเกี่ยวกับการกดดันของรัฐบาลต่อผู้สร้างโมเดล AI ที่จะผ่อนคลายเงื่อนไขการใช้งานเกี่ยวกับสิ่งต่างๆ เช่น อาวุธอัตโนมัติหรือการเฝ้าระวังแบบมวลชน ทำให้ความกังวลเหล่านี้เพิ่มมากขึ้น การใช้งานโมเดลโลกที่ฉลาดและอัตโนมัติมากขึ้นจะทำเช่นเดียวกัน

ในทางกลับกัน เรากำลังเห็นจุดแข็งของการนำ AI ไปใช้และความเชื่อมั่น ตัวอย่างเช่น วิธีที่เอเย่นต์ในการเขียนโค้ดได้พุ่งเข้ามาในช่วงไม่กี่เดือนที่ผ่านมา ผู้จัดการการพัฒนาソフト์แวร์มีความไว้วางใจสูงในเอเย่นต์ในการเขียนโค้ด และมีการเปลี่ยนแปลงพื้นฐานในกระบวนการสร้างซอฟต์แวร์ ตั้งแต่การพัฒนา PRD ไปจนถึงการทดสอบการถดถอยหลังการเปิดตัว โลกของการพัฒนาซอฟต์แวร์กำลังพัฒนาไปอย่างรวดเร็ว และส่วนใหญ่เกิดจากความไว้วางใจในเอเย่นต์ในการเขียนโค้ดที่มีประสิทธิภาพสูง เมื่อความเชื่อมั่นของผู้ใช้เติบโตในกรณีการใช้งานอื่นๆ ฉันคาดหวังว่าการนำไปใช้จะพุ่งเข้ามาในลักษณะเดียวกัน

วิธีแก้ปัญหาในการสร้างความไว้วางใจรวมถึงชุดข้อมูลและสภาพแวดล้อมที่หลากหลายในระยะการฝึกอบรม และการทดสอบแบบ proactively เป็นรั้วกั้นความปลอดภัยก่อนการนำไปใช้ การกำกับดูแลอย่างแข็งขัน也是จำเป็น บางคนแนะนำว่าผู้สร้างโมเดล AI ควรให้รายงานผลกระทบต่อสังคม (“Societal Impact Reports”) ที่คล้ายกับรายงานผลกระทบต่อสิ่งแวดล้อม (“Environmental Impact Reports” หรือ EIRs) ก่อนที่จะปล่อยโมเดลใหม่ๆ

ที่ TELUS Digital งานส่วนใหญ่เกี่ยวข้องกับการนำ AI ไปใช้จริงสำหรับองค์กรและผู้ใช้จริง วิธีการที่แนวคิดเช่นโมเดลโลกตัดกับข้อกังวลเชิงปฏิบัติ เช่น ความโปร่งใส ผลกระทบต่อแรงงาน และการรักษาความไว้วางใจของลูกค้า?

เพื่อชี้แจง TELUS Digital ทำงานทั้งทางด้านการสร้างโมเดล AI และการทำงานร่วมกับองค์กรที่นำโมเดล AI ไปใช้ พื้นที่ทำงานของเราคือตั้งแต่ต้นจนจบ:

คำถามเกี่ยวกับข้อกังวลเชิงปฏิบัตินี้เกี่ยวข้องกับการซักถามก่อนหน้านี้เกี่ยวกับความไว้วางใจ มาทำความเข้าใจกับข้อกังวลเกี่ยวกับความไว้วางใจของพนักงานกัน พนักงานต้องมีการสื่อสารที่ชัดเจนเกี่ยวกับสิ่งที่โมเดลเหล่านี้ดี ที่ไหนได้รับการฝึกอบรม ข้อมูลใดที่ใช้ในการฝึกอบรม และการกำกับดูแลของมนุษย์อยู่ที่ไหน ผู้นำองค์กรต้องแสดงให้พนักงานเห็นถึงคุณค่าของโมเดลใหม่ๆ ตัวอย่างเช่น การทำงานที่น่าเบื่อหน่าย และต้องแสดงเส้นทางการเปลี่ยนแปลงสำหรับพนักงานที่อาจต้องย้ายไปสู่งานใหม่ๆ ที่เกิดขึ้นเมื่องานเดิมทำโดยโมเดลโลกที่มีการใช้งานอัตโนมัติ

มีความช่องว่างที่เพิ่มขึ้นระหว่างสิ่งที่นักวิจัย AI เข้าใจและสิ่งที่สาธารณชนรับรู้ วิธีการใดที่องค์กรสามารถสื่อสารความก้าวหน้าเช่นโมเดลโลกเพื่อสร้างความไว้วางใจโดยไม่เกินขอบเขตความสามารถ?

อีกครั้ง สิ่งนี้ต้องมีความโปร่งใสเกี่ยวกับข้อจำกัดของโมเดลและเกี่ยวกับสิ่งที่โมเดลเหล่านี้ดี การสื่อสารเกี่ยวกับวิธีการฝึกอบรมเพื่อลดอคติที่อาจเกิดขึ้น การกำกับดูแลของมนุษย์ที่มีอยู่ การแสดงตัวอย่างจริงของความสามารถและกรณีการใช้งานของโมเดล และการศึกษาที่ยาวนานสามารถช่วยเพิ่มความเชื่อมั่นของสาธารณชนและพนักงาน

สุดท้าย สิ่งผิดเข้าใจทั่วไปเกี่ยวกับโมเดลโลก AI ที่คุณคิดว่าต้องแก้ไขทันที คืออะไร?

ในขอบเขตที่สาธารณชนได้รับข้อมูลเกี่ยวกับโมเดลโลก สิ่งผิดเข้าใจคือโมเดลโลกต้องเข้าใจฟิสิกส์และวิทยาศาสตร์ทั้งหมดเพื่อให้ได้ผล โมเดลโลกจะถูกนำมาใช้เร็วกว่าที่คิด เพราะกรณีการใช้งานแต่ละรายการสามารถถูกจำกัดให้แคบลงได้ ยานพาหนะอัตโนมัติต้องเข้าใจเฉพาะไดนามิกของการจราจรและฟิสิกส์ที่เกี่ยวข้องกับถนน และสภาพแวดล้อมปัจจุบัน (เช่น ใกล้โรงเรียนประถมหรือการมี SUV ที่มีสีเหลือมสูง) จะส่งผลต่อการมองเห็นและการตัดสินใจ ยานพาหนะอัตโนมัติไม่ต้องการฟิสิกส์ที่เป็นพื้นฐานของการทำซูเฟลเพื่อให้ทำงานได้

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม TELUS Digital