รถยนต์ LLM: การพัฒนาสำคัญในการสื่อสารระหว่างมนุษย์และรถยนต์ AV

เมื่อรถยนต์ไร้คนขับ (AVs) เข้าใกล้การนำไปใช้ในวงกว้าง ความท้าทายที่สำคัญยังคงอยู่ คือ การขยายช่องว่างในการสื่อสารระหว่างผู้โดยสารและคนขับรถยนต์ AVs ได้ทำการปรับปรุงอย่างมากในการเดินทางในเส้นทางที่ซับซ้อน แต่พวกเขามักจะพบปัญหาในการตีความคำสั่งภาษาธรรมชาติที่ซับซ้อนซึ่งคนขับรถยนต์สามารถทำได้อย่างง่ายดาย

เข้ามาใน การศึกษาที่เป็นนวัตกรรม จากมหาวิทยาลัย Purdue ซึ่งได้รับการสนับสนุนจาก Lyles School of Civil and Construction Engineering โดยมี Assistant Professor Ziran Wang เป็นผู้นำทีมวิศวกรที่ได้พัฒนาวิธีการใหม่ในการปรับปรุงการโต้ตอบระหว่าง AV และมนุษย์โดยใช้ปัญญาประดิษฐ์ วิธีแก้ปัญหาของพวกเขาคือการรวมโมเดลภาษาขนาดใหญ่ (LLMs) เช่น ChatGPT เข้ากับระบบขับรถยนต์ AV

พลังของภาษาธรรมชาติใน AVs

LLMs เป็นตัวแทนของความก้าวหน้าในการทำความเข้าใจและสร้างข้อความที่เหมือนมนุษย์ของ AI ระบบ AI ที่ซับซ้อนเหล่านี้ได้รับการฝึกอบรมจากข้อมูลข้อความจำนวนมาก ทำให้พวกมันสามารถเข้าใจบริบท ความหมายที่ซ่อนอยู่ และความหมายที่ไม่ได้ระบุไว้อย่างชัดเจนในลักษณะที่การตอบสนองแบบโปรแกรมแบบเดิมไม่สามารถทำได้

ในบริบทของรถยนต์ AVs LLMs เสนอความสามารถที่เปลี่ยนแปลงได้ ไม่เหมือนกับอินเทอร์เฟซ AV ทั่วไปที่พึ่งพาคำสั่งเสียงหรือปุ่ม LLMs สามารถตีความคำสั่งภาษาธรรมชาติได้หลากหลาย ซึ่งหมายความว่าผู้โดยสารสามารถสื่อสารกับรถยนต์ของตนในลักษณะเดียวกับที่พวกเขาสื่อสารกับคนขับรถยนต์

การปรับปรุงความสามารถในการสื่อสารของ AVs มีความสำคัญอย่างมาก ลองนึกภาพว่าคุณบอกรถยนต์ของคุณว่า “ฉันกำลังล่าช้า” และมันคำนวณเส้นทางที่มีประสิทธิภาพสูงสุดโดยอัตโนมัติ โดยปรับเปลี่ยนรูปแบบการขับรถเพื่อลดเวลาเดินทางให้เหลือน้อยที่สุด หรือพิจารณาความสามารถในการบอกว่า “ฉันรู้สึกไม่สบาย” ซึ่งกระตุ้นให้รถยนต์ปรับเปลี่ยนโปรไฟล์การเคลื่อนที่เพื่อให้ได้การเดินทางที่ราบรื่นยิ่งขึ้น การโต้ตอบที่ซับซ้อนที่คนขับรถยนต์เข้าใจโดยธรรมชาติกลายเป็นไปได้สำหรับ AVs ผ่านการรวม LLMs

ผู้ช่วยศาสตราจารย์ Ziran Wang จากมหาวิทยาลัย Purdue ยืนอยู่ข้างรถยนต์ AV ทดลองที่เขากับนักเรียนของเขาได้ติดตั้งให้สามารถตีความคำสั่งจากผู้โดยสารโดยใช้ ChatGPT หรือโมเดลภาษาขนาดใหญ่อื่น ๆ (ภาพจากมหาวิทยาลัย Purdue/John Underwood)

การศึกษาของ Purdue: วิธีการและผลการวิจัย

เพื่อทดสอบศักยภาพของ LLMs ในรถยนต์ AV ทีมงานจาก Purdue ได้ดำเนินการทดลองโดยใช้รถยนต์ AV ระดับ 4 – ระดับที่ใกล้เคียงกับการขับรถอัตโนมัติเต็มรูปแบบตามที่กำหนดโดย SAE International

นักวิจัยเริ่มต้นด้วยการฝึก ChatGPT เพื่อตอบสนองต่อคำสั่งหลากหลาย ตั้งแต่คำสั่งโดยตรง เช่น “กรุณาขับรถเร็วขึ้น” ไปจนถึงคำสั่งที่ไม่ตรงไปตรงมา เช่น “ฉันรู้สึกไม่สบายในขณะนี้” จากนั้นพวกเขารวมโมเดลที่ได้รับการฝึกเข้ากับระบบของรถยนต์ AV ที่มีอยู่แล้ว ทำให้รถยนต์สามารถพิจารณาปัจจัยต่าง ๆ เช่น กฎจราจร สภาพถนน สภาพอากาศ และข้อมูลจากเซ็นเซอร์เมื่อตีความคำสั่ง

การเตรียมการทดลองมีความเข้มงวดมากที่สุด การทดสอบส่วนใหญ่ดำเนินการ ณ ที่ดินทดสอบในโคลัมบัส รัฐอินเดียนา – รันเวย์สนามบินเก่าที่อนุญาตให้ทดสอบความเร็วสูงได้อย่างปลอดภัย นอกจากนี้ยังมีการทดสอบการจอดรถในลานจอดรถของสนามกีฬา Ross-Ade ของ Purdue ในระหว่างการทดลอง รถยนต์ AV ที่ได้รับการช่วยเหลือจาก LLM ตอบสนองต่อคำสั่งแบบเรียนรู้ล่วงหน้าและคำสั่งใหม่จากผู้โดยสาร

ผลลัพธ์เป็นไปอย่างน่าประทับใจ ผู้เข้าร่วมรายงานอัตราความไม่สบายที่ลดลงอย่างมีนัยสำคัญเมื่อเทียบกับการใช้รถยนต์ AV ระดับ 4 ที่ไม่มีการช่วยเหลือจาก LLM รถยนต์แสดงผลการทำงานที่ดีกว่ามาตรฐานความปลอดภัยและความสะดวกสบายแม้เมื่อตอบสนองต่อคำสั่งที่ไม่ได้รับการฝึกฝนอย่างชัดเจน

สิ่งที่น่าประทับใจที่สุดอาจเป็นความสามารถของระบบในการเรียนรู้และปรับตัวให้เข้ากับความชอบส่วนบุคคลของผู้โดยสารตลอดการเดินทาง ซึ่งแสดงถึงศักยภาพในการขนส่งอัตโนมัติที่เป็นส่วนตัวอย่างแท้จริง

นักศึกษาระดับ 박사 Can Cui จากมหาวิทยาลัย Purdue นั่งอยู่ในรถยนต์ AV ทดลอง ไมโครโฟนในคอนโซลรับคำสั่งของเขา ซึ่งโมเดลภาษาขนาดใหญ่ในคลาวด์ตีความ รถยนต์ขับเคลื่อนตามคำสั่งที่สร้างขึ้นจากโมเดลภาษาขนาดใหญ่ (ภาพจากมหาวิทยาลัย Purdue/John Underwood)

ผลกระทบต่ออนาคตของการขนส่ง

สำหรับผู้ใช้ประโยชน์มากมาย ความสามารถในการสื่อสารกับ AVs ในลักษณะธรรมชาติจะลดความยุ่งยากในการเรียนรู้เทคโนโลยีใหม่ ทำให้รถยนต์ AV เข้าถึงได้สำหรับกลุ่มคน rộngขึ้น รวมถึงผู้ที่อาจรู้สึกหวาดกลัวกับอินเทอร์เฟซที่ซับซ้อน นอกจากนี้ ความสามารถในการปรับแต่งที่แสดงในงานวิจัยของ Purdue ชี้ให้เห็นถึงอนาคตที่ AVs สามารถปรับให้เข้ากับความชอบส่วนบุคคลของแต่ละคนได้ โดยให้ประสบการณ์ที่เหมาะสมกับผู้โดยสารแต่ละคน

การโต้ตอบที่ดีขึ้นนี้ยังสามารถเพิ่มความปลอดภัยได้ โดยการเข้าใจความตั้งใจและสถานะของผู้โดยสารได้ดีขึ้น เช่น การตระหนักเมื่อบางคนกำลังรีบหรือรู้สึกไม่สบาย AVs สามารถปรับเปลี่ยนพฤติกรรมการขับรถตามนั้น ซึ่งอาจลดอุบัติเหตุที่เกิดจากความเข้าใจผิดหรือความไม่สบายของผู้โดยสาร

จากมุมมองของอุตสาหกรรม เทคโนโลยีนี้อาจเป็นตัวแยกแยะที่สำคัญในตลาด AV ที่มีการแข่งขัน ผู้ผลิตที่สามารถนำเสนอประสบการณ์ผู้ใช้ที่直관และตอบสนองได้ดีขึ้น อาจได้รับประโยชน์อย่างมาก

ความท้าทายและทิศทางอนาคต

尽管มีผลลัพธ์ที่น่าประทับใจ แต่ยังคงมีความท้าทายหลายประการก่อนที่ AVs ที่มีการรวม LLMs จะกลายเป็นความเป็นจริงบนถนนสาธารณะ หนึ่งในประเด็นหลักคือเวลาในการประมวลผล ระบบปัจจุบันใช้เวลาเฉลี่ย 1.6 วินาทีในการตีความและตอบสนองต่อคำสั่ง ซึ่งยอมรับได้ในสถานการณ์ที่ไม่สำคัญ แต่อาจเป็นปัญหาในสถานการณ์ที่ต้องการการตอบสนองอย่างรวดเร็ว

อีกประเด็นที่สำคัญคือความเสี่ยงของ LLMs ที่จะ “หลอกลวง” หรือตีความคำสั่งผิด แม้ว่าการศึกษาจะรวมกลไกความปลอดภัยเพื่อลดความเสี่ยงนี้ แต่การแก้ไขปัญหานี้อย่างครอบคลุมเป็นสิ่งจำเป็นสำหรับการนำไปใช้จริง

เมื่อมองไปในอนาคต ทีมงานของ Wang กำลังสำรวจหลายแนวทางสำหรับการวิจัยเพิ่มเติม พวกเขากำลังประเมิน LLMs อื่น ๆ รวมถึง Gemini ของ Google และ Llama AI ของ Meta เพื่อเปรียบเทียบประสิทธิภาพ ผลลัพธ์เบื้องต้นชี้ให้เห็นว่า ChatGPT ปัจจุบันทำได้ดีกว่าในด้านความปลอดภัยและประสิทธิภาพแม้ว่าผลการวิจัยที่เผยแพร่จะตามมา

ทิศทางที่น่าสนใจในอนาคตคือศักยภาพในการสื่อสารระหว่างรถยนต์โดยใช้ LLMs ซึ่งสามารถช่วยให้การจัดการการจราจรที่ซับซ้อนขึ้น เช่น การเจรจาสิทธิ์ในการขับรถที่จุดตัด

นอกจากนี้ ทีมงานกำลังเริ่มโครงการเพื่อศึกษามデルใหญ่ของภาพ – ระบบ AI ที่ได้รับการฝึกอบรมจากภาพมากกว่าข้อความ เพื่อช่วยให้รถยนต์ AV นำทางสภาพอากาศหนาวเย็นอย่าง 極端ที่พบในมิดเวสต์ การวิจัยนี้ได้รับการสนับสนุนจาก Center for Connected and Automated Transportation และอาจเพิ่มความสามารถในการปรับตัวและความปลอดภัยของรถยนต์ AV

สรุป

การวิจัยของมหาวิทยาลัย Purdue เกี่ยวกับการรวม LLMs เข้ากับรถยนต์ AV เป็นจุดเปลี่ยนสำคัญในเทคโนโลยีการขนส่ง โดยการทำให้การโต้ตอบระหว่างมนุษย์และ AV มีความเป็นธรรมชาติและตอบสนองได้ดีขึ้น นวัตกรรมนี้จัดการกับความท้าทายที่สำคัญในการนำ AVs ไปใช้ แม้ว่าจะมีอุปสรรคอย่างเวลาในการประมวลผลและความเสี่ยงของการตีความผิด แต่ผลการวิจัยที่น่าประทับใจเปิดทางสู่อนาคตที่การสื่อสารกับรถยนต์ของเราจะเป็นเรื่องธรรมดาเหมือนการสนทนากับคนขับรถยนต์ เมื่อเทคโนโลยีนี้พัฒนาไป มันจะมีศักยภาพที่จะปฏิวัติไม่เพียงแต่วิธีการเดินทางของเรา แต่ยังรวมถึงวิธีที่เราเข้าใจและโต้ตอบกับ AI ในชีวิตประจำวันของเรา