Az internet népe ezen a héten kollektíven dobott egy hátast a Tesla legújabb Full Self-Driving (FSD) béta verziójáról készült videóktól. Most az egyszer nem azon ment a pörgés, hogy az autó stoptáblának nézett-e egy útszéli hirdetést, hanem a vadonatúj „reality view” vizualizáción. Ez a funkció elképesztően részletes, valós idejű 3D-rekonstrukciót fest a világról az autó központi kijelzőjére. Olyan folyékony és fotorealisztikus az egész, hogy az egyik szemleíró szerint „ez sokkal durvább, mint a GTA VI”. Merész kijelzés, de ahogy nézzük a kocsink digitális ikermását, amint egy esőtől csillogó, neonfényes városban navigál, kezdjük érteni, mire gondolt a költő.
A csattanó viszont az, hogy ez a látványos, brutális számítási kapacitást igénylő grafikai erődemonstráció valójában nem is annak az autónak szól, amit éppen vezetsz. Ez egyfajta nyilvános demója annak a világmodellező technológiának, amit a Tesla egy sokkal ambiciózusabb cél érdekében épít. Egy sor technikai mélyfúrás során a vezérigazgató, Elon Musk fellebbentette a fátylat a titokról: nemcsak azt árulta el, hogyan működik a vizualizáció, hanem azt is, hol vannak a cég valódi AI-prioritásai. És egy kis spoiler: a jövő két lábon jár.
A digitális hasonmás boncasztalon
Musk szerint a motorháztető alatt egy diffúziós modell (diffusion model) duruzsol – ez az a generatív AI-típus, amely arról vált híressé, hogy zajból képes képeket alkotni. A Tesla rendszere azonban szintet lépett. A folyamat a Tesla Universal Vision Encoderrel (UVE) kezdődik, amely feldolgozza a kamerák nyers képfolyamát. Ez az UVE-adatfolyam aztán kettéválik. Az egyik ág a fő, 3 milliárd paraméteres vezetési modellt táplálja – ez a tényleges FSD-agy, ami a kormányzásért és a sebességért felel.
A másik ág egy különálló, nagyjából 1 milliárd paraméteres diffúziós modellbe fut. Ennek a modellnek a feladata a „reality view” létrehozása. Fogja az előzőleg generált képkockát, ad hozzá egy kis digitális zajt, majd a legfrissebb UVE-adatok segítségével „zajtalanítja” (denoise), így hozva létre a jelenlegi, hiperrealisztikus nézetet. A végeredmény egy rövid, 8 képkockából álló videórészlet 36 fps sebességgel renderelve, mindezt úgy, hogy a rendszer szinte csak a „maradék” számítási kapacitást használja fel.

Musk részletezte a kőkemény hardveres korlátokat is: az egész folyamat mindössze a felét foglalja le az autó AI-hardverén (SoC B) található három TRIP (Tesla Inference Processor) motor egyikének. Megjegyezte, hogy a TRIP motor egy 8 bites, kizárólag egészekkel dolgozó processzor, aminek olyan lebegőpontos műveleteket, mint a softmax, egy gyötrelmes, 28 lépéses folyamatban kell emulálnia. Az, hogy a Tesla mérnökei belepasszíroztak egy 1 milliárd paraméteres diffúziós modellt ebbe a szilíciumba, őszintén szólva vagy tiszta programozói mágia, vagy mérhetetlen makacsság eredménye.
A valódi cél: A „pixelpontos” világmodell
De miért ez a nagy felhajtás? Miért pazarolnak értékes erőforrásokat egy szép képre, miközben az FSD néha még mindig csak opcionális akadályként kezeli a kerékpárosokat? A válasz a szintetikus adatgenerálásban rejlik. Musk kijelentette, hogy a Teslának „tavaly óta létezik egy nagyjából pixelpontos világmodellje”. Ez a vizualizáció az első valódi betekintés abba, hogyan is muzsikál ez a modell a gyakorlatban.
A valóság tökéletes szimulációja a szent grál az autonóm rendszerek tanításában. Ahelyett, hogy több millió mérföldet kellene levezetniük ritka határesetek (edge cases) után kutatva, a Tesla végtelen számú variációt generálhat a szimuláción belül. Létrehozhatnak virtuális hóvihart júliusban, tesztelhetik a reakciókat egy Manhattan közepén elszabadult kengurura, és általánosságban olyan tortúrának vethetik alá a vezetési AI-t, ami a való világban kivitelezhetetlen vagy életveszélyes lenne. Az autóban látható szép grafika csak melléktermék; az igazi termék maga az adatgyár.
Az AI5 bomba: Ez nem a sofőröknek készül
Éppen csak elkezdtük emészteni a technikai bravúrt, amikor Musk ledobta az atomot. Amikor a jövőbeli hardveres fejlesztésekről kérdezték, elárulta, hogy a Tesla saját fejlesztésű AI-szilíciumának következő generációja, az AI5, „hatalmas ugrás” lesz, nagyjából tizenkétszeres számítási kapacitással. Aztán jött a csavar:
„Ez az Optimusé lesz. Az autók maradnak az AI4-nél. Az bőven elég a szuperhumán vezetés megoldásához.”
Ez az egyetlen mondat alapjaiban írja át a Tesla narratíváját. A cég nyilvánosan azt állítja, hogy a jelenlegi AI4 hardver elegendő a „szuperhumán” önvezetés eléréséhez – ezt az állítást valószínűleg egészséges szkepticizmussal fogadja bárki, aki használta már a rendszert. A valódi hír azonban az, hogy a cég legfejlettebb, nagyságrendekkel nagyobb teljesítményű AI-chipjét kizárólag a humanoid robotprogramba csatornázzák be.
Az üzenet egyértelmű: a Tesla a fizikai testtel rendelkező, általános célú robotikát sokkal nehezebb, és végső soron értékesebb kihívásnak tartja, mint az önvezetést. Egy autó strukturált, szabálykövető környezetben mozog (sávok, táblák, KRESZ). Egy humanoid robotnak viszont az emberi terek kaotikus, végtelenül változékony zűrzavarában kell eligazodnia. Sokkal több számítási kapacitásra van szüksége egy olyan világmodell felépítéséhez, amely nemcsak azt érti meg, hogyan kell az úton maradni, hanem azt is, hogyan kell kinyitni egy ajtót, kezelni a kávéfőzőt vagy összehajtogatni a mosott ruhát anélkül, hogy felgyújtaná a házat.
Amíg a Tesla-tulajdonosok kapnak egy menő, videojáték-szerű képernyővédőt, addig a valódi, következő generációs mesterséges intelligencia egy kétlábú robot testében ölt alakot. A lenyűgöző vizualizáció mögött álló világmodell csupán a gyakorlópálya. Az igazi vizsga akkor jön el, amikor a fizikai világ ugyanezt a megértését nem négy keréken, hanem két lábon vetik be – egy olyan AI-chippel megtámogatva, ami mellett az autód agya csak egy zsebszámológépnek tűnik.
