Αυτός ο τύπος προσπάθησε να δώσει στο ChatGPT, τον Κλοντ και τον Γκροκ τον πλήρη έλεγχο μιας πραγματικής Toyota Corolla και το αποτέλεσμα ήταν ξεκαρδιστικό.
Και τα τρία είχαν τα προβλήματά τους, αλλά ένα μοντέλο σαφώς χειριζόταν το αυτοκίνητο καλύτερα από τα άλλα.
Αλλά αυτό που είναι ενδιαφέρον είναι ότι ενώ και τα τέσσερα μοντέλα AI (δοκίμασε δύο διαφορετικά με το ChatGPT) ήταν χαοτικά, όλα είχαν τα δικά τους προβλήματα όσον αφορά τη λειτουργία ενός οχήματος.
Έτσι «χάκαρε» την Toyota Corolla του
Ένας μηχανικός συνέδεσε τέσσερα μοντέλα μεγάλης γλώσσας τεχνητής νοημοσύνης (LLM) απευθείας στα χειριστήρια τιμονιού, γκαζιού και φρένων ενός πραγματικού Toyota Corolla σε ένα ελεγχόμενο περιβάλλον – ένα άδειο πάρκινγκ – για να δει πώς θα συμπεριφέρονταν.
Το κατάφερε χακάροντας ένα τυπικό Toyota Corolla και συνδέοντας τα φυσικά του χειριστήρια με πολλά μεγάλα μοντέλα τεχνητής νοημοσύνης.
Το θέμα είναι ότι αυτά τα μοντέλα τεχνητής νοημοσύνης είναι μηχανές πρόβλεψης με εισαγωγή και εξαγωγή κειμένου και δεν έχουν κατασκευαστεί για να «διαβάζουν» το περιβάλλον γύρω τους ή να λαμβάνουν αποφάσεις φρεναρίσματος σε κλάσματα δευτερολέπτου.
Για να διορθώσει αυτό το πρόβλημα, ο Wighton δημιούργησε ένα σύστημα όπου οι αισθητήρες κάμερας τροφοδοτούν τα μοντέλα με οπτικά δεδομένα – μορφοποιημένα ως άμεσο πλαίσιο.
Με τη σειρά τους, οι LLM (κορυφαία γλωσσικά μοντέλα) επέστρεφαν εντολές κειμένου που καθόριζαν τις γωνίες διεύθυνσης, τα ποσοστά γκαζιού και την ισχύ πέδησης.
Έβαλε σε δοκιμασία τρεις σημαντικούς ανταγωνιστές της Τεχνητής Νοημοσύνης: το ChatGPT της OpenAI, το Claude της Anthropic και το Grok της xAI. Όλοι τους είχαν αρκετά κακή απόδοση.
Η οδήγηση απαιτεί χρόνους αντίδρασης σε επίπεδο χιλιοστών του δευτερολέπτου και η επεξεργασία οπτικών δεδομένων μέσω αυτών των μοντέλων σημαίνει ότι υπάρχει πάντα ένα κενό καθυστέρησης μετρήσιμο σε δευτερόλεπτα.
Μέχρι τη στιγμή που η “Τεχνητή Νοημοσύνη” αποφασίζει να «στρίψει αριστερά 15 μοίρες», το αυτοκίνητο έχει ήδη βγει δεκάδες μέτρα εκτός πορείας.
Επίσης, επειδή αυτά τα μοντέλα δεν έχουν τρισδιάστατη χωρική επίγνωση, ήταν πολύ κακά στην εκτίμηση αποστάσεων από εμπόδια όπως κώνους ή πινακίδες στοπ.
Επίσης, τα μοντέλα εξέδιδαν συνεχώς αντιφατικές εντολές – όπως η εφαρμογή του 100% του γκαζιού ενώ ταυτόχρονα έδιναν εντολή για πλήρη ισχύ φρεναρίσματος.
Αυτό που είναι ενδιαφέρον είναι ότι αυτά τα τέσσερα μοντέλα τεχνητής νοημοσύνης απέτυχαν με διαφορετικούς τρόπους.
Το GPT-6 Astra της OpenAI αναδείχθηκε τελικά ο μεγάλος νικητής. Στην πρώτη του προσπάθεια ολοκλήρωσε το 49% της διαδρομής. Αφού οι ερευνητές τού ζήτησαν να «αναλογιστεί» τα λάθη του, επέστρεψε στη δεύτερη προσπάθεια και ολοκλήρωσε το 100% της διαδρομής (134,7 μέτρα) σε 5 λεπτά και 22 δευτερόλεπτα.
Το Claude Fable 5.1 της Anthropic έφτασε περίπου μέχρι τη μέση της διαδρομής (50%) στην τρίτη του προσπάθεια, δείχνοντας επίσης σημάδια βελτίωσης μέσω της αυτοαξιολόγησης.
Το Grok 4.6 της xAI του Έλον Μασκ δυσκολεύτηκε αρκετά, καλύπτοντας μόλις 22,6 μέτρα (11%) στην καλύτερη του προσπάθεια.
Το GPT-5.6 της Sol αποδείχθηκε το πιο «σταθερό» αλλά πολύ αργό, διανύοντας μόλις το 6% της διαδρομής με πολλές διορθωτικές κινήσεις μπρος-πίσω.
Σημειώνεται μάλιστα ότι στην αρχή, τα μοντέλα (και ειδικά το GPT-6 Astra) αρνούνταν να οδηγήσουν επικαλούμενα λόγους ασφαλείας, και οι ερευνητές έπρεπε να τροποποιήσουν τα prompts (π.χ. λέγοντάς τους ότι πρόκειται για «προσομοίωση») για να τα πείσουν να ξεκινήσουν.
Δείτε ΒΙΝΤΕΟ ΕΔΩ
photo AI: pixabay
