XPeng ra mắt bản VLA mới vào tháng 9: Nhớ 30 giây quá khứ, dự đoán 6 giây tương lai, bắt đầu lái xe 'trong dòng thời gian'

Trong phim "Doctor Strange", Doctor Strange xoay Mắt Agamotto để dòng thời gian chảy xuôi hay ngược, và đến "Avengers 3", anh ta đã nhìn thấy trước nhiều tương lai có thể xảy ra ngay trước khi đối đầu với Thanos.

Đó là phép thuật trong phim, cũng là thực tế mà XPeng mang lại.

Ngày 27 tháng 8, XPeng đã tổ chức một buổi chia sẻ về AI vật lý, đồng thời trình diễn phiên bản mới của VLA thế hệ thứ hai. Từ khóa lớn nhất của buổi giao lưu này là "thời gian", XPeng trang bị cho mô hình trên xe một "Mắt Agamotto": xoay ngược lại, có thể truy vết thế giới trong 30 giây qua, xoay về phía trước, thì bắt đầu dự đoán những gì sẽ xảy ra trong 6 giây tiếp theo.

Xe ô tô không có Viên đá Thời gian, nhưng có sự hỗ trợ của mô hình lớn, mô hình dựa trên thông tin tích lũy trong một khoảng thời gian qua, tính toán một vài trạng thái tiếp theo có xác suất cao hơn, sau đó chọn hành động cho khoảnh khắc hiện tại. Đối với hệ thống hỗ trợ lái xe thông minh, việc sở hữu "bộ nhớ dòng thời gian" có thể mang lại những thao tác giống con người hơn.

Khi con người lái xe, không bao giờ chỉ nhìn vào khung hình trước mắt, bạn sẽ dựa vào trí nhớ vài giây trước để phán đoán tình hình đường phía sau, và cũng sẽ dựa vào việc xe phía trước giảm tốc và ngã rẽ bên đường để dự đoán xe máy điện có thể xuất hiện vài giây sau. Theo một nghĩa nào đó, việc lái xe không chỉ diễn ra trên mặt đường, mà còn diễn ra trong thời gian.

Phiên bản 6.3.0 mới nhất của VLA thế hệ thứ hai của XPeng chính là một mô hình lái xe trong dòng chảy thời gian, VLA mới sẽ bắt đầu tung ra cho tất cả các dòng xe Ultra và Ultra SE vào tháng 9, XPeng G9L Ultra và Ultra SE sẽ là những mẫu xe đầu tiên được trang bị, trong khi các dòng xe Max sử dụng chip Turing đơn cũng sẽ nhận được phiên bản chưng cất VLA Lite thế hệ thứ hai vào tháng 9.

Lái xe không có câu trả lời ở từng khung hình đơn lẻ

Tư tưởng cốt lõi của XPeng đối với VLA mới lần này là kết nối quá khứ, hiện tại và tương lai với nhau.

Infini-VLA chịu trách nhiệm ghi nhớ quá khứ. Kiến trúc nền tảng của nó có thể hỗ trợ chuỗi thời gian dài hơn, XPeng xem xét nhiệm vụ lái xe và khối lượng tính toán ở thiết bị đầu cuối, đặt bộ nhớ lịch sử của phiên bản sản xuất hàng loạt ở mức 30 giây. Nghĩa là nó có thể ghi nhớ tình trạng mặt đường xảy ra trong 30 giây qua, và đưa nó vào phán đoán hiện tại.

XPeng đã trình chiếu một đoạn video demo tại buổi giao lưu, khi xe phía trước quay đầu giữa đường, phía sau thân xe từng lúc lộ ra khoảng trống có thể đi qua, xe thử nghiệm không lập tức tăng tốc, mà kết hợp với quá trình chuyển động trước đó, đợi đối phương hoàn thành việc quay đầu rồi mới đi lên. Mô hình hiểu hành vi liên tục "xe phía trước đang quay đầu", thay vì chỉ có khung hình "phía trước xuất hiện khoảng trống".

Điều này hơi giống với trí nhớ ngắn hạn khi con người trò chuyện với người khác, người ta sẽ không nghe một câu rồi quên mất câu trước đó, người lái xe cũng sẽ không vì xe phía trước đang chắn ngang đường lúc này mà quên mất hành động chuẩn bị quay đầu của nó trước đó.

Nếu Infini-VLA giúp xe không quên bối cảnh, thì "suy luận tự hồi quy tuyến tính" Streaming Inference chịu trách nhiệm rút ngắn thời gian xe hiểu hiện tại. Theo giải thích của XPeng, mô hình có thể vừa nhận đầu vào, vừa suy luận, vừa xuất quỹ đạo, không cần đợi hiểu hoàn toàn một đoạn lịch sử rồi mới bắt đầu hành động. Dữ liệu XPeng đưa ra là, bộ suy luận tuyến tính này giúp tốc độ ra quyết định tăng 300%.

Tương tự, điều này cũng giống như khi con người lái xe, mắt nhìn đường, não bộ phán đoán, tay chân thao tác cùng lúc. Khi mục tiêu đột ngột xuất hiện từ vùng bị che khuất, việc xử lý song song như vậy có thể giảm bớt khoảng trống chờ đợi suy luận hoàn thành.

Nhớ quá khứ, chú trọng hiện tại, đương nhiên cũng phải hướng tới tương lai. Do đó, X-Foresight trong phiên bản VLA mới sẽ dựa trên trạng thái lịch sử để suy diễn 6 giây tương lai, Flow Matching sau đó sẽ khớp phân bố quỹ đạo của nhiều khả năng có thể xảy ra, giúp mô hình chọn hành động phù hợp hơn.

Từ vựng là khó hiểu, nhưng tác dụng mang lại rất rõ ràng, VLA phiên bản mới thông qua việc quan sát liên tục tình trạng đường hiện tại, dự đoán những tình huống chưa xảy ra nhưng có thể xuất hiện, và đưa ra quyết định bước tiếp theo. Mà "lái xe phòng thủ" mà các tài xế lão luyện thường nhắc đến trong đời sống thực tế, về bản chất cũng là một loại dự đoán.

Trong video tại hiện trường, một xe màu trắng ngược chiều chiếm làn đường ngược chiều. Xe thử nghiệm cần phán đoán đối phương đang chuẩn bị chờ đợi, tiếp tục đi lên, hay nhường một phần không gian, sau đó suy diễn xem việc mình đi lên lúc này có phong tỏa đường đi của hai xe hay không. Nhìn rõ đối phương ở đâu chỉ là bước đầu tiên, hiểu đối phương sẽ làm gì tiếp theo, mới có thể quyết định thao tác tiếp theo của mình.

Trí nhớ quá khứ và suy diễn tương lai, cuối cùng đều phục vụ cho mỗi lần tăng giảm tốc độ và chuyển hướng, đồng thời giúp phiên bản VLA thế hệ thứ hai 6.3.0 có thể "chảy trong thời gian".

Bước vào thế giới thực

Sơ đồ kiến trúc có rất nhiều danh từ, nhưng quay lại sản phẩm, VLA vẫn phải đối mặt với đủ rắc rối trên đường thực tế, câu trả lời của XPeng là sử dụng mô hình lớn hơn, lần này XPeng đã tăng quy mô tham số mô hình lên 3,5 lần.

Trong một đoạn video phát tại buổi giao lưu, xe thử nghiệm đến bến phà. Bến phà không có vạch làn đường rõ ràng, bến cảu không phải là một con đường thông thường, nhưng dựa vào sự suy nghĩ của chính mô hình, xe vẫn tự tìm được lối vào, chạy lên phà, dừng lại theo xe phía trước, sau khi phà cập bờ, nó lại theo dòng xe chạy ra.

Một đoạn video khác diễn ra trên đường núi hẹp, sau khúc cua gấp, phía trước đường xuất hiện một cành cây lơ lửng, xe không coi nó như vật cản đường thông thường mà dừng tại chỗ, cũng không lao thẳng về phía khe hẹp trông như vẫn còn không gian, mà chủ động giảm tốc độ, vừa quan sát mối quan hệ giữa cành cây và thân xe, vừa tìm kiếm không gian có thể đi qua.

Đáng chú ý, vài ngày trước, một chiếc Tesla chạy FSD v14.3.7 tại một bãi đỗ xe chung cư ở Mỹ đã đi từ tầng hai lên tận tầng sáu, và cố gắng tiếp tục tìm đường theo hướng lưới kim loại trên tầng cao nhất, may mắn là chủ xe đã tiếp quản khi đến gần lưới kim loại, xe không bị rơi xuống.

Những "corner case" (trường hợp cực đoan) tương tự, XPeng VLA và FSD lại đưa ra những phán đoán khác nhau, mô hình ngoài việc phải nhìn thấy không gian, cũng phải có khả năng hiểu đó có phải là một con đường hay không.

Bến phà và cành cây thuộc về những cảnh tượng rất hiếm gặp, cũng chính là lý do XPeng kiên trì mở rộng mô hình. Một hệ thống dựa vào quy tắc cố định, có thể nhắm vào bến phà, đàn cừu, mưa bão hoặc mỗi loại