COMODOR_FALKON: CTO Cruise (GM, Honda) Kyle Vogt by s tebou nesouhlasil. „It takes weeks to train and test a new version.“ jak se dozvíš tady nebo tady mimo dalších detailů.

DZODZO: KEB: ještě jsem si vzpomněl na tehle diagram procesu updatu sítě Tesly, na kterém je vidět, proč je to tak drahý a náročný:
– cokoliv Develop/Label/Enrich/Evaluate/Sign-off je hodně manuální práce
– cokoliv Train/Retrain je výkonově/časově/finančně náročný
Jediný, co je automatický, je Collect+Deploy.

chysta se EV HUMMER :)

GM announces electric vehicle-only 'Factory Zero' to produce GMC HUMMER EV pickup and more - Electrek
https://electrek.co/2020/10/16/gm-electric-vehicle-only-factory-zero-gmc-hummer-ev-pickup/amp/

MINER: tak ked je to take pomale tak jakto ze tu manik hovori:

“If a Tesla crashes,” he says, “the next morning, every Tesla rides two inches higher.”

ci to je len take zjednodusenie?

Inside The Hack Rod, The World’s First AI-Designed Car
https://www.fastcompany.com/3054028/inside-the-hack-rod-the-worlds-first-ai-designed-car

MINER: Tak ono nase AI je zatim Top Bottom a ML jen nahrava nove instrukce. Bottom Up AI je neco, na co zatim nemame vykon, ale potrebujeme pro L5 Self driving. Problem je, ze v nekterych ohledech je top bottom proste lepsi a co idealne potrebujeme je (pro nedostatek terminu) L6, ktera bude umet kombinovat benefity obou, cili vypocetni vykon top bottom a predvidavost bottom up. A tady dam za pravdu bobeshovi, ze to bude jeste dlouho trvat. Respektive az toho dosahneme, tak jsme na technological singularity se vsema moznejma dusledkama co z toho plynou.

Nicmene, pokud zmenime celou strukturu dopravy, tak i kdyz to bude stat dost, tak v dlouhodobym meritku vydelame vsichni a self driving muzeme nasadit uz nekde kolem L4, ale to bude hroznej problem u Petrolheads. Slo by to v klidu nasadit ted, ale znamenalo by to vyradit bezny auta z provozu.
(Pro bobashe, muzes mit svoje auto, ale musi byt uzpusobeny jizde ve full auto rezimu tam, kde to bude vyzadovany. (Mesta z pocatku, nasledne to bude expandovat).

To je realny uz ted, a proto to funguje v americkejch mestech, ktery jsou celkem sablonovy. Na starym meste - good luck.

Cimz se dostavame k hlavnimu problemu a to je to, ze problem neni v ai nebo autech samotnych, ale v infrastrukture.

MINER: přesně. já bych si ještě k tomu troufnul tvrdit, že by byl možný takový podvůdek, že bys měl jednu síť natrénovanou na dálnici, jinou na město atd a mezi nimi plynule přepínat. nepotřebuju, aby si se mnou auto dokázalo povídat o smyslu života, ale bylo by fajn, kdyby poznalo jistěji sloup od chodce i podle mapy toho, kde se dají sloupy nebo chodci čekat.

JAZZZ: V té paralele „Slow thinking“ rovná se obecné umělé inteligenci.
To zatím neumí udělat nikdo na celém světě, je to za hranicí současného poznání.
Veškerá ML je „Fast thinking“.

Jestli vás to zajímá, mrkněte se, kde jsou hranice poznání a pro co se používá machine-learning vs. Symbolic AI vs. obecná umělá inteligence a jak se učí neuronové sítě. To si tu na pár řádcích nevysvětlíme.

MINER: na rozpoznávání defektů na výrobní lince je taková implementace ML super, ale na řízení aut v neznámém prostředí to bude vždycky horší, než člověk. tady je vysvětleno proč:
Kahneman Fast and Slow Thinking: System 1 and 2 Explained by SUE
https://suebehaviouraldesign.com/kahneman-fast-slow-thinking/
máme v mozku rychlý a pomalý systém. rychlý jsou naučené reakce a automatismy, díky tomu dupnu na brzdu, když mi pod auto skočí chodec, aniž bych přemýšlel a ten pomalý vybírá kam zatočit a řeší kdo má přednost. ve skutečnosti se ale oba překrývají, takže když jedu prázdnou garáží, tak v panice nedupu na brzdu při průjezdu kolem sloupu a na dálnici to s klidem nenapálím do stojícího kamionu, protože v dálce tuším siluetu a začnu se chovat obezřetně. ten pomalý systém dokáže generalizovat a vytvářet koncepty, které je pak snadné sdílet a rychlý systém s nimi pak už umí pracovat (třeba, že v Itálii jezdí lidi jak magoři nebo, že v garáži jsou sloupy a na pěší zóně to nejsou sloupy, ale chodci)

jsem si celkem jistý, že chytré hlavy v tesle si to uvědomují, protože je to celkem obvious věc, bez které autonomní řízení nikdy fungovat pořádně nebude. to, co popisuješ ty, se hodí jako lepší lane assist a právě proto, že to je tak, jak popisuješ, se ještě o moc dál nedostali. ono je to totiž docela komplikovaný, ale zas až to dají dohromady, tak to bude pecka, která obrátí svět vzhůru nohama ve všech oblastech lidské činnosti.

COMODOR_FALKON: JAZZZ:
Takhle ML nefunguje. Nemáš žádné výjimky z výjimek, ani nerostou žádné segmenty.

Máš jen hierarchii klasifikátorů. Zjednodušeně: první klasifikátor rozřeže obraz na objekty, další řeší stavy různých objektů, jako třeba semafor.

Z celý hierarchie ti pak vyleze, kde je co v jakym stavu a hranice. Z toho další síť dělá predikce chování, a na to se teprv napojí fyzika. A tam je teprv něco, co bys mohl nazvat algoritmem nebo výjimkou. Ale problémy nebývaj tam, ale v klasifikaci.

Jakmile nějaká z těch síťí nefunguje dobře (např. nepoznalo to nějaký typ semaforu), musí se doučit. A to je to drahý.

Nikde žádné výjimky, je to „statistika“ počítaná neuronovými sítěmi.

MINER: taky to vidim tak, ze pro ruzne situace muze byt vhodna jina sit. jedna pro dalnici a jina pro popojizdeni v zacpe, nebo pomalou jizdu na rusne ulici kde ti do cesty skacou chodci. zapejkat informaci o sloupech v podzemnich garazich do nejakej chimericke univerzalni neuronove site, ktera je vhodna i pro jizdu po dalnici, to by bylo asi fakt dost neefektivni. ja teda kdyz jezdim, tak mam taky nekolik modu v kterych operuju a pozna se to i podle toho jak sedim za volantem.

MINER: No, ne... Tam není potřeba cokoliv síť "přeučovat", tam jen doroste další segment, který bude uchovávat informaci o výjimce z výjimky při výjimce z výjimky na silnici.

A správně to máš číst jako: "Bylo to náročné na čas i zdroje, ale teď máme systém rozvinutý na fakt hodně vysoký level...(a konkurence je fakt daleko za námi)"

DAN_F: "Our networks learn from the most complicated and diverse scenarios in the world, iteratively sourced from our fleet of nearly 1M vehicles in real time. A full build of Autopilot neural networks involves 48 networks that take 70,000 GPU hours to train . Together, they output 1,000 distinct tensors (predictions) at each timestep."

takze Franta vie urobit 1000 predikci (nech za sekundu) a kazdej da nejake ohodnotenie pravdepodobnosti a vysledku? mne to pride ako keby ste na nikdy nezazite anomalie narazali kazdych 5 km jazdy... mne sa dnes po ceste cca 50 km prihodila iba jedna aj to asi pomerne bezna, ked som isiel na dialnicny pripajac a cez srafovanie ma tam obehol kokot v octavke z laveho pruhu a natlacil sa predo mna, ze som musel nie prudko brzdit, ale iba pustit plynovy pedal, aby som neakceleroval :)

BOBASH: preco by 100000 robotaxikov potrebovali 1-2 zasahy za 10km cestu? staci ked jednu situaciu zazije 1 a uz ju vie zvysnych 100000, to neni jak ked vola Franta rano do radia Impulz, ze davajte si bacha, lebo je tu bouracka a vedia o tom iba ti co maju zrovna zaple radio, v tomto pripade to vie okamzite cela flotila, na to sa neda pozerat tym ludskym nahladom, tam sa informacie siria strasne pomaly

na svete existuji vizionari, co posouvaj lidstvo kazdej den kupredu a pak existuji autisti, co se nepohnou ani o milimetr :)