wayve mengumumkan LINGO-1, komentator mengemudi loop terbuka baru untuk meningkatkan interpretasi, penjelasan, dan pelatihan model mengemudi otonom. Sistem ini menggabungkan visi, bahasa, dan tindakan untuk memberikan pemahaman yang lebih komprehensif tentang skenario berkendara. Integrasi Model Bahasa Skala Besar (LLM) dan Model Tindakan Bahasa Visi (VLAM) merupakan terobosan baru bagi industri AI, memberikan perpaduan unik antara gambar, data penggerak, dan bahasa. Bahasa memainkan peran penting dalam menjelaskan hubungan sebab akibat dalam adegan penggerak, sehingga mempercepat proses pelatihan dan memperkuat inferensi model. Hal ini tidak hanya memfasilitasi pembelajaran yang efisien tetapi juga membuka jalan bagi potensi interaksi dengan mobil tanpa pengemudi, sehingga meningkatkan kepercayaan masyarakat. Menggunakan deskripsi linguistik untuk menjelaskan perilaku mengemudi dan hubungan sebab akibat secara signifikan mempercepat proses pembelajaran dan memungkinkan VLAM menggabungkan pengetahuan LLM untuk menghadapi situasi baru. LINGO-1 yang baru diperkenalkan dilatih tentang data visual dan linguistik dan dirancang untuk menjawab pertanyaan tentang lokasi kejadian dan memberikan penjelasan untuk manuver mengemudi. Hal ini meningkatkan kemampuan interpretasi model dan meningkatkan performa dengan cepat. Integrasi bahasa alami akan meningkatkan kemampuan menjelaskan model, kemampuan beradaptasi, dan perencanaan, sehingga sangat meningkatkan pengemudian otonom. Terlepas dari potensinya, LINGO-1 memiliki keterbatasan termasuk terbatasnya kemampuan generalisasi, halusinasi, dan tantangan konteks temporal. Namun ini adalah langkah ke arah yang benar menuju AI yang lebih aman dan lebih dapat ditafsirkan. Upaya sedang dilakukan untuk mengembangkan arsitektur loop tertutup untuk kendaraan yang memanfaatkan bahasa alami untuk meningkatkan pembelajaran dan penjelasan model mengemudi. Meskipun tantangan masih ada, pendekatan ini menjanjikan masa depan mengemudi otonom.