Internet na chwilę oszalał w tym tygodniu na punkcie nagrań z najnowszej bety systemu Tesla Full Self-Driving (FSD). I o dziwo, tym razem nie poszło o to, że samochód pomylił znak „stop” z sugestią, by zwolnić. Nowy wizualizator „reality view” generuje na głównym ekranie oszałamiająco szczegółową rekonstrukcję otoczenia w 3D w czasie rzeczywistym. Całość jest tak płynna i fotorealistyczna, że jeden z obserwatorów rzucił krótko: „to wygląda lepiej niż GTA VI”. Odważna teza, ale patrząc na cyfrowego bliźniaka twojego auta, który sunie przez skąpane w deszczu i neonach miasto, trudno nie przyznać mu racji.
Ale tu kryje się prawdziwy haczyk: ten imponujący pokaz mocy obliczeniowej i graficzny popis wcale nie powstał z myślą o samochodzie, którym właśnie jedziesz. To publiczna demonstracja technologii modelowania świata, którą Tesla buduje dla znacznie ambitniejszego celu. W serii technicznych analiz sam Elon Musk uchylił rąbka tajemnicy, zdradzając nie tylko zasady działania wizualizatora, ale też to, gdzie tak naprawdę leżą priorytety firmy w dziedzinie AI. Mała podpowiedź: te priorytety poruszają się na dwóch nogach.
Sekcja zwłok cyfrowego bliźniaka
Według Muska, za tą magią stoi model dyfuzyjny – rodzaj generatywnej sztucznej inteligencji, którą świat poznał dzięki tworzeniu obrazów z cyfrowego szumu. System Tesli to jednak zupełnie inna liga. Proces zaczyna się od Tesla Universal Vision Encoder (UVE), który przetwarza surowy obraz z kamer. Dane z UVE rozdzielają się na dwa strumienie. Pierwszy zasila główny model jazdy o 3 miliardach parametrów – to faktyczny „mózg” FSD, odpowiedzialny za kierownicę i pedał gazu.
Drugi strumień trafia do osobnego modelu dyfuzyjnego o wielkości około 1 miliarda parametrów. To on odpowiada za „reality view”. Model bierze poprzednio wygenerowaną klatkę, dodaje do niej odrobinę cyfrowego szumu, a następnie używa najświeższych danych z UVE, by go „odszumić” i stworzyć aktualny, hiperrealistyczny widok. Efektem jest krótki fragment wideo składający się z 8 klatek renderowanych w 36 kl./s – a wszystko to działa na zasobach, które w świecie wielkich obliczeń można uznać za „drobne na waciki”.

Musk szczegółowo opisał brutalne ograniczenia sprzętowe: cały ten proces zajmuje zaledwie połowę jednego z trzech silników TRIP (Tesla Inference Processor) w komputerze AI samochodu (tzw. SoC B). Warto dodać, że TRIP to 8-bitowy procesor operujący wyłącznie na liczbach całkowitych, który musi emulować operacje zmiennoprzecinkowe (jak softmax) w mozolnym, 28-etapowym procesie. To, że inżynierom Tesli udało się upchnąć model dyfuzyjny o miliardzie parametrów na takim krzemie, jest – szczerze mówiąc – aktem czystej magii programistycznej lub skrajnego uporu.
Cel ostateczny: Model świata „pixel-perfect”
Po co to wszystko? Po co marnować cenne zasoby na ładne obrazki, skoro FSD wciąż miewa dni, w których traktuje rowerzystów jak przeszkody opcjonalne? Odpowiedzią jest generowanie danych syntetycznych. Musk stwierdził, że Tesla dysponuje modelem świata klasy „pixel-perfect” już od zeszłego roku. Ten wizualizator to po prostu pierwszy rzut oka na to, co ten model potrafi w praktyce.
Idealna symulacja rzeczywistości to Święty Graal autonomii. Zamiast wyjeżdżać miliony kolejnych kilometrów w nadziei na spotkanie rzadkich sytuacji drogowych, Tesla może generować nieskończone wariacje scenariuszy wewnątrz symulacji. Może wywołać wirtualną śnieżycę w środku lipca, testować reakcje na stado kangurów na Marszałkowskiej i poddawać swoje AI testom wytrzymałościowym, które w realnym świecie byłyby niebezpieczne lub niewykonalne. Ładne obrazki w aucie to tylko produkt uboczny; prawdziwym produktem jest fabryka danych.
Bomba o nazwie AI5: To nie dla kierowców
Gdy wszyscy jeszcze trawili ten techniczny wyczyn, Musk zrzucił kolejną bombę. Zapytany o przyszłe ulepszenia sprzętowe, wyjawił, że następna generacja autorskich chipów AI Tesli – AI5 – będzie „gigantycznym skokiem” z około 12-krotnie większą mocą obliczeniową. A potem nastąpił zwrot akcji.
„Trafi do Optimusa. Samochody zostaną przy AI4. To wystarczy, by osiągnąć nadludzki poziom jazdy”.
To jedno zdanie wywraca narrację Tesli do góry nogami. Firma oficjalnie twierdzi, że obecny hardware AI4 wystarczy do „nadludzkiego” poziomu autonomii – co z pewnością spotka się ze sporą dawką sceptycyzmu u każdego, kto kiedykolwiek korzystał z tego systemu. Prawdziwym newsem jest jednak to, że najbardziej zaawansowany procesor firmy, oferujący potężny skok wydajności, jest rezerwowany wyłącznie dla programu humanoidalnych robotów.
Wniosek jest prosty: Tesla uważa robotykę ogólnego przeznaczenia za problem znacznie trudniejszy i docelowo bardziej dochodowy niż autonomiczne samochody. Auto porusza się w ustrukturyzowanym środowisku opartym na zasadach (pasy, znaki, przepisy). Humanoidalny robot musi odnaleźć się w chaotycznym, nieskończenie zmiennym świecie ludzi. Potrzebuje znacznie więcej mocy, by zbudować model świata, który zrozumie nie tylko jak jechać drogą, ale też jak otworzyć drzwi, obsłużyć ekspres do kawy i złożyć pranie, nie puszczając przy tym domu z dymem.
Podczas gdy właściciele Tesli cieszą się nowym wygaszaczem ekranu, który wygląda jak gra wideo, prawdziwa sztuczna inteligencja nowej generacji powstaje dla dwunożnego robota. Model świata napędzający ten efektowny wizualizator to tylko poligon doświadczalny. Prawdziwy test nadejdzie wtedy, gdy to samo zrozumienie praw fizyki zostanie wdrożone nie na czterech kołach, lecz na dwóch nogach, napędzane chipem, przy którym komputer w twoim aucie będzie wyglądał jak kalkulator kieszonkowy.
