WeRide ra mắt mô hình AI vật lý WITT: Biến mỗi km di chuyển thành dữ liệu huấn luyện

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

17/07/2026 18:11:49 Nguồn: QbitAI

Xử lý 10.000 phút video mỗi ngày trên một card đồ họa

Jessica, đưa tin từ Phó Giá Tự

Tham chiếu xe thông minh | Official Account AI4Auto

Xe tự lái chạy càng nhiều quãng đường thì mô hình càng thông minh?

Chưa chắc.

Một chiếc xe thử nghiệm có thể tạo ra hàng giờ video đường phố mỗi ngày, và với một đội xe quy mô hàng nghìn chiếc, lượng dữ liệu tích lũy là không thể đong đếm. Tuy nhiên, phần lớn trong số đó là các tình huống thường nhật lặp đi lặp lại, xen lẫn với các trường hợp con người can thiệp, các đoạn video vô giá trị và lỗi nhận diện.

Những dữ liệu thực sự có thể thúc đẩy sự tiến hóa của mô hình thường chỉ là một phần nhỏ dữ liệu đuôi dài (long-tail data).

Vấn đề là, việc tìm ra các tình huống như "người đi bộ đột ngột băng qua trong khu vực thi công", "xe đè vạch trong điều kiện tầm nhìn thấp khi trời mưa", hay "giảm tốc bất thường khi tránh xe trên đường hẹp" từ hàng chục nghìn giờ video, chắc chắn là một dự án khổng lồ.

Ngay cả khi các mô hình lớn (Large Models) có thể hiểu được video, chúng vẫn có khả năng bỏ sót mục tiêu, nhầm lẫn trình tự thời gian, hoặc thậm chí tạo ra các tình tiết không hề xảy ra trong thực tế.

Mô hình nền tảng nhận thức AI vật lý WITT vừa được WeRide ra mắt chính là giải pháp nhắm vào nút thắt này.

Dựa trên nền tảng VLM (Vision-Language Model), WITT lần đầu tiên giới thiệu khái niệm "đơn vị sự thật vật lý tối thiểu", phân tách các cảnh đường phố thực tế biến đổi liên tục thành các đơn vị sự thật có thể nhận diện và kiểm chứng, từ đó tái cấu trúc khung hiểu biết của AI về thế giới vật lý.

Theo công bố chính thức, WITT có thể tăng hiệu suất xử lý dữ liệu lên tới 200 lần, xử lý 10.000 phút video vận hành xe mỗi ngày trên một card đồ họa đơn lẻ; trong các kịch bản tự lái, tỷ lệ lỗi sự thật trung bình của mỗi đoạn video chỉ bằng khoảng 1/3 so với các mô hình lớn thông thường.

Đây chính là điều WeRide đang thực hiện: đảm bảo mỗi km mà xe tự lái đi qua đều có cơ hội thực sự đi vào chuỗi tiến hóa của mô hình.

WeRide WITT: Phân tách video đường phố thành các "sự thật vật lý"

WeRide WITT (World Intelligence Toward Truth) vừa được WeRide ra mắt, mang ý nghĩa "xây dựng nhận thức thế giới bằng các sự thật đáng tin cậy", nhằm tri ân triết gia Ludwig Wittgenstein với luận điểm "thế giới là tổng hòa của các sự thật".

Ý nghĩa này khi áp dụng vào nghiên cứu phát triển xe tự lái có thể hiểu là một mục tiêu cụ thể hơn: xác nhận chính xác điều gì đã thực sự xảy ra trên đường.

Vì lý do đó, WeRide đã đề xuất khái niệm "đơn vị sự thật vật lý tối thiểu", chuyển đổi các video đường phố phức tạp, liên tục thành thông tin có cấu trúc mà mô hình có thể sử dụng trực tiếp.

Theo tiết lộ từ WeRide, lý do thực hiện điều này liên quan trực tiếp đến sự thay đổi trong hình thái dữ liệu tự lái.

Trước đây, quy mô đội xe của các công ty tự lái còn hạn chế, nhiệm vụ cốt lõi là thu thập càng nhiều dữ liệu đường phố thực tế càng tốt. Ai có quãng đường thử nghiệm dài hơn, bao phủ nhiều thành phố hơn thì thường đồng nghĩa với việc đã chứng kiến nhiều tình huống hơn.

Khi đội xe Robotaxi mở rộng và các mẫu xe hỗ trợ lái L2 được đưa vào sử dụng quy mô lớn, dữ liệu bắt đầu tích tụ nhanh chóng. Tuy nhiên, giá trị của một km dữ liệu đường phố này so với một km khác có thể rất khác biệt.

Mười km đi thẳng bình thường chưa chắc đã đáng học hỏi hơn một lần người đi bộ đột ngột băng qua trong khu vực thi công; một đoạn video xe bị can thiệp chưa chắc đã đại diện cho việc hệ thống tự lái gặp lỗi, mà có thể chỉ là do nhân viên an toàn can thiệp sớm.

Dữ liệu chưa qua hiểu và kiểm chứng nếu đưa trực tiếp vào huấn luyện sẽ không thể thúc đẩy mô hình tiến hóa một cách ổn định, thậm chí còn đưa tín hiệu sai lệch vào mô hình. Các kịch bản đuôi dài có giá trị cao rất dễ bị nhấn chìm trong khối lượng video khổng lồ.

Khi kỹ sư muốn tìm kiếm "xe phía trước đè vạch trong điều kiện tầm nhìn thấp", cách truyền thống phụ thuộc vào các nhãn (tag) được thiết kế từ trước. Nếu hệ thống nhãn không bao phủ khía cạnh này, thì dù dữ liệu đã tồn tại, việc tìm kiếm nhanh là rất khó khăn.

Xoay quanh những vấn đề này, WITT đã hình thành bốn năng lực cốt lõi: trích xuất sự thật, suy luận sự thật, kiểm chứng sự thật và sắp xếp sự thật, xuyên suốt toàn bộ quy trình từ nhận diện cảnh đường phố, quy kết các sự kiện quan trọng, đến kiểm tra chất lượng dữ liệu và lập lộ trình học tập.

Đầu tiên là trích xuất sự thật. WITT sẽ nhận diện các "đơn vị sự thật vật lý tối thiểu" trong video từ các khía cạnh như hành vi lái xe tiêu chuẩn, tương tác đa chủ thể và các điều kiện vật lý phức tạp.

Một đoạn video xe đi qua ngã tư thành phố trong đêm mưa có thể được phân tách thành nhiều sự thật như: xe tự lái rẽ phải, đường phố đô thị, ngã tư, trạng thái đèn tín hiệu thay đổi, tầm nhìn thấp, và hành động của các đối tượng tham gia giao thông xung quanh.

Mỗi sự thật đều có thể được truy xuất độc lập và truy hồi về khung hình cũng như thời điểm tương ứng trong video.

Dựa trên các đơn vị sự thật này, công cụ dữ liệu video tích hợp trong WITT còn cho phép các kỹ sư tìm kiếm video đường phố thông qua từ khóa hoặc ngôn ngữ tự nhiên.

Ví dụ, khi nhập "tìm đoạn video người đi bộ đột ngột băng qua trong khu vực thi công", WITT có thể định vị trực tiếp video liên quan, đối tượng mục tiêu và thời điểm xảy ra, không còn yêu cầu kỹ sư phải xem từng đoạn một, cũng không cần phải thiết kế nhãn trước cho tất cả các kịch bản phức tạp.

Điều này tương đương với việc giúp video đường phố tự lái có khả năng tìm kiếm tương tự như văn bản. Các dữ liệu đuôi dài đã thu thập trước đây nhưng khó tìm kiếm nay đã có thể được gọi lại.

Nhưng tìm thấy video chỉ là bước đầu tiên. Cùng một lần xe tự lái giảm tốc bất thường, nguyên nhân có thể do xe trước phanh gấp, người đi bộ tiến gần lòng đường, làn đường bị thu hẹp, hoặc cũng có thể do chiến lược tự lái quá bảo thủ.

Điều này tương ứng với năng lực thứ hai của WITT — suy luận sự thật.

WITT còn phân tích mối quan hệ giữa các chủ thể trong cảnh, các sự kiện quan trọng, sự thay đổi rủi ro và xu hướng diễn biến tiếp theo để đánh giá sâu hơn lý do tại sao vấn đề xảy ra.

Những gì kỹ sư tự lái nhận được không chỉ là một đoạn video "xuất hiện bất thường", mà còn bao gồm cả chuỗi sự thật trước và sau khi sự kiện xảy ra.