دست‌فرمان مدل GPT-6 Astra پشت تویوتای واقعی؛ وقتی گراک بعد از دو فرمان تصادف کرد!

مدل GPT-6 Astra موفق شد یک مسیر ۱۳۴.۷ متری چیده‌شده با موانع مخروطی را پشت فرمان تویوتا کرولا طی کند، در حالی که مدل Grok 4.6 تنها پس از دو فرمان از ادامه کار بازماند.

مدل GPT-6 Astra توانست یک خودروی واقعی را در محوطه پارکینگ هدایت کرده و مسیر ۱۳۴.۷ متری پر از مانع را در ۵ دقیقه و ۲۲ ثانیه به پایان برساند؛ آن هم در شرایطی که سه مدل رقیب حتی پیش از رسیدن به پیچ اول شکست خوردند. اما این اتفاق در عمل چه پیامی دارد؟

بنچمارک DrivingBench که توسط جمعی از پژوهشگران به نام‌های آدیتیا رامابادران، سایمون مانس و توبیاس گسلر طراحی شده، یکی از اولین تلاش‌های ساختاریافته برای سنجش این است که آیا ایجنت‌های هوش مصنوعی همه‌منظوره به جز پاسخگویی روان، توانایی کنترل فیزیکی در دنیای واقعی را هم دارند یا خیر.

در این آزمایش دقیقاً چه چیزی سنجیده شد؟

چهار مدل پیشگام هوش مصنوعی به یک تویوتای واقعی متصل شدند، کنترل خودرو به آن‌ها واگذار شد و مأموریت یافتند یک مسیر ساده مشخص‌شده با مخروط‌های ترافیکی را طی کنند.

محققان مدل‌های GPT-6 Astra، GPT-5.6 Sol، Claude Fable 5.1 و Grok 4.6 را به یک خودروی تویوتا کرولا ۲۰۲۲ متصل کردند. این خودرو به سخت‌افزار Comma Four و نرم‌افزار کنترلی openpilot مجهز شده بود.

هر مدل تصاویر زنده دوربین و داده‌های تله‌متری خودرو را دریافت می‌کرد و سپس فرمان‌های چرخش فرمان، شتاب‌گیری و ترمز را از طریق اتصال بی‌سیم به دیتاسنترهای راه دور می‌فرستاد. مدل در هر مرحله مشاهدات و تصمیمات خود را نیز به صورت متنی روایت می‌کرد.

این اتصال بی‌سیم نقش بسیار مهمی داشت؛ از آنجا که تک‌تک فرمان‌ها باید تا دیتاسنتر می‌رفتند و برمی‌گشتند، خودرو وسط مانورها مدام متوقف می‌شد تا دستور بعدی برسد؛ رفتاری که کاملاً برخلاف طراحی سیستم‌های اختصاصی خودروهای خودران است.

چه مدلی به خط پایان رسید و چه مدل‌هایی ناکام ماندند؟

از مجموع ۱۱ بار آزمایش روی این چهار مدل، فقط یک بار خودرو موفق شد مسیر را به پایان برساند.

مدل Astra تنها مدلی بود که توانست به خط پایان برسد، آن هم در دومین تلاش خود. مسیر حرکت آن در یک پیچ طولانی راست‌گرد بیش از حد به کناره چسبید و نزدیک خط پایان هم چیزی نمانده بود از مسیر خارج شود، اما در نهایت کار را تمام کرد.

مدل Claude Fable 5.1 در بهترین حالت به حدود ۴۵ درصد از مسیر رسید. مدل Grok 4.6 فقط به حدود ۱۱ درصد مسیر دست یافت؛ به طوری که در تلاش اول تنها پس از دو فرمان متوقف شد، چون فاصله خالی میان دو مخروط را به اشتباه دروازه ورود دید و مستقیم به سمت آن گاز داد! مدل GPT-5.6 Sol هم تنها توانست حدود ۶ درصد مسیر را پیش برود.

بررسی ارقام و هزینه‌ها ماجرا را ملموس‌تر می‌کند؛ دور موفق Astra حدود ۶.۶ میلیون توکن مصرف کرد و ۷.۷۴ دلار هزینه داشت؛ یعنی تقریباً چهار برابر هزینه تلاش قبلی‌اش که نیمی از مسافت را طی کرده بود.

کنترل یک وسیله فیزیکی به کمک یک مدل زبانی، اصلاً شبیه مسیریابی ساده نیست؛ بیش‌تر شبیه این است که روی صندلی عقب ماشین بنشینید و قدم‌به‌قدم برای دوست‌تان پیامک بفرستید که کجا بپیچد، آن هم در حالی که بین هر پیامک تأخیری کلافه‌کننده وجود دارد!

ناکامی‌ها چه رازهایی را برملا کردند؟

استدلال کلامی روان و کنترل مطمئن یک وسیله فیزیکی، دو مهارت کاملاً متفاوت از آب درآمدند.

خطاهای مدل‌ها فراتر از کج‌فهمی ساده دستورالعمل‌ها بود. مدل‌ها در استدلال فضایی دست‌وپا می‌زدند؛ به خصوص در تبدیل تصمیمِ پیچیدن به زاویه دقیق گردش فرمان. حتی یکی از مدل‌های GPT برای خودش یک قانون من‌درآوردی درباره رنگ مخروط‌ها ساخت؛ قانونی که دقیقاً خلاف دستورات اولیه بود!

کنترل حلقه بسته (Closed-loop) عمیق‌ترین چالش را نشان داد: چرخه مداومِ دیدن وضعیت خودرو، واکنش نشان دادن و تصحیح مسیر بر اساس خروجی قبلی، نشان داد که تولید روان کلمات چقدر بد به حرکات پیوسته فیزیکی تبدیل می‌شود.

صحنه جالبی که در این آزمایش دیده می‌شود این است: مدل به طور دقیق و شمرده هرچه را می‌بیند شرح می‌دهد، در حالی که خودرو دقیقاً در جهتی اشتباه دارد منحرف می‌شود!

پروژه DrivingBench مدل‌ها را در برابر سیستم‌های تجاری خودران نسنجیده است؛ سیستم‌هایی که ادراکات تخصصی، موقعیت‌یابی دقیق، پیش‌بینی رفتار، برنامه‌ریزی و معماری چندلایه ایمنی را در هم می‌آمیزند. این پژوهش ایجنت‌های هوش مصنوعی همه‌منظوره را با یک سازوکار آزمایشی به خودرو متصل کرده بود و درک این تمایز برای تفسیر درست نتایج ضروری است.

نتیجه‌گیری پایانی

یک دور رانندگی در پارکینگ آزمون جاده‌ای نیست، اما روش‌شناسی پشت آن ارزش پیگیری دارد.

یک دور حرکت موفق با سرعت پایین هرگز مهارت کامل در رانندگی، تکرارپذیری یا آمادگی برای حضور در جاده‌های عمومی را ثابت نمی‌کند. اما این آزمایش نشان داد که در ارزیابی‌های آینده، احتمالاً کم‌تر از مدل‌ها سوالات متنی پرسیده می‌شود و بیش‌تر توانایی آن‌ها در حل چالش‌های دنیای فیزیکی به آزمون گذاشته خواهد شد. شکاف عمیق میان «توضیح دادن آنچه می‌بینید» و «کنترل ایمن آنچه لمس می‌کنید» هنوز به قوت خود باقی است.