Språkmodell utan körträning körde ingenjörer till snabbmat – utmanar grunderna för självkörande bilar

När språkmodellen klev in i förarsätet

Det hela började som en lunchrast. Men när ingenjörerna på Axiom parkerade sin Toyota Corolla utanför In-N-Out Burger i San Francisco Bay Area hade de gjort något som få andra testat i praktiken: de hade låtit OpenAI:s GPT-6 Astra köra dem dit.

Uppkopplingen, som Wired beskriver i detalj, var anmärkningsvärt enkel till sin arkitektur. Ett chattgränssnitt kommunicerade med en server kopplad till ett flertal kameror på vindrutan samt bilens servostyrning. En säkerhetsförare satt redo med foten ovanför bromsen under hela färden – ett klokt val, och troligen ett nödvändigt sådant. Men det var ändå modellen som fattade besluten.

Det som skiljer det här experimentet från mängden är inte att en bil körde autonomt. Det är att den körde utan att ha tränats för uppgiften.

Träningsfri styrning – vad betyder det egentligen?

Som systemutvecklare är jag van vid att skilja på olika typer av AI-system. Självkörande bilar som Waymo eller Teslas Autopilot bygger på algoritmer som tränats med enorma mängder kördata, noggrant annoterade bilder och miljontals timmar av simuleringar. Systemet lär sig specifikt att köra bil.

Här är principen en helt annan. GPT-6 Astra är i grunden en stor språkmodell – tränad på text, kod, bilder och multimodala data, men inte på körning. Ändå kunde modellen, i realtid, tolka kameraflöden, resonera om omgivningen och skicka styrkommandon till bilen.

Det antyder något djupare och mer intressant: att tillräckligt kapabla språkmodeller kan ha tillägnat sig en implicit förståelse för rumsliga samband, rörelsemönster och orsak-verkan-kedjor i den fysiska världen – utan att explicit ha lärt sig det. Det är precis den typen av generalisering som länge betraktats som en av teknikens stora olösta utmaningar.

Kapplöpning om fysiskt resonemang

Axioms experiment är inte isolerat. Enligt Wired har flera forskare lämnat stora teknikbolag för att starta egna företag med fokus på just fysiskt resonemang – förmågan att förstå och navigera i den tredimensionella världen utan specialanpassad träning. Det är ett område som länge levt i skuggan av de stora språkmodellerna, men som nu drar till sig allt mer uppmärksamhet och kapital.

Anledningen är uppenbar: om en modell kan resonera om fysiska uppgifter på ett generellt sätt öppnar det dörrar långt bortom självkörande bilar. Industrirobotar som kan omställas utan omprogrammering. Drönare som navigerar i okänd miljö. Assistenter som faktiskt kan hjälpa till i ett kök eller på ett lager.

Vad experimentet faktiskt visar – och inte visar

Jag vill vara tydlig med att hålla entusiasmen i schack. En lugn körning till en drive-thru i kontrollerade former, med en säkerhetsförare som vakt, är inte detsamma som ett driftsäkert autonomt fordon. Hastigheten var låg, miljön sannolikt välbekant för kamerainställningarna, och vi vet ingenting om hur systemet hade hanterat ett oväntat barn som sprang ut i gatan eller en tät korsning i rusningstrafik.

Men det är inte poängen. Poängen är att tröskeln för vad som krävs för att utföra en komplex fysisk uppgift tycks ha sjunkit dramatiskt. Det är en signal – inte ett bevis, men ändå en tydlig signal – om vart utvecklingen är på väg.

En av ingenjörerna ska skämtsamt ha sagt under färden: "Kanske är artificiell allmänintelligens här trots allt." Det var säkert sagt med ett leende. Men bakom skämtet finns en fråga som branschen nu tar på fullt allvar.