Qwen-Drive 1.0: Czy AI w samochodzie naprawdę rozumie drogę, czy tylko o niej opowiada?

Integracja systemów rozrywki z krytycznymi funkcjami sterowania pojazdem to jeden z najbardziej ambitnych kierunków w branży motoryzacyjnej. Zespół badawczy Alibaby przedstawił Qwen-Drive 1.0, model oparty na architekturze Qwen3.5-4B. To próba stworzenia czegoś więcej niż prostego tempomatu. W przeciwieństwie do tradycyjnych rozwiązań, gdzie asystent głosowy i system jazdy autonomicznej działają w izolacji, Qwen-Drive łączy percepcję przestrzenną, planowanie trasy oraz interakcję z użytkownikiem w ramach jednej sieci neuronowej.

Dlaczego to ważne teraz

Premiera modelu na przełomie sierpnia i września 2026 roku pokazuje, że walka o dominację w autonomii przenosi się z wyspecjalizowanych czujników na wielkie modele multimodalne. Alibaba udostępniła swój otwarty kod źródłowy na platformach Hugging Face oraz GitHub, co ma przyspieszyć rozwój systemów potrafiących jednocześnie wykrywać obiekty w 3D i odpowiadać na pytania pasażerów. To sygnał, że branża odchodzi od silosowej struktury oprogramowania na rzecz jednolitej platformy.

Naukowcy z Alibaby słusznie zauważają, że dotychczasowe modele wizyjno-językowe cierpią na brak rzeczywistego wyczucia przestrzeni. Fakt, że AI potrafi opisać zdjęcie ulicy, nie oznacza, iż rozumie ona odległości i trójwymiarową strukturę otoczenia. Aby rozwiązać ten problem, do bazowego modelu dołączono dwa moduły: jeden generujący mapę otoczenia z perspektywy lotu ptaka (Bird’s-Eye-View) oraz drugi – Planning Expert – odpowiedzialny za wytyczanie manewrów na najbliższe sekundy. Jak czytamy w dokumentacji arXiv, model integruje percepcję 3D, odpowiadanie na pytania dotyczące obrazu i planowanie ruchu w jedną, spójną strukturę.

Kluczowym wyzwaniem w projektowaniu takich systemów jest zjawisko „katastrofalnego zapominania”. Gdy model ogólnego przeznaczenia zostaje zbyt mocno wyspecjalizowany w danych drogowych, traci on zdolność do logicznego wnioskowania w nietypowych sytuacjach. Qwen-Drive 1.0 wydaje się omijać tę pułapkę – testy wykazują minimalny spadek umiejętności ogólnych. W symulacjach wdrożenie uczenia ze wzmocnieniem pozwoliło ograniczyć współczynnik wypadania z drogi o połowę – z 24 do 12 procent, choć odbyło się to kosztem bardziej asekuracyjnego stylu jazdy.

Mimo obiecujących wyników, pojawiają się istotne luki. Największym problemem pozostaje dysonans poznawczy. Badacze przyznają, że wyjaśnienia generowane przez AI nie zawsze pokrywają się z podjętymi manewrami. System może hamować przed przeszkodą, ale w warstwie tekstowej uzasadnić to zupełnie innym czynnikiem. Model posiada tzw. BEV head, który służy jako sonda 3D i dostarcza sprawdzalne dane o percepcji, ale ta analityczna warstwa nie zawsze dogaduje się z „językową” częścią modelu. Dodatkowo, system wykazuje wysoką wrażliwość na konfigurację sprzętową – zmiana parametrów kamer drastycznie obniża skuteczność wykrywania obiektów.

Bezpieczeństwo pozostaje kolejnym znakiem zapytania. Doświadczenia innych ośrodków, jak UC Santa Cruz, pokazują, że systemy klasy DriveLM można stosunkowo łatwo oszukać prostymi manipulacjami w polu widzenia kamery. Mimo to, otwarcie projektu dla społeczności to ważny krok. Pozwoli on zweryfikować, czy droga do autonomicznych pojazdów faktycznie wiedzie przez wielkie modele językowe, czy może jest to jedynie kosztowny eksperyment, który w krytycznej sekundzie na drodze może nas po prostu przegadać.