Baidu построила виртуальный город для обучения беспилотников

В мире беспилотного транспорта произошло событие, которое впору сравнивать с сюжетом «Матрицы». Китайская компания Baidu представила новую мировую модель ApolloWorld — систему, которая строит постоянно меняющуюся виртуальную городскую среду, где беспилотные автомобили могут проходить полноценные поездки без выезда на реальные дороги. По заявлению разработчиков, один день работы этой модели эквивалентен примерно трём годам непрерывных испытаний реального автомобиля с водителем за рулём. Речь идёт о накоплении виртуального пробега, который в реальных условиях потребовал бы многих лет и огромного парка машин.

Масштаб, о котором идёт речь, впечатляет. Миллион километров — это примерно 2,6 средних расстояния от Земли до Луны или 25 экваторов планеты. Чтобы наездить такой пробег в реальности, одной машине пришлось бы двигаться по 150 километров в день более 6600 дней подряд. Даже если выпустить на дороги сотню тестовых автомобилей одновременно, на это ушло бы больше двух месяцев, и далеко не все нужные ситуации возникли бы по расписанию испытаний. Именно поэтому виртуальная среда, способная генерировать редкие и сложные сценарии по запросу, становится для индустрии беспилотников всё более важным инструментом.

ApolloWorld уже начал применяться в тестировании и валидации беспилотного сервиса Baidu — того самого Robotaxi, который работает под брендом, известным в Китае как «Лобокuaйпао». Часть тренировок и проверок, которые раньше требовали реальных дорог, теперь переносится в облако. Ключевое отличие новой системы от классических симуляторов в том, что виртуальные участники движения — автомобили, пешеходы, велосипедисты — ведут себя как самостоятельные AI-агенты. У каждого есть своя цель и логика поведения, и каждый реагирует на действия беспилотника. Если машина решает свернуть на съезд, соседний автомобиль может ускориться и встроиться в поток. Если же она продолжает движение по обочине, занимая место для манёвра, другой участник замедлится и подождёт. Такая многоагентная модель позволяет воспроизводить не просто картинку, а живой, реагирующий трафик.

Более того, в виртуальном городе можно менять плотность потока, агрессивность других водителей и погодные условия. Разработчики могут организовать редкую ситуацию намеренно, вместо того чтобы ждать, когда она случайно возникнет на дороге. Но главное — ApolloWorld демонстрирует испытания на уровне целой поездки, а не отдельных манёвров. Несколько беспилотников могут стартовать из одной точки и разъехаться по разным маршрутам, а модель будет непрерывно генерировать поведение окружающих участников, изменения дорожной обстановки и данные с камер и лидаров. Каждое решение машины влияет на то, что произойдёт через минуту, и система должна выдерживать эту связность на протяжении десятков минут и десятков перекрёстков.

Технически всё держится на связке двух моделей: одна отвечает за генерацию мира и предсказывает следующее состояние среды по текущей обстановке и действиям автомобиля, вторая — это сам Driving-модель, которая читает сгенерированные сенсорные данные, принимает решения о повороте, ускорении или торможении и возвращает действие обратно в мир. Чтобы виртуальная среда успевала реагировать в реальном времени, инженеры ускорили вывод модели с помощью дистилляции знаний. По сути, одна AI-система выступает тренером, а другая — учеником, и цикл повторяется бесконечно. Если Driving-модель ошибается в каком-то сценарии, разработчики могут сохранить исходные условия и воспроизвести ситуацию, меняя поведение окружающих машин и наблюдая за результатом. Получается среда, которую можно назвать интерактивной, воспроизводимой и пригодной для обучения.

Отдельный вопрос — по какому стандарту вообще оценивать такие модели. Baidu предлагает так называемую рамку «2+3» для физического AI. Два базовых условия — причинность и интерактивность: модель должна уметь выводить последствия из известного состояния, а действия внешней среды должны реально менять виртуальный мир. Три дополнительных критерия — физическая точность, долговременная связность и работа в реальном времени. Пример с дождём показателен: если на экране льёт вода, но тормозной путь и показания лидара остаются «сухими», такой тест бесполезен. Именно на подобных деталях, которые в компании называют черновой инженерной работой, и формируется реальный барьер для конкурентов.

Показательно, что Baidu не одинока в этом направлении. В феврале Waymo представила собственную мировую модель Waymo World Model, построенную на базе технологий Google DeepMind и способную генерировать данные камер и лидаров по заданному сценарию. Если сравнивать подходы, Waymo делает акцент на создании сложных экзаменационных задач, тогда как Baidu демонстрирует целую экзаменационную систему для полного цикла поездки, причём уже встроенную в реальный процесс тестирования своего Robotaxi. По данным компании, её сервис работает в 28 городах мира, выполнил более 23 миллионов поездок, а совокупный пробег превысил 350 миллионов километров, из которых свыше 240 миллионов приходятся на полностью беспилотные поездки. Для сравнения, скоростному поезду на 300 километрах в час понадобилось бы больше 130 лет, чтобы накрутить такой километраж.

И всё же главная ценность накопленных данных не в самой цифре. Реальные дороги полны случайностей, которые почти невозможно повторить: например, поливальная машина проезжает мимо стройплощадки, поток воды сбивает дорожный конус, и тот выкатывается прямо на траекторию беспилотника. Такие эпизоды инженеры не могут заранее вписать в сценарий, а воспроизвести их в реальности практически невозможно. Мировая модель позволяет реконструировать подобные случаи, менять условия и прогонять их снова и снова. Постепенно накопленный опыт превращается в замкнутый цикл: больше поездок — больше данных — лучше модель — эффективнее обучение — шире география сервиса. Именно так в беспилотной индустрии начинает работать логика масштабирования, при которой качество модели и объём реального опыта усиливают друг друга.