Qwen-Drive 1.0: وقتی هوش مصنوعی ترمز می‌کند، اما دلیلش را درست توضیح نمی‌دهد

تیم پژوهش علی‌بابا مدل Qwen-Drive 1.0 را رونمایی کرد؛ یک سیستم هوش مصنوعی واحد که ادعا می‌کند درک فضایی، پاسخ‌گویی به سوالات ترافیکی و برنامه‌ریزی مسیر را به‌صورت یکپارچه مدیریت می‌کند. اما نتایج آزمایش‌ها یک پدیده‌ی عجیب و در عین حال حیاتی را فاش می‌کند: توضیحات مدل برای تصمیمات رانندگی، همیشه با مانورهایی که واقعاً اجرا می‌کند هم‌خوانی ندارد.

یک مدل، دو وظیفه: کابین و رانندگی

معماری محاسبه‌ای خودرویهای مدرن در حال دگرگونی است. واحدهای کنترل جداگانه برای سیستم اطلاعات‌وسرگرمی (IVI) و سیستم رانندگی خودمختار، جای خود را به یک پلتفرم محاسبه‌ای متمرکز داده‌اند. این بدان معناست که یک مدل هوش مصنوعی باید هم‌زمان با سرنشین گفتگو کند، به سوالات باز پاسخ دهد و در لحظه‌های بحرانی، کنترل دقیق فرمان را بر عهده بگیرد.

رویکرد سنتیِ فاین‌تیون مدل‌های vision-language (VLM) عمومی بر روی داده‌های رانندگی، دو عیب بنیادین دارد: اول، این مدل‌ها در تشخیص دقیق فاصله، موقعیت و فضای باز همچنان دچار ضعف‌اند. دوم، با تخصص بیش از حد در داده‌های رانندگی، قربانی «فراموشی ویرانگر» شده و دانش عمومی گسترده‌ای را از دست می‌دهند که دقیقاً در سناریوهای نادر و غیرمنتظره حیاتی است.

معماری دو ماژولار: بینایی سه‌بعدی و متخصص برنامه‌ریزی

Qwen-Drive 1.0 بر پایه Qwen3.5-4B ساخته شده و دو مولفه‌ی افزودنی دارد:

• ماژول درک محیط (Perception Module): یک نقشه رویت از بالا (BEV) می‌سازد با شناسایی اشیاء در ۳D، تعیین اشغال‌شده‌بودن نواحی و ردیابی چیدمان جاده. محققان این ماژول را ابزاری برای «سنجش» درک فضایی مدل می‌نامند.
• متخصص برنامه‌ریزی (Planning Expert): از داده‌های داخلی مدل برای پیش‌بینی تراکنش‌های آینده خودرو استفاده می‌کند.

آزمایش‌ها نشان داد که اگر تنها ماژول‌های اضافه‌شده آموزش داده شوند و مدل VLM پایه دست‌نخورده بماند، دقت فضایی پایین می‌ماند. این واقعه ثابت می‌کند که توصیف دقیق تصاویر ≠ درک فضای سه‌بعدی. تنها با آموزش مشترک VLM روی وظایف فضایی، عملکرد به‌طور چشمگیری بهبود می‌یابد.

فرآیند آموزش: از داده‌های شلوغ تا یادگیری تقویت

تیم Qwen ۲۴ مجموعه داده عمومی صحنه‌های ترافیک را ترکیب کرد. این داده‌ها ساختارها متفاوتی داشتند و شامل خطاهای برچسب‌گذاری بودند. یک مدل هوش مصنوعی واسطه برای استانداردسازی سوالات و پاسخ‌ها و هم‌ترازی با داده‌های اصلی به کار رفت. همچنین تیم مثال‌های توضیحی سفارشی ساخت تا مدل یاد بگیرد چرا تصمیم خاصی (مانند ترمز به خاطر پیاده‌رو) گرفته می‌شود.

مراحل آموزش به‌ترتیب:

1. آموزش ماژول درک محیط
2. ترکیب درک محیط + پرسش و پاسخ
3. برنامه‌ریزی مسیر
4. بهینه‌سازی نهایی با یادگیری تقویت

نتایج شبیه‌سازی: پیشرفت قابل‌توجه، اما...

در شبیه‌سازهای پیچیده که خطاها در طول زمان مرکب می‌شوند، نسخه بازآموزش‌دیده با پاداش‌ها نرخ انحراف از جاده را از ۲۴٪ به ۱۲٪ کاهش داد. مدل همچنین با احتیاط بیشتری رانندگی کرد و مسافت کمتری طی کرد. در بنچ‌مارک‌های سوالات ترافیکی، Qwen-Drive 1.0 به‌وضوح از مدل پایه Qwen3.5-4B پیشی گرفت، به‌ویژه در سوالات علّی (چرا ترمز؟ چرا پیچید؟). دانش عمومی هم حفظ شد و حتی در برخی وظایف فضایی بهبود یافت.

شکاف خطرناک: توضیح ≠ مانور

اینجاست که داستان پیچیده می‌شود. محققان صراحتاً اعلام کردند: توضیحات مدل همیشه علّت واقعی موقعیت را به‌دقت مشخص نمی‌کند.

یک مثال از مقاله: "چراغ قرمز در دور و کودکی که به جاده قدم می‌گذارد، زمان‌های واکنش بسیار متفاوتی می‌طلبد، و مدل می‌تواند این دو را با هم خلط کند. مانور برنامه‌ریزی‌شده همیشه با استدلال قبلی مدل هم‌خوانی ندارد."

این پدیده — که در ادبیات هوش مصنوعی به عنوان هالوسیناسیون در استدلال علّی شناخته می‌شود — برای سیستم‌های امنیتی حیاتی (Safety-Critical) ناخوشایند است. اگر خودروی ترمز کند اما دلیلش را «چراغ قرمز» توضیح دهد در حالی که علت واقعی «کودک در جاده» بوده، اعتماد مهندسان و نظارت‌کنندگان به سیستم لرزید.

بنچ‌مارک HopChain و درس‌های تاریخ

تیم Qwen این شکاف درک فضایی را با معیار HopChain طراحی‌شده‌توسط‌خود سنجید. در این تست، مدل‌های VLM اشیاء را اشتباه طبقه‌بندی کردند و روابط فضایی را گیج شدند، حتی وقتی در بنچ‌مارک‌های استاندارد متن-تصویر نمره خوبی داشتند.

این مشکل نو نیست. در ۲۰۲۳، گوگل دیپ‌مایند با PaLM-E (مدلی برای زبان، تصویر و کنترل ربات) روبرو شد: نسخه‌های کوچک‌تر پس از آموزش رباتیک، بخش بزرگی از توانایی زبانی خود را از دست دادند. تنها بزرگترین نسخه (۵۶۲ میلیارد پارامتر) نسبتاً ایمن ماند. Qwen-Drive با ۴ میلیارد پارامتر تلاش می‌کند این تعادل را در مقیاس کوچک‌تر حل کند.

نتیجه‌گیری: گام مهم، نه مقصد نهایی

Qwen-Drive 1.0 نشان می‌دهد که ادغام درک فضایی، استدلال زبانی و کنترل حرکت در یک مدل واحد امکان‌پذیر است و می‌تواند از فراموشی ویرانگر پیشگیری کند. اما شکاف بین «چطور تصمیم گرفت» و «چرا تصمیم گرفت» مانع بزرگ پیش روست. برای استقرار در جاده‌های واقعی، نه تنها دقت رانندگی باید بالا رود، بلکه شفافیت و اعتبار استدلال باید تضمین شود. تا آن زمان، این مدل در بهترین حالت، یک دستیار هوشمند کابین با قابلیت‌های رانندگی آزمایشگاهی باقی می‌ماند — نه جایگزین مطمئن برای راننده انسانی.