A Google AI-versenyzőedzőt épített Antigravity és Gemini segítségével

A pályán tesztelték az AI-versenyzőedzőt

A Google Developer Experts, vagyis a Google fejlesztői szakértői május 23-án, a Google I/O után gyűltek össze a Sonoma Racewayen, hogy egy valós idejű, mesterséges intelligenciára épülő versenyzőedzőt építsenek. Egy korábbi kísérletben már képesek voltak alapvető telemetriai adatok feldolgozására, a sonomai teszt célja azonban egy olyan eszköz létrehozása volt, amely a köridő javításához azonnal használható tanácsokat ad.

A Google szerint a rendszer a 2-es kanyar közepén kijelölt egy új gázadási zónát. Ez 0,1 másodperces előnyt biztosított, miközben az autóban ülő versenyző számára a hibázásnak nem volt helye. A vállalat az úgynevezett megbízható mesterséges intelligencia, Trustable AI megközelítését fizikán alapuló modellezéssel és valós idejű ellenőrzéssel kapcsolta össze. A cél az volt, hogy a generatív modellek nagy kockázatú döntési helyzetekben is ellenőrizhetőbb módon működjenek.

Az Antigravity kapcsolta össze a fejlesztést és a versenyzést

A projektben az Antigravity a Google szerint olyan közvetítő rétegként működött, amely áthidalta a szoftverfejlesztők és a versenyzés szakterülete közötti különbséget. A GDE-k az eszközzel kezelték az állapottartó vezérlést és a versenyautókból érkező telemetria fogadását. Így a fejlesztők a rendszer magasabb szintű működésére és a versenyszakértők által meghatározott edzési módszerekre összpontosíthattak.

A Google fejlesztői három, eltérő tapasztalati szintet képviselő csoportban dolgoztak. A kezdő csapat a hozzáférhetőséget és az intuitív edzési módszereket vizsgálta. A középhaladó csoport fejlett naplózási rendszerekkel és pontos küszöbérték-kezeléssel próbálta kiaknázni a platform lehetőségeit. A profi szintű csapat nagy mennyiségű valós idejű telemetriát dolgozott fel, és hivatásos versenyzőkkel együttműködve keresett olyan teljesítményjavító lehetőségeket, amelyek az emberi érzékelés számára nehezen észlelhetők.

Az Antigravity csapata a helyszínen azt is dokumentálta, hogyan jutnak el a fejlesztők a gyors, kísérleti kódolástól a peremhálózati, éles környezetben futó rendszerig.

Pixel 10, Gemma 4 és Gemini dolgozott együtt

A rendszer technológiai hátterét a Google Cloud Platform és az Agent Development Kit, röviden ADK adta. Az Antigravity a valós idejű kódmódosításért és a szakterületek közötti összekapcsolásért felelt, a Python a telemetria fogadását és értelmezését végezte, az ADK pedig az egyes feladatokat végrehajtó ügynökök együttműködését szervezte.

Az Androidos műszerfal Jetpack Compose használatával készült, a Gemini API a vezetői modellek utólagos elemzését és a felhőalapú következtetést kezelte. A Gemma 4 helyben futó peremintelligencia-rétegként működött, hogy kapcsolatkimaradás esetén is késleltetés nélkül adhasson hangos figyelmeztetéseket. A szövegfelolvasás, TTS integráció biztosította a hangutasításokat.

A telemetriai adatokat Python-szkriptek gyűjtötték egy Pixel 10 készüléken, amely közvetlenül csatlakozott az autóhoz. Brian Luc egyedi USB-interfészt tervezett, így a telefon megkerülhette a vezeték nélküli kapcsolat késleltetését, és az autó több száz érzékelőjéből érkező, 10 Hz-es adatfolyamot olvashatta.

A Google szerint a sonomai teszt egyik technikai áttörése a Pixel 10 TPU-jának aktiválása volt. Az Android-mérnökökkel közösen elért fejlesztés után a teljesítmény 40 token/másodpercre nőtt. Ez tette lehetővé, hogy a rendszer a vezető számára szükséges időpontban adja ki az edzői utasításokat.

A következő állomás Interlagos

A Google a versenypályán kipróbált megoldást más, nagy megbízhatóságot igénylő területekre is alkalmazhatónak látja. A forrás szerint Vijay Vivekanand, a COI Energy alapítója és Jorge Mendieta, a Bloom Energy képviselője azért csatlakozott a programhoz, hogy az ügynökalapú vezérlés energiaellátási folyamatokban és mezőgazdasági feladatokban való használatát vizsgálja.

A kezdeményezés következő helyszíne Interlagos, Brazília lesz. A csapat ott eltérő éghajlati környezetben és összetettebb pályakonfiguráció mellett akarja tovább terhelni a rendszert. A Google emellett közzétette az ADK Crash Course anyagát és a Trustable AI Codelab feladatot, amelyekkel a fejlesztők saját AI-versenyzőedzőt építhetnek.

A projekt azt mutatja a felhasználók és fejlesztők számára, hogy a Google által bemutatott architektúra a helyi és felhőalapú feldolgozást együtt használja. A Gemma 4 kapcsolat nélküli helyzetekben is képes riasztást kezelni, miközben a Gemini API a felhőben összetettebb vezetői elemzéseket végez. A vállalat szerint ez az elrendezés segíthet abban, hogy az AI-eszközök gyors, valós környezetben is ellenőrizhető döntéstámogatást nyújtsanak.