WeRide מציגה את WITT, מודל בסיס קוגניטיבי מבוסס בינה מלאכותית פיזית שנבנה על סמך עובדות פיזיקליות אטומיות

המודל החדש הופך נתונים תפעוליים מהעולם האמיתי לעובדות מהימנות, ועובדות מהימנות לאותות למידה עבור מערכות בינה מלאכותית פיזית

נקודות עיקריות:

· WeRide חושפת את WITT (World Intelligence Toward Truth), מודל בסיס קוגניטיבי מבוסס בינה מלאכותית פיזית (Physical AI) שנועד לבנות קוגניציה של בינה מלאכותית עבור העולם הפיזי באמצעות עובדות מהימנות המופקות מניסיון מהעולם האמיתי.

· WITT מציג עובדות פיזיקליות אטומיות (APF), יחידות המידע הקטנות ביותר הניתנות לאימות אודות העולם הפיזי, ומבסס מסגרת קוגניטיבית חדשה מבוססת עובדות עבור בינה מלאכותית פיזית.

· WITT, המבוסס על ארבע יכולות ליבה - חילוץ עובדות, הנמקת עובדות, אימות עובדות ואצירת עובדות - הופך באופן רציף נתונים מהעולם האמיתי לאותות למידה מהימנים עבור אימון, הערכה ואיטרציות של בינה מלאכותית.

· בהשוואה למודלים גדולים יותר באופן משמעותי של בינה מלאכותית לשימוש כללי, WITT מפחית את עלויות האסימונים עד 98% ומספק יעילות עיבוד נתונים גבוהה יותר עד פי 200.

שנגחאי, 17 ביולי 2026 (GLOBE NEWSWIRE) –

WeRide (נסד"ק: WRD, HKEX: 0800), מובילה עולמית בתחום טכנולוגיית הנהיגה האוטונומית, חשפה היום את WITT (World Intelligence Toward Truth), שהינו מודל בסיס קוגניטיבי מבוסס בינה מלאכותית פיזית שנועד לבנות קוגניציה של בינה מלאכותית על העולם הפיזי באמצעות עובדות מהימנות המופקות מניסיון מהעולם האמיתי.

WITT, שממנף יכולות של מודל שפה חזותית (VLM), מציג מושג חדש הנקרא עובדות פיזיקליות אטומיות (APF), ומבסס מסגרת קוגניטיבית מבוססת עובדות עבור בינה מלאכותית פיזית. על ידי חיבור נתונים רב-מודאליים, המבוססים על וידאו, תמונות וטקסט, WITT מפרק סביבות עולם אמיתי המתפתחות ללא הפסקה לעובדות ניתנות לאימות שניתן לזהות, להעריך ולאמת, וכך יוצר דור חדש של הבנה של בינה מלאכותית המתמקדת בעובדות פיזיקליות.

WITT הוא ראשי תיבות של World Intelligence Toward Truth (אינטליגנציה עולמית לקראת האמת) והוא שואב השראה מהפילוסוף לודוויג וויטגנשטיין, שטענתו ש-"העולם הוא מכלול העובדות" מתיישרת במדויק עם הלוגיקה שעומד בבסיס של בינה מלאכותית פיזית. כדי לבנות קוגניציה של העולם הפיזי, בינה מלאכותית חייבת תחילה לזהות עובדות מהימנות המוטמעות בסביבות, התנהגויות, כללים, סיכונים ויחסים זמניים. עובדות אלו הופכות בסיס להיסק, שיפוט וקבלת החלטות.

WeRide WITT, מודל בסיס קוגניטיבי מבוסס בינה מלאכותית פיזית הבנוי על עובדות פיזיקליות אטומיות

בעת שבינה מלאכותית פיזית עוברת ממחקר לפריסה בעולם האמיתי, נהיגה אוטונומית מגיחה כתחום הראשון שהשיג הסמכה מסחרית בקנה מידה גדול. עם זאת, בניית מערכות בינה מלאכותית שיכולות להבין באופן מהימן את העולם הפיזי נותרה אתגר מהותי.

כמויות עצומות של נתונים מהעולם האמיתי ממשיכות לגדול באופן מעריכי, ועדיין קשה לבצע זיהוי וניצול נתונים בעלי ערך אמיתי לאימון, הערכה ואיטרציה. תרחישים ארוכי זנב בעלי ערך גבוה הם מטבעם נדירים, בעוד שמערכי נתונים שנאספו מפעולות נהיגה אוטונומיות בנדבך L4 כמו גם ממערכות ADAS שכבר נמצאות בקו הייצור מכילים לעתים קרובות התערבויות אנושיות, מקטעים לא פעילים וצורות אחרות של רעש. מודלים של בינה מלאכותית למטרות כלליות יכולים בנוסף להתקשות בפירוש עקבי של סביבות תנועה מורכבות, מה שיכול להוביל להזיות, שגיאות עובדתיות והבנה לא שלמה של הסצנה.

התעשייה זקוקה יותר ויותר למנגנון יעיל ואמין להבנת נתונים – כזה המסוגל לחלץ באופן רציף עובדות משמעותיות על הסצנה מתוך נתוני נהיגה בעולם האמיתי, לשפר את האיכות והיעילות של תהליכי האימון, ההערכה ושכלול המודלים, ולהפוך את הניסיון מהעולם האמיתי לאותות למידה אמינים המניעים את התפתחותן של מערכות אוטונומיות.

WITT פותחה כדי להתמודד עם אתגר זה

המערכת WITT, המושתתת על פעילות הנהיגה האוטונומית רחבת-ההיקף של WeRide, מחלצת באופן רציף דפוסים, קשרים ועובדות מהימנות מתוך כמויות עצומות של נתונים תפעוליים. במקום להתייחס לנתונים כאל קלט גולמי לאימון מודלים, WITT רואה בעובדות מהימנות את אבני הבניין הבסיסיות של יכולת הקוגניציה בתחום הבינה המלאכותית הפיזית. תשתית זו מאפשרת למודל להפוך חוויות מהעולם האמיתי לידע מובנה באמצעות ארבע יכולות ליבה: חילוץ עובדות, הנמקת עובדות, אימות עובדות ואצירת עובדות

יחד, יכולות אלו יוצרות צינור שלם הכולל הבנת סצנות, ייחוס אירועים, אימות נתונים ואצירה לצורך למידה - ומאפשרות לכל קילומטר של נתוני נהיגה מהעולם האמיתי להפוך לאות מהימן לשיפור המודל.

חילוץ עובדות

WITT מזהה ומחלצת שלוש קטגוריות של עובדות פיזיקליות אטומיות מנתוני נהיגה מהעולם האמיתי: עובדות נהיגה סטנדרטיות, עובדות אינטראקציה מרובות סוכנים ותנאים פיזיקליים מעורפלים. יחד, עובדות אלו לוכדות התנהגויות תנועה יומיומיות, מערכות יחסים מתפתחות בין משתתפי תנועה וחוסר ודאות בסביבות פיזיות מורכבות.

לדוגמה, ניתן לפרק סרטון נהיגה למספר רב של עובדות פיזיקליות אטומיות, הכוללות: ראות מוגבלת עקב גשם, הולך רגל הנכנס למעבר חצייה, האטה של ​​הרכב הנבדק, רכב סמוך הנוסע במקביל, שינויים ברמזורים ועלייה בסיכון להתנגשות. כל עובדה מתוכננת להיות בעלת אמינות גבוהה, ניתנת למעקב ולאימות, ובכך היא מאפשרת תיאורים עשירים יותר של הסצנה ומספקת את הבסיס לתהליכי הסקה, תיקוף ולמידה עוקבים.

הנמקת עובדות

לאחר הנמקת העובדות, WITT מנתחת אירועי מפתח, קשרים התנהגותיים וסיכונים מתהווים בתוך זירה, תוך זיהוי הגורמים העומדים בבסיסם והתפתחויות אפשריות של אותם אירועים.

במהלך תקופת המחקר והפיתוח של נהיגה אוטונומית, מהנדסים צריכים לעתים קרובות לחפש במערכי נתונים עצומים של וידאו תרחישים מוגדרים בעלי זנב ארוך, כגון הולכי רגל שחוצים פתאום באזורי בנייה, סטייה מנתיב בתנאי ראות ירודים, או תמרונים מורכבים שנגרמים במפגשים בכבישים צרים. WITT, המועצם בידי מנוע בינת וידאו משולב, מאפשר למשתמשים לאחזר תרחישי יעד באמצעות מילות מפתח או שאילתות בשפה טבעית, ובכך לשפר באופן דרמטי את יעילות הגילוי של תרחישים, חקירת נתונים וניתוח שורש הבעיה.

אימות עובדות

כדי להפחית הזיות הנלוות בדרך כלל למודלי בינה מלאכותית למטרות כלליות, WITT מעריך תפוקות באמצעות שישה ממדים:

· משתמשי דרך פגיעים

· התנהגות רכב-אגו

· התנהגות רכבים בסביבה

· הבנת סצנה

· עובדה מקיפה

· מתקני תנועה

המודל מציג ניקוד ביטחון עובדתי ומאמת מסקנות כנגד ראיות פיזיות חיצוניות כדי לקבוע האם הפרשנויות נתמכות בידי המציאות הנצפית.

על ידי מעקב אחר שגיאות עובדתיות, הזיות, השמטות וחוסר עקביות זמניות, WITT מספק מדד איכות למשתמשים בנתונים וגם אות העדפה לאימון מודלים, ומכוון באופן רציף מערכות בינה מלאכותית להבנה מדויקת שמבוססת יותר על עובדות פיזיות.

כיום, WITT משיגה שיעור שגיאות עובדתיות ממוצע המהווה כשליש מזה של מודלים מובילים של בינה מלאכותית למטרות כלליות, במשימות של הבנת תרחישי נהיגה אוטונומית.

אצירת עובדות

בפעילות בעולם האמיתי, לא כל הנתונים תורמים במידה שווה ללמידת המודל. WITT מזהה באופן אוטומטי עובדות בעלות ערך רב ומנתבת אותן לתהליכי הלמידה היעילים ביותר, במטרה למקסם את שיפור המודל.

ניתן להחזיר תרחישים נדירים בעלי זנב ארוך ל-WeRide GENESIS, מודל ההדמיה הקנייני של החברה לטובת מטרות כלליות, לצורך אימון הדמיה והרחבת תרחישים. תרחישים יומיומיים בתדירות גבוהה יכולים לתמוך בלמידת חיזוקים ומיטוב של תזרימי עבודה. ניתן להפנות נתונים חריגים או מעורפלים לתהליכי סקירה כדי למנוע זריקת מידע בעל ערך שמסווג בטעות כרעש.

על ידי הבטחה שכל פיסת נתונים תעבור במסלול הלמידה המתאים ביותר, WITT ממקסמת את הערך של נתונים תפעוליים מהעולם האמיתי וממירה באופן רציף ניסיון לבינת מודל.

במסגרת ארכיטקטורת ה-Physical AI של WeRide,‏ WITT משמשת כשכבה הקריטית להבנה ולהערכה. בשילוב עם WeRide GENESIS – מודל הסימולציה הרב-תכליתי והייחודי של החברה – WITT יוצרת מנגנון גלגל תנופה של Physical AI, הממיר באופן רציף את הניסיון שנצבר בעולם האמיתי לכדי שיפור המודל.

WITT מחלצת, מבינה, מאמתת ומארגנת עובדות פיזיות מתוך נתונים מהעולם האמיתי, בעוד ש-GENESIS יוצרת סביבות סימולציה ברמת דיוק גבוהה ותרחישי אימון מגוונים (כולל תרחישי קצה נדירים) המבוססים על עובדות אלו. יחד, שתי המערכות מאמנות ומשפרות מודלים הפועלים ברכב, ומאפשרות למערכות נהיגה אוטונומית להתפתח ללא הרף – הן באמצעות ניסיון מהעולם האמיתי והן באמצעות למידה בעולם סינתטי.

בהשוואה למודלי בינה מלאכותית כלליים, המסתמכים לעיתים קרובות על מאות מיליארדי פרמטרים, WITT מספק ביצועים חזקים הודות לארכיטקטורה יעילה משמעותית. המודל מפחית את עלויות האסימונים בשיעור של עד 98%, מעבד עד 10,000 דקות של וידאו המתעד את פעילות הרכב מדי יום באמצעות מעבד גרפי (GPU) יחיד, ומספק יעילות עיבוד נתונים הגבוהה עד פי 200 בעומסי עבודה דומים.

בתהליכי עבודה של תיוג, בקשה אחת ל-WITT עשויה לייצר למעלה מ-100 תגיות דינמיות; הדבר מאפשר שליפה מהירה, אימות ושילוב של כמויות עצומות של סרטוני נהיגה מהעולם האמיתי בתוך תהליכי פיתוח המודלים, שם הם הופכים לנכסי מידע עובדתי המצטברים באופן רציף.

עם תמיכה של גלגל תנופה של בינה מלאכותית פיזית, WeRide הפכה לחברה היחידה בעולם שהשיגה פריסה מסחרית בקנה מידה גדול של מערכות נהיגה אוטונומיות ברמות L4 ו-L2++.

בתחום ה-L4, WeRide השיגה היתרים לנהיגה אוטונומית בשמונה מדינות ושווקים, הטמיעה מוצרי נהיגה אוטונומית ביותר מ-40 ערים ב-12 מדינות, ומפעילה צי של למעלה מ-3,000 כלי רכב אוטונומיים. שירותי הרובוטקסי שלה כבר הגיעו לשלב של פעילות מסחרית סדירה ורחבת-היקף, ללא נהג כלל, בערים גואנגג'ואו, בייג'ינג, אבו דאבי ודובאי.

במקביל, יכולות נתונים ומודלים איכותיים שנצברו בפעילות L4 מועברות באופן רציף לפתרון ADAS חד-שלבי מקצה לקצה של WeRide דרך גלגל התנופה הפיזי של החברה. כיום, WRD 3.0 השיגה שישה זכיות רצופות חסרות תקדים בתחרות הנהיגה החכמה העירונית של סין. הפתרון נבחר גם לכמעט 30 תוכניות רכבים ונכנס לייצור בפלטפורמות רכב רבות, כולל דגמים של Chery Exeed ו-GAC Aion. מעבר לסין, החברה הרחיבה את היקף אימות הטכנולוגיה שלה לשווקים בינלאומיים כגון גרמניה, צרפת ויפן.

החל מנהיגה אוטונומית - אחת הסביבות העתירות והמורכבות ביותר מבחינה תפעולית עבור בינה מלאכותית פיזית - WITT מדגימה פוטנציאל רחב יותר ליישומי בינה מלאכותית פיזית.

כאשר הבינה המלאכותית הפיזית נכנסת לשלב חדש של פריסה רחבת היקף, WeRide תמשיך לקדם מודלים קוגניטיביים מבוססי אימות מהעולם האמיתי, ותאפשר לבינה מלאכותית לעבור מעבר להבנת העולם הפיזי ולפעול בתוכו בקנה מידה רחב.

אודות WeRide

WeRide היא מובילה עולמית ומובילה ראשונה בתעשיית הנהיגה האוטונומית, כמו גם חברת רובוטקסי הראשונה הנסחרת בבורסה. הרכבים האוטונומיים שלנו נבדקו או הופעלו בלמעלה מ-40 ערים ב-12 מדינות. אנחנו גם חברת הטכנולוגיה הראשונה והיחידה שמוצריה קיבלו אישורי נהיגה אוטונומית בשמונה שווקים: סין, איחוד האמירויות, סינגפור, צרפת, שוויץ, ערב הסעודית, בלגיה וארצות הברית. מועצמת על ידי פלטפורמת WeRide One החכמה, הרב-תכליתית, החסכונית והניתנת להתאמה גבוהה, WeRide מספקת מוצרים ושירותים לנהיגה אוטונומית מ-L2 עד L4, הנותנים מענה לצרכי תחבורה בתעשיות הניידות, הלוגיסטיקה והתברואה. WeRide נבחרה לרשימות Change the World 2025 ו- Future 50 של מגזין Fortune לשנת 2025.

למידע נוסף – מדיה
WeRide: [email protected]

.

תמונה המצורפת להודעה זו זמינה בכתובת https://www.globenewswire.com/NewsRoom/AttachmentNg/1c65b514-0de6-4659-aa53-fa043da4cdf1

*** הידיעה מופצת בעולם על ידי חברת התקשורת הבינלאומית GlobeNewswire