Hogyan tanítunk meg egy gépet vezetni?

Waymo: ha fontos, mérjük meg kétszer

Egy Waymo jármű teteje úgy néz ki, mintha egy autó és egy kisebb meteorológiai állomás vállalt volna közös gyereket.

Kamerák néznek több irányba, LiDAR-ok lézerimpulzusokat küldenek ki és mérik, mennyi idő alatt érkezik vissza a fény. Radarok távolságot és relatív sebességet becsülnek. A 2024-ben bemutatott hatodik generációs Waymo Driver konfigurációja 13 kamerát, négy LiDAR-t, hat radart és külső hangérzékelőket használt; a cég 2026 februárjában jelentette be, hogy ezzel a generációval megkezdte a teljesen autonóm működést.

Miért kell ennyi minden? Mert az érzékelők nem minden területen megbízhatóak, de van olyan tulajdonságuk, ami nagyon is az.

A kamera nagyon gazdag képet ad. Látja a színeket, a sávfestést, a táblát, a rendőr mellényét, a gyalogos tekintetét és — jó esetben — azt is, hogy a fehér valami egy zacskó, nem pedig egy laposkúszásban lopakodó áttetsző betonlap. De a képből a mélységet és a pontos távolságot részben ki kell következtetni. Erős ellenfényben, ködben vagy egy sáros lencsével ez nehezebb.

A LiDAR közvetlenebb geometriai információt ad. Fénypontokból felrajzolja, hogy ott, 27,4 méterre valami kiáll az úttestből. Centiméteres pontossággal mérhet távolságot, de önmagában nem tudja, hogy az a valami egy betonblokk vagy a polgármester leszakadt, szél fújta választási plakátja. A geometria fontos, a jelentés azonban másik munkakör.

A radar különösen jó a távolság és a relatív sebesség mérésében, és rossz időben is értékes maradhat. Cserébe hagyományosan kevésbé részletes képet ad arról, pontosan milyen alakú és micsoda az objektum. Olyan tanú, aki nem emlékszik a kabátra, de tökéletesen megmondja, merre menekült benne az illető.

A Waymo ezért nem szavazást tart az érzékelők között. Nem kérdezi meg, ki gondolja úgy, hogy ott egy biciklis van, majd kettő-egy arányban elfogadja a határozatot. Az adatokat szenzorfúzióval illeszti össze. A rendszer a különböző mérési módok erősségeiből és hibáiból próbál egyetlen, valószínűségekkel terhelt világképet építeni. A Waymo saját percepciós leírása szerint a különböző modalitások egymást erősítik: amit az egyik homályosan lát, azt a másik pontosabban mérheti.

Ez még csak az első felvonás. A leegyszerűsített folyamat így néz ki:

1. Érzékelés: mit mérnek a kamerák, LiDAR-ok, radarok és mikrofonok?
2. Lokalizáció: pontosan hol van az autó?
3. Percepció: mi van körülötte, és mi micsoda?
4. Predikció: merre mehetnek tovább a többiek?
5. Tervezés: melyik saját mozgás biztonságos és szabályos?
6. Irányítás: hogyan legyen ebből kormánymozdulat, gyorsítás és fékezés?

A valóságban ezek a dobozok nem olyan szépen különülnek el, mint egy középiskolai ábrán. Egymásnak adnak információt, modern neurális hálózatok több feladatot egyszerre végeznek, és a rendszer folyamatosan újratervez. Mire ezt a mondatot elolvassuk, az autó már sokszor újraszámolta volna a következő néhány másodpercet.

A Waymo ehhez részletes térképet is használ. Nem egyszerű navigációs térképet, amely tudja, hogy a pékség után balra kell fordulni. A Waymo térképezési leírása szerint a térkép sávokat, járdaszegélyeket, gyalogátkelőket, közlekedési lámpákat és más állandó jellemzőket tárol. Olyan, mint a helyszín memóriája.

Fontos: ez nem előre felmondott forgatókönyv. Ha a térkép szerint üres az út, de a LiDAR szerint ott áll egy teherautó, a Waymo nem hajt át rajta arra hivatkozva, hogy a dokumentáció másképp rendelkezik. A térkép előzetes tudás; az élő érzékelés a jelen idejű valóság. A kettő együtt segít eldönteni, mi változott.

Ez a Waymo filozófiájának lényege: ne egyetlen zseniális érzékelőtől várjuk a megváltást. Építsünk több, részben átfedő támaszt. Mint amikor valaki túrázni indul két fejlámpával, papírtérképpel, műholdas telefonnal, vízszűrővel, háromféle kötszerrel és egy kis csomaggal arra az esetre, ha útközben hirtelen meg kellene alapítania Svájcot.

Drága és bonyolult? Igen, nagyon. Ha viszont az első lámpa kialszik, nem rögtön a medve lesz az új túravezető.

Tesla: mi van, ha nincs szükségünk minderre?

Tesla máshonnan indul. Az ember fején sincs forgó LiDAR, nincs a tarkójába épített radar, reggelente nem térképezőflotta jár előttünk, hogy újramérje a körforgalmat.

Van két szemünk, egy meglehetősen takarékosan kábelezett agyunk, rengeteg korábbi tapasztalatunk és egy jogosítványunk, amelynek megszerzését a társadalom olykor meglepően optimista döntéssel engedélyezte. Ha az ember képes vizuális információból vezetni, mondja a teslás érvelés, akkor elvileg a gép is képes lehet rá. Nem kell hozzá ugyanúgy gondolkodnia, mint nekünk. Elég, ha a kamerák videójából olyan belső reprezentációt épít, amelyből biztonságosan lehet cselekedni.

A Tesla nyilvános AI-oldala kameraképekből dolgozó neurális hálózatokat, több kamera időbeli videójából felépített madártávlati reprezentációt, útszerkezetet, tárgyakat és térbeli-időbeli világmodellt ír le. A vállalat alapvető tézise szerint a látásra és tervezésre épülő megoldás vezethet az általános autonómiához. Ez nem azt jelenti, hogy a kamera „csak lefotózza” a világot.

Egy mai vezetési rendszer videófolyamot kap. Ugyanazt az autót több kamerából és több időpillanatban láthatja. Ebből következtethet mélységre, mozgásra, takarásban lévő tárgyakra és arra, hogyan változik a jelenet.

Egyetlen kép csalóka: egy fotón nem mindig tudjuk, hogy a gyalogos áll vagy éppen elindult. Három másodpercnyi videóból már látjuk a testsúly áthelyezését, a fej fordulását, a járdaszegélyhez közeledést. A különbség olyan, mint egy kiragadott mondat és egy 2 órás családi ebéd teljes leirata között: zongorázni lehet a különbséget a megértés szempontjából.

A neurális hálózatok feladata nem pusztán a címkézés. Nem elég minden pixelre ráírni, hogy „autó”, „út”, „fa”, „ember”, „valami, amit majd a jogi osztály elnevez”. A rendszernek térbeli modellt kell készítenie arról, mi foglal helyet, mi járható, mi mozog, és mi maradhatott eltakarva. Aztán több lehetséges jövőt kell mérlegelnie.

A fehér furgon talán befordul, a biciklis valószínűleg egyenesen megy tovább, a gyalogos pedig lehet, hogy csak a telefonját nézi, de benne van, hogy lelép az útra.

A jó terv nem egyetlen jóslatra épül. Nem mondhatja, hogy „a bácsi biztosan megáll”, majd nagy gázzal magabiztosan tovább hajt. Olyan pályát kell választania, amely több ésszerű jövőben is biztonságos.

Itt jön be az end-to-end megközelítés, amelyről gyakran úgy beszélünk, mintha egyetlen kapcsoló lenne, pedig valójában különböző megoldások skáláját jelenti.

Az end-to-end valójában skála, amelynek egyik végén külön modulok vannak felismerésre, előrejelzésre és tervezésre. A másik végén a rendszer közvetlenül a szenzorbemenetből állít elő vezetési pályát vagy vezérlést. Közben rengeteg átmenet létezik: közös neurális reprezentációk, segédfeladatok, köztes térképek, biztonsági korlátok és hagyományos vezérlők.

Nem úgy működik, hogy beleöntünk egymillió órányi videót egy turmixgépbe, megnyomjuk a „sofőr” gombot, majd kijön belőle egy udvarias komornyik sofőrsapkában és kinyitja nekünk az ajtót.

A tanításhoz jó és rossz manőverek, emberi vezetési minták, automatikusan létrehozott címkék és szimulált jelenetek kellenek. Emellett vissza kell mérni, hol javult az új modell, és hol tanult meg frissen, nagy önbizalommal butaságot csinálni.

A Tesla 2022-es AI Day előadásában részletesen beszélt térfoglaltsági hálózatokról, automatikus címkézésről, szimulációról és az úgynevezett data engine-ről. Ez fontos nyilvános technikai pillanatkép, de nem érdemes úgy tenni, mintha a mai rendszer teljes tervrajza lenne. A vállalat belső architektúrája folyamatosan változik, a pontos jelenlegi megoldást kívülről nem látjuk.

A 2026 első negyedéves Tesla-beszámoló már megerősítéses tanulási szakaszról, a ritka szélsőséges esetek célzott javításáról, gyenge látási körülményekre fejlesztett vizuális kódolóról és kisebb késleltetésről beszél. Ezek vállalati állítások, nem független auditok, de jól mutatják, hová helyezi Tesla a fejlesztési energiát: egyre több viselkedést akar adatokból és tanulásból előállítani. Ez a Tesla nagy fogadása.

A Tesla új FSD Evidence Dashboardja részletesebb vizsgálatokat is hozzáférhetővé tesz. Ezek a felügyelt rendszer megfigyeléses adatai: a modell fejlődésének megítéléséhez hasznosak, de nem helyettesítik a robotaxi saját biztonsági bizonyítását.

Ha a gép elég jól képes videóból világot építeni, akkor a kamera nem egyszerűen a LiDAR olcsóbb pótléka, hanem egy skálázható tanulási rendszer szeme. A szem és az értelem között azonban igen hosszú a folyosó.

És azon a folyosón már vár ránk a bizonytalan önértékelésű nejlonzacskó.

Ez szándékosan leegyszerűsített kép. A Waymo is használ hatalmas neurális hálózatokat, szimulációt, alapmodelleket és end-to-end kutatást. A Tesla is használ térképi és navigációs előzetes tudást, szabályokat, validációs rendszereket és mérnöki korlátokat. Egyik oldalon sincs „csak hardver”, a másikon pedig „csak AI”.

Két különböző súlypont van, és a súlypontok már közelednek egymáshoz.

A nejlonzacskó problémája

Térjünk vissza ahhoz a fehér valamihez az úton.

A LiDAR megmondhatja, hogy van ott egy vékony, szabálytalan felület. A radar talán alig lát belőle valamit. A kamera felismerheti a gyűrődő, áttetsző anyagot. Az időbeli mozgás pedig elárulhatja, hogy a szél ide-oda fújja.

De a vezetési döntéshez nem elég a geometria. Ha egy húszkilós betondarab fekszik a sávban, erősen ajánlott nem áthajtani rajta. Ha egy üres zacskó lebeg ott, a hirtelen vészfékezés veszélyesebb lehet, mint továbbhaladni. Ha a zacskó alatt valami kemény van, akkor az előző mondat máris rossz tanács lett.

Az autónak nem egyszerűen tárgyat kell látnia.

Jelentést kell rendelnie a tárgyhoz, és a saját bizonytalanságát is bele kell számítania a cselekvésbe.

Ezt nevezhetjük világ-reprezentációnak vagy világmodellnek. Nem tudatot jelent. Nem arról van szó, hogy a Cybercab este hazamegy, és eltöpreng a nejlonzacskó lételméleti magányán.

Operatív tudásról van szó:

1. mi foglal helyet;
2. mi mozog és hogyan;
3. miből lehet akadály;
4. mit takarhat el valami más;
5. milyen szabályok érvényesek;
6. hogyan változhat a jelenet, ha az autó fékez, továbbmegy vagy sávot vált?

A jó világmodell a nem látható dolgokat is számításba veszi. Ha egy parkoló furgon eltakarja a járdát, az üres szenzorkép nem bizonyítja, hogy nincs mögötte gyerek. Csak azt bizonyítja, hogy nem látjuk.

Ez az autonóm vezetés egyik kevésbé látványos, de alapvető különbsége a hagyományos objektumfelismeréshez képest. Egy fotóalkalmazás tévedhet úgy, hogy a muffint csivavának nézi. Legfeljebb furcsa lesz az album címe.

Egy autó nem engedheti meg magának ugyanezt az üzleti modellt. Érdekes módon itt a két iskola ismét közeledik. A Waymo EMMA nevű kutatási modellje a Gemini multimodális képességeire építve próbál közös modellben világismeretet, jelenetértést és vezetési pályát összekapcsolni. Ez kutatási eredmény, nem a sorozatban használt rendszer teljes leírása. A Waymo World Model pedig generatív szimulációval állít elő kamera- és LiDAR-jeleneteket, hogy ritka vagy új helyzeteket lehessen vizsgálni.

Vagyis a sok szenzorral dolgozó Waymo sem gondolja, hogy a pontos mérés önmagában megoldja a jelentést. A mérőszalag megmondja, milyen magas a szobor, de attól még nem tudja, hogy galamb ül rajta vagy egy elefánt a porcelán boltból.

A rendőr, aki tönkreteszi az egész gyönyörű rendszert

A mérnök szereti a közlekedési lámpát. Három állapota van, jól látható helyen van, a szabályai pedig dokumentáltak. Pirosnál megállunk, zöldnél megyünk, sárgánál pedig minden ország külön kis filozófiai iskolát alapít.

Aztán jön a rendőr, kint áll a kereszteződés közepén, és felülírja a lámpát. Fél kézzel megállítja az egyik irányt, a másikkal továbbengedi a másikat. Közben ránéz egy buszra, int egy motorosnak, hátralép egy kátyú elől, majd olyan mozdulatot tesz, amely egyszerre jelentheti azt, hogy „jöjjön”, „várjon” és „uram, ezt most tényleg itt?”

Az ember nem egyetlen kézpozíciót osztályoz. Értelmezi a szerepet, a testtartást, a tekintetet, a többi jármű reakcióját, a lámpa és a gesztus közötti konfliktust. Tudja, hogy az egyenruhás ember jogosult felülírni a fényes dobozt. Ha bizonytalan, óvatosan gurul vagy vár egy újabb jelre.

Ez egyszerre percepció, világismeret, szándékbecslés és társadalmi alkudozás.

Az önvezető rendszernek ráadásul nemcsak az ismerős rendőrt kell kezelnie. Lehet útépítő narancssárga mellényben, iskolai forgalomsegítő, egy fesztivál önkéntese, egy dühös teherautó-sofőr, vagy egy civil, aki semmilyen jogkörrel nem rendelkezik, de olyan meggyőzően hadonászik, hogy három sáv már kinevezte ideiglenes közlekedési miniszternek.

Ezek az eloszláson kívüli, vagyis a tanításban ritkán vagy más formában látott helyzetek. Egy klasszikus rendszer megpróbálhat külön szabályt írni rájuk. Egy tanuló rendszer megpróbálhat általánosítani korábbi példákból. A gyakorlatban mindkettőnek tudnia kell egy harmadik dolgot is:

Nem tudom biztosan. Lassítsunk.

Az uncertainty, a saját bizonytalanság becslése nem udvariassági extra, hanem a biztonság része. Ha egy rendszer 60 százalékban rendőrt, 30 százalékban útépítőt és 10 százalékban különösen indulatos pantomimművészt lát, nem feltétlenül az a helyes megoldás, hogy kiválasztja a legnagyobb számot és határozottan továbbhajt.

Lehet, hogy meg kell állnia. Lehet, hogy több megfigyelést kell gyűjtenie. Lehet, hogy segítséget kér az üzemeltetéstől.

A Waymo 2026-os leírása a távoli segítségről fontos különbséget tesz: a távoli operátor nem joystickkal vezeti az autót, hanem információt vagy javaslatot ad, amelyet a jármű elfogadhat vagy elutasíthat. Ez nem teleportált sofőr, inkább telefonos segítség a Legyen Ön is Milliomosból, csak a kérdés az, hogy „ez a bója lezárja-e a sávot”, és közben fél tonna akkumulátor és egy tonna acél várja a választ.

A távoli támogatás nem tünteti el az autonómia problémáját. Ha megszakad a kapcsolat, az autónak akkor is biztonságos állapotba kell jutnia. Ha pedig minden második kereszteződéshez emberi tanács kell, akkor nem robotaxi-hálózatot építettünk, hanem nagyon drága call centert kerekekkel.

De a ritka, kétértelmű helyzeteknél az emberi segítség ésszerű része lehet egy Level 4 szolgáltatásnak. Erről a negyedik részben még sokkal kellemetlenebb részletességgel beszélünk. Előbb azonban meg kell találnunk azokat a helyzeteket, amelyeknél segítség kellene.

És itt kezdődik a long tail, azaz a végeláthatatlanul hosszú, soha véget nem érő elképzelhetetlen esetek sora.

Az utolsó 0,001 százalék

Az önvezetés eleje látványosan gyorsan fejlődik. Az autó megtanulja tartani a sávot, felismeri az előtte haladót, megáll a pirosnál, bekanyarodik és követi az út vonalát. Az első bemutatókon mindenki tapsol, a videó alá pedig oda lehet írni, hogy „a jövő megérkezett”.

Aztán a jövő találkozik egy lóval, amely egy leszakadt utánfutós lószállítóból farol kifelé a körforgalom közepén. Vagy egy létrával, amelyik keresztbe fekve pihen az autópálya belső két sávját összekötve. Vagy behavazott forgalomtól elzárt terület sávfestéssel.

Vagy két közlekedési táblával, amelyek egy útépítés után egymásnak ellentmondanak. Vagy egy gyalogossal, aki jelzi, hogy menjünk, majd mégis elindul előttünk, mert ő is csak ember, és az emberi protokollverziók kompatibilitása köztudottan kísérleti funkció.

Ezek külön-külön ritkák, néhány ezekből együtt azonban emlékezetes mesélnivalót alkotnak az esti sörözéshez a haverokkal. Ez a long tail: a ritka helyzetek hosszú sora. Nem egyetlen utolsó hiba, amelyet a mérnök péntek délután kijavít, majd pezsgőt bont. Sok ezer különböző eseménytípus, eltérő időjárással, útgeometriával, közlekedési kultúrával és más szereplők friss ötleteivel.

Az „utolsó 0,001 százalék” ezért inkább metafora, mint mérés. Mindig meg kell kérdezni: minek a 0,001 százaléka? Megtett kilométernek, kereszteződésnek vagy kritikus döntésnek? Egy ilyen gyakoriság százezer eseményből egyet jelent — de ha egy nagy flotta naponta milliónyi releváns döntést hoz, a ritka esemény hamar mindenapi feladattá válik.

A Level 2 vezetéstámogatásnál az ember végig figyel, és szükség esetén azonnal közbelép: nem várhat arra, hogy a rendszer minden veszélyt felismerjen és visszahívja. A Level 4-nél viszont nem mondhatja a kormány nélküli autó az utasnak:

Most következik egy olyan helyzet, amelyet nem láttam a tananyagban. Kérem, vegye át azt a kezelőszervet, amelyet költségoptimalizálási okból nem szereltünk be.

Ezért a ritka hibák nem egyszerűen rontják az átlagot, megkérdőjelezhetik az egész szolgáltatást. A megoldás nem az, hogy minden elképzelhető esetre kézzel szabályt írunk. Az emberi képzelőerő ehhez kevés, a világ pedig túl kreatív. Inkább olyan tanulási és tesztelési rendszert kell építeni, amely:

1. megtalálja a furcsa eseteket a flottában;
2. értékes tanítóanyaggá alakítja őket;
3. hasonló változatokat generál szimulációban;
4. megméri, hogy az új modell valóban jobb lett-e;
5. és ellenőrzi, hogy közben nem felejtett el valami korábban működőt.

A Waymo 2025-ös WOD-E2E kutatási adathalmaza például kifejezetten olyan, 0,03 százaléknál ritkább eseményekből válogatott szegmenseket, amelyek az end-to-end rendszerek általánosítását tesztelik. Már maga a válogatás is üzenet: ha a ritka eseteket a hétköznapi adatok közé öntjük, statisztikailag eltűnnek, mielőtt a modell megtanulná őket. A long tail nem fal, amelyről biztosan tudjuk, hogy áthatolhatatlan.

Inkább köd. Lehet, hogy a jobb modellek, a több adat, a szimuláció és a korlátozott működési terület együtt fokozatosan ritkítják. Lehet, hogy bizonyos helyzetosztályok új érzékelőt vagy új biztonsági architektúrát követelnek. És az is lehet, hogy az általánosítás javulása egy ponton ellaposodik.

Kívülről ezt nehéz megmondani, ezért olyan fontos, milyen adatot gyűjt a két cég.

Több millió Tesla kontra néhány ezer robot

Itt van Tesla legerősebb lapja. Nem feltétlenül az, amit az autó ma tud, hanem az, hogy hány autóval találhat érdekes helyzeteket holnap.

A Tesla világszerte több millió kamerás járművet adott el. Ezek nem mind robotaxik, és nem mind ugyanazzal a hardverrel vagy szoftverrel futnak. De egy ekkora telepített flotta olyan elosztott megfigyelőhálózat lehet, amilyet egy hagyományos autonómjármű-program nehezen reprodukál.

Fontos pontosítás: ez nem azt jelenti, hogy minden Tesla folyamatosan feltölti tulajdonosa teljes útját a központba. A Tesla adatvédelmi tájékoztatója szerint a kamerafelvételeket alapértelmezésben helyben dolgozzák fel, és a flottatanuláshoz kapcsolódó megosztás hozzájárulástól, beállítástól és eseménytípustól függhet. A valódi előny nem egy óriási, megállás nélkül ömlő videócsatorna, hanem a keresés lehetősége.

Tegyük fel, hogy az új modell furcsán reagál, amikor egy villogó sárga lámpa alatt útépítő kézzel irányítja a forgalmat. A fejlesztők olyan adatgyűjtési feltételt készíthetnek, amely hasonló jeleneteket keres a flottában. A releváns, engedélyezetten gyűjtött klipek bekerülhetnek a tanításba vagy a tesztkészletbe. Az új modell ezután rengeteg korábbi jeleneten újrafuttatható.

Ez a data engine alapötlete:

1. a rendszer hibázik vagy bizonytalan;
2. megtaláljuk a hasonló eseteket;
3. címkézzük vagy automatikusan feldolgozzuk őket;
4. újratanítjuk a modellt;
5. visszamérjük, hogy javult-e;
6. majd kezdjük elölről, mert közben Szerbiában a sárgát, lila fényre cserélte az útépítő cég.

Az automatikus címkézés itt kulcsfontosságú. Kézzel minden videón megrajzolni minden autót, gyalogost, járdaszegélyt és szabad teret elképesztően lassú lenne. A rendszer több kamera, több időpillanat és akár későbbi megfigyelések alapján maga is készíthet jobb térbeli címkéket, amelyeket aztán a tanuló modell használ.

A nagy flotta másik lehetősége az árnyék-értékelés. Egy új döntési modell anélkül is elemezhet korábban rögzített helyzeteket, hogy ténylegesen ő vezetné az autót. Összevethető a régi rendszerrel vagy az emberi viselkedéssel. Ez nem bizonyítja automatikusan, hogy biztonságos lenne a valóságban — a visszajátszott világ nem reagál az új döntésre —, de gyorsan felszínre hozhat regressziókat.

Ha például az új modell a felvételen balra húzódna, a mögötte jövő kerékpáros nem változtatja meg emiatt a pályáját, hiszen a múltat nem lehet visszamenőleg megijeszteni. Ehhez interaktív szimuláció vagy valós teszt kell. A Tesla előnye tehát nem egyszerűen a kilométerek száma, hanem az, hogy egy szoftveresen elérhető, földrajzilag és helyzetileg változatos flottából kérdezhet. Mintha nem egy könyvtárunk lenne, hanem több millió szétszórt terepkutatónk. Nem olvassuk minden jegyzetüket, de ha holnap érdekelni kezd a texasi útépítők balkezes integetése, megkérhetjük a rendszert, hogy keresse elő az erről szóló oldalakat.

Ez ipari léptékű tanulási lehetőség. De csak akkor ér sokat, ha tudjuk, milyen kérdést tegyünk fel.

Egymilliárd unalmas kilométer nem biztos, hogy ér egy furcsa kereszteződést

Képzeljünk el két autósiskolát.

Az első tanuló ezerszer végighajt ugyanazon a napsütéses, üres autópályán. Tökéletesen tartja a sávot. A tizenkettedik kör után is. A nyolcszázadik után is. A végén már valószínűleg a szalagkorlát anyagösszetételét is pontosan ismeri.

A második tanuló vezet esőben, ködben, belvárosban, útépítésnél, villamos mellett, iskolakezdéskor és egy olyan olasz kisvárosban, ahol a körforgalom inkább közösségi improvizáció, mint közlekedési objektum. Kinek volt több kilométere? És ki tanult többet?

Az autonóm vezetési adatok értéke nem lineáris. A százmilliomodik jól felfestett autópálya-kilométer valószínűleg kevesebb új információt ad, mint az első olyan jelenet, amelyben egy vontató keresztben áll, a rendőr a piroson átenged, és a műanyag széket a szél lassan befújja a sáv közepébe.

Ez az információsűrűség problémája. Tesla hatalmas flottája elképesztő mennyiségű változatosságot láthat, de a nyers mennyiséget ki kell bányászni. Meg kell találni a releváns pillanatot a hétköznapi vezetés óceánjában. Tudni kell, hogy a modell hol bizonytalan, milyen új hibaminta jelent meg, és milyen adatból tanulna a legtöbbet.

A Waymo flottája nagyságrendekkel kisebb, viszont minden jármű nagyon gazdag és következetesen kalibrált érzékelőcsomaggal gyűjt adatot, célzott működési területen. A vállalat 2026 februári közlése körülbelül háromezer járműves flottáról, heti több mint négymillió teljesen autonóm mérföldről és négyszázezer fuvarról beszélt. Ezek a cég saját számai, de jelzik, hogy a kisebb flotta kilométerei nagy arányban valódi, sofőr nélküli szolgáltatásból érkeznek.

Egy Waymo-mérföld ezért másfajta adat, mint egy ember által felügyelt Tesla-mérföld. Nem feltétlenül „jobb”, csak más kérdésekre válaszol.

A Waymo részletesen megfigyelheti, hogyan viselkedik a teljesen autonóm rendszer egy kijelölt városi környezetben, hogyan reagálnak rá az utasok és a többi közlekedő, mikor kér távoli segítséget, és milyen ritka események jelennek meg üzemszerű működés közben. Tesla viszont sokkal szélesebb földrajzi és közlekedési változatosságot érhet el, és gyorsan találhat nagy számú példát egy-egy vizuális mintára — feltéve, hogy a megfelelő járművek, engedélyek és gyűjtési feltételek rendelkezésre állnak.

Az egyik rendszer adata olyan, mint egy precíz laboratóriumi jegyzőkönyv sok műszerrel, de kevés helyszínről. A másik olyan, mint egy kontinensnyi terepnapló, amelyből először ki kell keresni azt a három bekezdést, ahol tényleg valami új történt. És mindkettőnek szüksége van szimulációra.

A valós világban nem lehet százezerszer szándékosan elé lökni ugyanazt a gyalogost, csak hogy statisztikailag szép legyen a teszt. A rögzített jelenetek módosíthatók: legyen sötétebb, essen az eső, érkezzen gyorsabban a biciklis, takarja el jobban a furgon, változzon meg az autó saját pályája. A generatív modellek új, fizikailag és társadalmilag hihető jeleneteket is előállíthatnak.

De a szimuláció sem varázsgömb. Ha rosszul modellezi az embereket, a szenzorhibákat vagy a kölcsönhatásokat, akkor a rendszer egy videojátékban lesz kiváló sofőr. Ez kellemes karrier, csak az utasnak kevésbé hasznos.

Ezért a kör bezárul: a valós adat találja meg a problémát, a szimuláció megsokszorozza, a tanulás javítja a rendszert, a valós üzem pedig megmutatja, hogy tényleg javult-e.

Ezen a ponton a Waymo–Tesla különbség már kevésbé hasonlít két vallás háborújára. Inkább két hegymászó útvonalára. Waymo biztosítóköteleket, táborokat és részletes térképet épít, majd szakaszonként halad felfelé. Tesla könnyebb felszereléssel indul, és arra fogad, hogy a tanuló rendszer elég jól fog majd kapaszkodni az új sziklafalakon is.

A Waymo már nagyobb léptékben szállít utasokat, a Tesla pedig korlátozott területeken működtet robotaxi-szolgáltatást. A Tesla ígért előnye a gyors bővítés volna: ugyanazt a fejlesztést sok, olcsón gyártható autóra lehetne eljuttatni. Feltéve, hogy az új helyeken is megbízhatóan működik.

A működő helyi szolgáltatás és a könnyen terjeszthető szolgáltatás között még rengeteg munka van.

Akkor melyik filozófia nyer?

Erre ma még nincs becsületes, egyetlen mondatos válasz. A Waymo megmutatta, hogy részletesen feltérképezett működési területen, gazdag érzékeléssel és köré épített szolgáltatással lehet Level 4 robotaxit üzemeltetni. A módszer nem elméleti ígéret, mert a Waymo ma is utasokat szállít. A kérdés az, milyen gyorsan és milyen költséggel terjeszthető új városokra, időjárásra és úttípusokra.

A Tesla megmutatta, hogy nagy fogyasztói flottából, kamerás adathurokkal és folyamatos szoftverfejlesztéssel gyorsan lehet vezetési képességeket teríteni. A robotaxi-szolgáltatásával már a felügyelet nélküli üzemet is megkezdte. Ettől azonban a fogyasztói FSD továbbra is felügyelt vezetéstámogatás marad; annak milliárdnyi mérföldje nem bizonyítja automatikusan a külön robotaxi-rendszer biztonságát. A kérdés most az, milyen bizonyítékok mellett bővíthető a szolgáltatás.

A Waymo 2026. augusztusi technikai összefoglalója már kevesebb, nagyobb alapmodellre épülő rendszerről beszél, önálló fedélzeti pályaellenőrzéssel. Ez nem egyetlen ellenőrizetlen neurális hálózat, és az EMMA kutatási modelljét sem azonosíthatjuk egyszerűen a forgalomban dolgozó rendszerrel. A Teslánál ugyanúgy számít, milyen biztonsági, tesztelési és üzemeltetési rétegek veszik körül a tanuló modellt. A kamerák száma önmagában egyik felépítést sem írja le.

A végén mindketten ugyanoda tartanak: egy olyan autóhoz, amely lát, mér, emlékszik, előre gondolkodik, tudja, mikor bizonytalan, és nem omlik össze attól, hogy egy rendőr a piros lámpa alatt egyedi koreográfiát mutat be.

A technológiai filozófia azonban csak az első kérdés, mert két rendszer közül nem feltétlenül az a jobb, amelyik elegánsabban magyarázza el, hogyan vezet, hanem az, amelyik ritkábban ütközik. Ezt pedig meglepően nehéz megmérni.