A Honda olyan alkalmazást fejleszt, amely mesterséges intelligenciával, élőben írja le az autó ablakán túl elhúzó tájat vak és gyengénlátó utasoknak. A Double Tap podcast műsorvezetői, Steven Scott és Shaun Preece egy korábbi interjú felidézésével vitatták meg, mennyire életszerű és mennyire hasznos ez valójában.
A Double Tap legutóbbi, ismétlésként sugárzott adásában egy korábbi beszélgetést hallhattunk a Honda Scenic Audio nevű alkalmazásról. A projekt lényege egyszerű: az autóban ülő vak vagy gyengénlátó utas a telefonját az ablak felé fordítva mesterséges intelligencia (MI) segítségével élőszóban kap leírást a kint elhúzó tájról – legyen szó tengerpartról, hegyvonulatról vagy éppen egy város utcaképéről. A két műsorvezető a beszélgetés során nemcsak az alkalmazást mutatta be, hanem alaposan körbejárta azt is, hogy egy ilyen ígéret mennyire tartható be a gyakorlatban.
A Honda bemutatóvideójában elhangzott egy szempont, ami a projekt hátterét is megvilágítja: a fogyatékossággal élők alkotják a világ legnagyobb kisebbségi csoportját, és ez az egyetlen olyan csoport, amelyhez bárki csatlakozhat élete bármely pillanatában. A videó szerint világszerte mintegy 285 millió vak vagy gyengénlátó ember él, akik számára az autós utazás egyik egyszerű öröme – a kilátás – jelenleg kimarad az élményből.
Mit tud valójában a Honda Scenic Audio
A Honda 2024 áprilisában jelentette be az alkalmazást, amely jelenleg még béta állapotban van – a fejlesztők egy jövőbeli, konkrét dátum nélküli 1.0-s kiadáson dolgoznak. A szoftver a scenicaudio.info oldalon érhető el, és a Honda kifejezetten hangsúlyozta, hogy nem csak saját gyártmányú autókban használható – bármelyik jármű utasülésén működik.
Jason Carmel, a fejlesztésben részt vevő kreatív technológus szerint az alkalmazás valójában több különböző MI-technológia együttműködésén alapul: számítógépes látás (computer vision, vagyis a kamera képének gépi elemzése) méri fel, mi látható az ablakon túl, míg egy generatív MI-modell fogalmazza meg mindezt szöveges leírássá. A hangsúly itt nem a száraz tényközlésen van. Phil Hruska, a Honda marketingért felelős vezetője szerint a legtöbb hasonló eszköz – amely útvonaltervezésben vagy tárgyfelismerésben segít – inkább „utilitárius” jellegű. A Scenic Audio ezzel szemben tudatosan a költői, elbeszélő stílust választotta, amely közelebb áll ahhoz, ahogyan az emberek egy jó történetet hallgatva élik meg az élményt.
Hruska a projekt indíttatását a Honda „power of dreams” (az álmok ereje) néven ismert vállalati filozófiájára vezette vissza: a cég szerinte nemcsak szlogenként, hanem gyakorlatban is arra törekszik, hogy ügyfeleinek olyan eszközöket adjon, amelyek jobbá teszik az életüket. Ehhez társul a Honda inkluzivitás iránti elkötelezettsége, amely szerinte nem korlátozódik a vezetőre, hanem a jármű összes utasára vonatkozik – így jutottak el oda, hogy a mesterséges intelligenciában rejlő lehetőségeket egy ilyen alkalmazásban is kiaknázzák.
Fejlesztés a célközönség bevonásával
A projekt szakmai hátterét a Perkins School for the Blind és annak kutatóközpontja, a Howe Innovation Center adta, az együttműködést az intézmény vezetője, Sandy Lacey képviselte az interjúban. Hruska elmondása szerint a fejlesztés egyik kulcsszereplője a vak Dr. Josh Loebner volt, aki már a legelső egyeztetéseken leszögezte az akadálymentesítési közösség egyik alapelvét: semmit rólunk, nélkülünk. Ez a szemlélet határozta meg a projekt egész menetét – a Honda nem egy kész terméket akart a célcsoportra rátukmálni, hanem a fejlesztés elejétől bevonta az érintetteket.
Ennek jegyében a Perkins és a Honda közösen mintegy harminc, különböző fokú vakságban vagy látáscsökkenésben élő emberrel készített interjút arról, milyen élményeik vannak autós utazás közben, és mit hiányolnak a jelenlegi lehetőségekből. Ebből a csoportból később öt-nyolc főt vontak be szorosabban a tesztelésbe: ők kapták meg elsőként a működő alkalmazást, és adtak valós, helyszíni visszajelzést a fejlesztőknek. A Honda emellett az Alabama Institute for Deaf and Blind nevű intézménnyel is együttműködik – ezzel közel harmincéves kapcsolatot ápol –, valamint saját, ENABLE nevű belső akadálymentesítési munkacsoportjával is tesztelteti a szoftvert.
Milyen visszajelzéseket kapott az alkalmazás
Sandy Lacey szerint a tesztelés során sokan kezdetben szkeptikusan fogadták az ötletet – volt, aki azt mondta, ez szép dolog, de nem feltétlenül az, amire szüksége van. Amikor viszont kipróbálták, sokan csak ekkor döbbentek rá, mennyi információtól estek el eddig. Lacey megfogalmazása szerint az alkalmazás nem egyszerűen funkcionalitást ad, hanem örömöt is – ahogy fogalmazott: „beleteszi a szórakozást a funkcióba”. Olyan részletgazdag, testreszabható információkhoz enged hozzáférést, amelyeket a látó emberek az esetek túlnyomó részében észre sem vesznek, annyira magától értetődőnek tartják őket: milyen a táj, milyen az időjárás, van-e épület a közelben, hogyan fest a partvonal.
Hruska szerint ez alátámasztja Lacey tapasztalatát: a visszajelzések alapján az élmény valóban egy jó történet hallgatásához hasonlít, és sok felhasználó csak utólag ismerte fel, mennyi vizuális információtól esett el korábban az autós utak alatt.
A stúdió szkepticizmusa: tényleg élő videóleírásról van szó?
A beszélgetés talán legérdekesebb része az volt, ahogy a két házigazda eltérően viszonyult a technológiához. Shaun Preece lelkesen fogadta az ötletet, és saját élményét is felhozta: egy nemrég Kanadában tett vonatúton – a Rocky Mountaineer járatán Banfftől Vancouverig – hiányolta, hogy senki nem írta le neki részletesen, mi látható az ablakon túl, csak nagyjából annyit érzékelt, hogy hegyek, még több hegy, néhol hóval, néhol anélkül. Egy ilyen alkalmazás szerinte pontosan ezt az űrt tölthetné be, és példaként hozta fel azt is, milyen jó érzés lenne, ha valaki csak annyit mond a kocsiban, hogy „micsoda gyönyörű naplemente”, és ő maga is megkaphatná ennek leírását. Preece azt is megjegyezte, hogy a haszon túlmutathat a klasszikus tájleíráson: ha az alkalmazás azt is jelezné, hogy éppen elhaladnak egy bolt vagy egy étterem mellett, az olyan apró, hétköznapi tájékozódási pontokat adna vissza, amelyeket a látó utastársak észre sem vesznek, mégis részei annak, hogyan érzékeljük a környezetünket.
Steven Scott ezzel szemben kifejezetten kételkedett abban, hogy a technológia valóban azt tudja, amit a bemutatóvideó sugall. Nem hiszi el, hogy a telefont az ablak felé tartva a felhasználó valódi, folyamatos, valós idejű videóleírást kapna – hasonló technológiát szerinte jelenleg máshol sem látni. Felvetette, hogy az alkalmazás valószínűleg inkább rendszeres időközönként (például néhány másodpercenként) készített állóképeket elemez és fűz össze leírássá, nem pedig folyamatos videófolyamot dolgoz fel – ellenkező esetben, ha az autó nagyobb sebességgel halad, a kép technikailag is elmosódna, feldolgozhatatlanná válna.
Ezt a kételyt Scott egy másik példával is alátámasztotta: a beszélgetésben előkerült a Be My Eyes nevű alkalmazás egy korábbi, sokat idézett bemutatóklipje is, amelyben az OpenAI GPT-4o nevű, képek és szöveg értelmezésére is képes MI-modellje írta le, mit csinálnak a vízen úszó kacsák. Szerinte az ott látott eredmény lenyűgöző volt, de teljesen más helyzetről szól: ott egy konkrét kérdésre válaszul egy rövid videórészletet elemzett a rendszer, nem pedig folyamatos, megállás nélküli leírást adott hosszú időn át. Scott ezen a ponton egyenesen megkérdezte, hogy letöltheti-e az alkalmazást, és kiviheti-e sétálni is, hátha az valós időben figyelmezteti majd egy előtte álló szemeteskukára vagy parkoló autóra. Preece válasza egyértelmű nem volt: a két házigazda végül abban is egyetértett, hogy a Scenic Audio nem navigációs vagy tájékozódási segédeszköznek készült, hanem kifejezetten egy nyugodt, élményközpontú utazási kiegészítőnek szánták, amely a már létező, gyakorlati célú MI-alapú látássegítő eszközök (mint a Be My AI, a Microsoft Seeing AI vagy a Google Lookout) mellett, azoktól függetlenül tölt be szerepet.
A Honda korábbi akadálymentesítési és kutatási projektjei
A beszélgetés során szóba került, hogy a Scenic Audio nem előzmény nélküli a Honda háza táján. A műsorvezetők felidézték, hogy a cég korábban is kísérletezett hasonló, akadálymentesítéshez köthető kutatási irányokkal: volt idő, amikor önvezető autókból ismert technológiával szerelt irodai székeket fejlesztettek, amelyek automatikusan kitértek az útból. Szóba került az is – inkább tréfásan, mint komolyan –, hogy a Honda korábban egy szenzorokkal felszerelt, fejre vagy nyakba akasztható, formájában vécéülőkére emlékeztető eszközt is bemutatott egy kutatási projekt keretében. Emellett a cég neve összekapcsolódik az ASIMO humanoid robottal is, amely évekkel ezelőtt önállóan tudott járni és mozogni – ezt a két házigazda is a Honda kutatás-fejlesztési részlegének komolyságát alátámasztó példaként hozta fel.
A közös pont ezekben a projektekben az, hogy a Honda rendszeresen kísérletezik olyan technológiákkal, amelyek első pillantásra távol állnak az autógyártástól, és amelyek gyakran csak kutatási vagy demonstrációs célt szolgálnak anélkül, hogy valaha is piacra kerülnének. Ez volt Steven Scott egyik fő fenntartása is: elismerte, hogy a Honda kutatási portfóliója lenyűgöző, ugyanakkor rámutatott, hogy e projektek közül sok soha nem jutott el a nyilvános, elérhető termék szintjéig. Amíg a Scenic Audio nem kerül a kezébe működő formában, addig – ahogy fogalmazott – inkább csak „az álmok erejét” tartja majd a fejében, utalva a Honda ismert szlogenjére. Preece ezzel szemben végig amellett érvelt, hogy már önmagában jó jel, ha egy autógyártó ekkora hangsúlyt fektet az akadálymentesítésre, és hogy ez a fajta figyelem hosszabb távon másokat is hasonló fejlesztésekre ösztönözhet.
Összegzés
A Honda Scenic Audio egy olyan kísérlet, amely a mesterséges intelligenciát nem gyakorlati navigációs célra, hanem élményszerzésre használja fel: az autóban utazó vak vagy gyengénlátó ember számára teszi hozzáférhetővé mindazt a vizuális információt, amely a látó utastársak számára magától értetődő. A fejlesztés a Perkins School for the Blind és a Howe Innovation Center szakmai bevonásával, valós felhasználói teszteken keresztül zajlott, és a korai visszajelzések kifejezetten pozitívak. Ugyanakkor – ahogy a Double Tap beszélgetéséből is kiderült – egyelőre nyitott kérdés, hogy a bemutatóvideóban látott, folyamatos és élő leírás technikailag valóban úgy valósul-e meg, ahogyan azt a marketinganyagok sugallják, vagy inkább rendszeres időközönként generált, összefűzött leírásokról van szó. A végső választ csak az alkalmazás nyilvános, 1.0-s kiadása adhatja meg.
A cikk a Double Tap podcast 2026. szeptember 12-i adása alapján, AI felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.