Microsoft zaprezentował model AI, który rozpoznaje zawartość obrazu i rozwiązuje problemy wizualne

Nowy model AI Kosmos-1 jest multimodalny Large Language Model (MLLM), potrafiący reagować nie tylko na sygnały językowe, ale także na sygnały wizualne, dzięki czemu lepiej reagują na sesje pytań i odpowiedzi.

Multimodalna sztuczna inteligencja (MLLM) może być kluczem do rozwoju sztucznej inteligencji ogólnej, technologii, która mogłaby w przyszłości zastąpić człowieka w każdym zadaniu intelektualnym lub pracy.

Co to jest Kosmos-1

Kosmos-1 to multimodalny model opracowany przez badaczy firmy Microsoft. W zeszły poniedziałek został zaprezentowany jako model zdolny do:

• zapoznaj się z treścią obrazków,
• rozwiązywać zagadki wizualne,
• rozpoznawać tekst na obrazach,
• dobry wynik w wizualnych testach IQ
• rozumieć instrukcje wydawane w języku naturalnym.

RozwójSztuczna inteligencja Multimodalność jest postrzegana jako kluczowy krok w kierunku stworzenia sztucznej inteligencji ogólnej (AGI) zdolnej do wykonywania ogólnych zadań na poziomie człowieka.

Język to nie wszystko, czego potrzebujesz: dostosowanie percepcji do modeli językowych

„Będąc fundamentalną częścią inteligencji, percepcja multimodalna jest koniecznością do osiągnięcia sztucznej inteligencji ogólnej, jeśli chodzi o zdobywanie wiedzy i osadzenie w świecie rzeczywistym”, piszą naukowcy w swoim artykule naukowym, Język to nie wszystko, czego potrzebujesz: dostosowanie percepcji do modelu językowego.

Model Kosmos-1 może analizować obrazy i odpowiadać na pytania dotyczące nich, odczytywać tekst z obrazu, pisać podpisy pod obrazami i uzyskiwać od 22 do 26 procent w wizualnym teście IQ, jak pokazano na wizualnych przykładach w Kosmos-1 badanie.

AGI dla OpenAI

OpenAI, kluczowy partner biznesowy Microsoftu w dziedzinie sztucznej inteligencji, skupił się na AGI. Kosmos-1 wydaje się być wyłączną inicjatywą Microsoftu, bez pomocy OpenAI.

BlogInnovazione.it