.){kind=link}
در آغاز این هفته، محققان از Microsoft Kosmos-1 یک مدل هوش مصنوعی چندوجهی است که می تواند تصاویر را برای محتوا تجزیه و تحلیل کند، پازل های بصری را حل کند، تشخیص متن بصری انجام دهد، تست های هوش بصری را انجام دهد و دستورالعمل های زبان طبیعی را درک کند. به گفته محققان، چنین مدل‌های هوش مصنوعی اولین گام برای ایجاد یک هوش مصنوعی عمومی (AI) است که می‌تواند وظایف مشترک در سطح انسان را انجام دهد. یعنی این فناوری قادر خواهد بود در هر کار فکری جایگزین فرد شود. و این هدف اعلام شده OpenAI، یک شریک تجاری کلیدی است Microsoft در زمینه هوش مصنوعی
در این مورد، Kosmos-1 یک توسعه صرفاً شخصی شرکت است Microsoft. محققان ایجاد خود را "مدل زبان گسترده چندوجهی" (MLLM) می نامند زیرا ریشه آن در پردازش زبان طبیعی فقط متنی مانند LLM، مانند ChatGPT است. برای اینکه مدل بتواند تصاویر ورودی را بپذیرد، محققان ابتدا باید تصاویر را به یک سری نشانه های خاص (عمدتا متن) تبدیل کنند که LLM بتواند آنها را درک کند.
Kosmos-1 بر روی پایگاه داده ای از اینترنت، شامل عصاره هایی از The Pile (یک منبع متن انگلیسی 800 گیگابایتی) و Common Crawl آموزش دید. سپس این مدل با چندین آزمون برای درک گفتار، تولید گفتار، طبقه‌بندی متن بدون تشخیص کاراکتر نوری، شرح تصاویر، پاسخ‌گویی به سؤالات تصویری، پاسخ‌گویی به سؤالات صفحه وب و طبقه‌بندی تصویر با محلی‌سازی آزمایش شد. مطابق با Microsoft، Kosmos-1 در بسیاری از این آزمایش ها از مدل های فعلی بهتر عمل کرد.
تست استدلال پیشروی ریون بسیار جالب بود که ضریب هوشی بصری را با ارائه دنباله ای از اشکال و درخواست از آزمودنی برای تکمیل دنباله اندازه گیری می کند. Kosmos-1 توانست در 22 درصد موارد پاسخ صحیح را بدهد.
این گام‌های اولیه، که با بهینه‌سازی‌های آینده، می‌توانند نتایج مهم‌تری را به همراه داشته باشند، و به مدل‌های هوش مصنوعی اجازه می‌دهند تا هر شکلی از رسانه‌ها را درک کرده و بر آنها تأثیر بگذارند و قابلیت‌های دستیارهای مصنوعی را تا حد زیادی گسترش دهند.
همچنین بخوانید: