مایکروسافت از یک مدل هوش مصنوعی رونمایی کرد که محتوای تصویر را تشخیص می‌دهد و مشکلات بصری را برطرف می‌کند

مدل جدید AI Kosmos-1 یک Multimodal است Large Language Model (MLLM)، قادر است نه تنها به نشانه های زبانی، بلکه به نشانه های بصری پاسخ دهد و بنابراین به جلسات پرسش و پاسخ بهتر پاسخ می دهد.

هوش مصنوعی چندوجهی (MLLM) می‌تواند کلید توسعه هوش عمومی مصنوعی باشد، فناوری که در آینده می‌تواند جایگزین انسان در هر کار یا کار فکری شود.

Kosmos-1 چیست

Kosmos-1 یک مدل چندوجهی است که توسط محققان مایکروسافت توسعه یافته است. دوشنبه گذشته به عنوان مدلی با قابلیت زیر رونمایی شد:

• محتوای تصاویر را بخوانید،
• حل پازل های بصری،
• تشخیص متن در تصاویر،
• در تست های هوش بصری امتیاز خوبی کسب کنید
• دستورالعمل های داده شده به زبان طبیعی را درک کنید.

توسعههوش مصنوعی چندوجهی به عنوان یک گام مهم در جهت ایجاد یک هوش عمومی مصنوعی (AGI) که قادر به انجام وظایف عمومی در سطح انسانی است، دیده می شود.

زبان تمام چیزی نیست که شما نیاز دارید: همسو کردن ادراک با مدل های زبان

محققان در مقاله آکادمیک خود می نویسند: "به عنوان بخشی اساسی از هوش، ادراک چندوجهی برای دستیابی به هوش عمومی مصنوعی از نظر کسب دانش و جاسازی در دنیای واقعی یک ضرورت است." زبان تمام چیزی نیست که شما نیاز دارید: همسو کردن ادراک با مدل زبان.

مدل Kosmos-1 می تواند تصاویر را تجزیه و تحلیل کند و به سؤالات مربوط به آنها پاسخ دهد، متن را از یک تصویر بخواند، برای عکس ها شرح بنویسد و بین 22 تا 26 درصد در آزمون هوش بصری، مانند نمونه های تصویری در Kosmos-1، امتیاز کسب کند. مطالعه.

AGI برای OpenAI

OpenAI، شریک تجاری کلیدی مایکروسافت در هوش مصنوعی، AGI را به عنوان تمرکز اصلی خود قرار داده است. به نظر می رسد Kosmos-1 یک ابتکار انحصاری مایکروسافت بدون کمک OpenAI باشد.

BlogInnovazione.it