H αντιληπτική ικανότητα των μηχανών επεκτείνεται από το κείμενο στην οπτική πληροφορία.
Με απώτερο στόχο την ανάπτυξη μιας «γενικής τεχνητής νοημοσύνης» που θα μπορεί να εκτελεί οποιαδήποτε νοητική εργασία σε ανθρώπινο επίπεδο, ερευνητές της Microsoft παρουσίασαν πειραματικό σύστημα AI που όχι μόνο κατανοεί την ανθρώπινη γλώσσα αλλά επιπλέον αναγνωρίζει αντικείμενα σε εικόνες και λύνει οπτικά προβλήματα.
Το τελευταίο διάστημα η Microsoft σπεύδει να αξιοποιήσει εμπορικά την τεχνολογία του ChatGPT, ενός «μεγάλου γλωσσικού μοντέλου» της OpenAI που παράγει κάθε είδους κείμενα σύμφωνα με τις οδηγίες του χρήστη.
Πέρα όμως από τη συνεργασία της με την OpenAI, ο γίγαντας του λογισμικού πειραματίζεται με δικά της συστήματα που θα μπορούσαν να επεκτείνουν την τεχνολογία στην αντίληψη της οπτικής πληροφορίας.
«Η πολυμεσική αντίληψη είναι απαραίτητη προκειμένου να φτάσουμε στην γενική τεχνητή νοημοσύνη όσον αφορά την απόκτηση γνώσης και την επαφή με τον πραγματικό κόσμο» γράφουν ερευνητές της εταιρείας σε μελέτη τους που αναρτήθηκε ως προδημοσίευση στο αποθετήριο ArXiV.
H μελέτη, με τίτλο «Η Γλώσσα δεν Είναι το Μόνο που Χρειάζεσαι: Ευθυγραμμίζοντας την Αντίληψη με τα Γλωσσικά Μοντέλα» περιγράφει το Kosmos-1, ένα «πολυμεσικό γλωσσικό μοντέλο» που συνδυάζει τη γλώσσα με την όραση.
Εκπαιδευμένο από δεδομένα στο Διαδίκτυο, το Kosmos-1 ξεπέρασε τις επιδόσεις άλλων προηγμένων μοντέλων, καμαρώνουν οι ερευνητές.
Ένα από τα τεστ στα οποία υποβλήθηκε το μοντέλο ήταν η «προοδευτικός λογισμός Ρέιβεν», ένα τεστ που μετρά το οπτικό IQ ζητώντας από τον εξεταζόμενο να συνεχίσει μια αλληλουχία σχημάτων.
Το Kosmos-1 δεν διέπρεψε, αφού απάντησε σωστά στο τεστ Ρέιβεν μόνο στο 26% των περιπτώσεων, συγκριτικά με 17% αν απαντούσε απλά στην τύχη,
Παρόλα αυτά, το μοντέλο της Microsoft επιβεβαιώνει ότι οι μηχανές σημειώνουν μεγάλη πρόοδο στην κατανόηση πληροφοριών.
Δεν είναι όμως το μόνο πειραματικό μοντέλο σε αυτό τον τομέα –η OpenAI, μεταξύ άλλων εταιρειών, έχει δηλώσει πως η γενική τεχνητή νοημοσύνη είναι ο απώτερος στόχος της.
