Elorian представи модела Glimpse за директно разсъждение в латентното визуално пространство без превод в текст
Снимка: Elorian AI / TechCrunch
Авангардната лаборатория Elorian представи революционния модел Glimpse, който променя парадигмата в областта на мултимодалния изкуствен интелект (Multimodal AI) [1]. Досега почти всички системи разчитаха на превод на визуалната информация в текстов поток от описания, върху който моделът разсъждава авторегресивно.
Отхвърляне на текстовото междинно представяне
Glimpse премахва това тесно гърло, като извършва разсъжденията директно в непрекъснатото латентно пространство на изображението. Моделът третира пространствените релации, физическата геометрия и динамичните видеокадри като първокласни математически обекти, запазвайки пълната топологична информация.
Превъзходство в научни чертежи, видео и пространствено мислене
В независимите тестове за визуално разсъждение (Visual Reasoning) Glimpse побеждава водещите мултимодални модели от най-висок клас при разчитане на сложни инженерни CAD чертежи, радиологични скенери и научни графики с плътни легенди.
Вместо да се опитва да опише с думи координатите на даден елемент, моделът прилага визуални трансформационни оператори, манипулирайки вътрешната представа за сцената. Това позволява и изключително прецизно разпознаване на причинно-следствени връзки в краткоформатни видеоклипове.
Краят на текстоцентричния AI и раждането на пространствения интелект
Иновацията на Elorian бележи решителна стъпка към преодоляване на текстоцентричния капан, в който компютърните науки попаднаха през последните пет години. Макар човешкият език да е мощен инструмент за абстракция, огромна част от реалния физически свят не може да бъде кодирана в линейни думи без катастрофална загуба на информация.
Директното латентно пространствено разсъждение отваря вратата към нов клас роботизирани системи, автономни превозни средства и дизайн на чипове, които „виждат“ и „мислят“ в едно и също измерение. Този преход трансформира мултимодалността от козметична добавка към чатботове в фундаментална инженерна основа за физическия изкуствен интелект.
Инфографика: Светни.ме • Аналитичен поглед върху тенденциите и последствията