درک محتوای تصاویر و حل پازل توسط هوش مصنوعی جدید مایکروسافت

هوش مصنوعی جدید مایکروسافت قادر به نوشتن توضیح برای تصاویر، جواب به سوالات درباره محتوای آنها و پاسخ به آزمون IQ است.

پژوهشگران هوش مصنوعی در مایکروسافت به تازگی از مدل جدیدی رونمایی کرده اند که می تواند محتوای تصاویر را بررسی و درک کند و قابلیت های دیگری مثل حل پازل، تشخیص متن و درک دستورات زبانی را هم بهمراه دارد.

هوش مصنوعی Kosmos- 1 مایکروسافت چه امکاناتی دارد؟

هوش مصنوعی جدید مایکروسافت که از چندین ماژول تشکیل شده است، Kosmos- 1 نام دارد. سازندگان آن، معتقد هستند که این ابزار، یک گام کلیدی برای دستیابی به هوش جامع مصنوعی (AGI) محسوب می شود که قادر باشد وظایف عمومی را در سطح انسان به انجام برساند. نکته حائز اهمیت ، این است که محصول آزمایشی جدید مایکروسافت می تواند از انواع ورودی های مختلف مثل متن، صدا، تصویر و حتی ویدئو برای دریافت دستورات استفاده نماید و از این لحاظ کمی با نمونه های فعلی شناخته شده ، متفاوت است.

مثال های تصویری منتشر شده از هوش مصنوعی مذکور در مقاله پژوهشی مرتبط با آن، نشان می دهد که این ابزار امکان بررسی تصاویر و پاسخ به سوالات مرتبط با محتوای آن ها را دارد. خواندن متن در عکسها و نوشتن توضیحات پیرامون آنها از دیگر مواردی است که می تواند به انجام برساند. اگرچه درحال حاضر، توجه رسانه ای فراوانی روی مدل های زبانی عظیم (LLM) هوش مصنوعی وجود دارد؛ اما کارشناسان عقیده دارند که ابزارهای مبتنی بر چند ماژول می توانند پتانسیل بیشتری برای تبدیل شدن به هوش مصنوعی جامع باشند. دستیابی به چنین ابزاری، هدف نهایی بسیاری از شرکت های فعال در این زمینه، از جمله OpenAI سازنده ChatGPT، است که همکاري نزدیکی هم با مایکروسافت دارد.

البته بنظر میرسد که هوش مصنوعی جدید مایکروسافت، به شکل مستقل از OpenAI و تنها توسط ردموندی ها، توسعه یافته باشد. سازندگان آن، محصول خود را یک مدل چند ماژوله زبانی عظیم( MLLM) توصیف می کنند؛ زیرا با وجود پشتیبانی از ورودی های مختلف دستوری، باز هم پردازش های نهایی آن براساس مدل متن محور LLM و مشابه با ابزارهای کنونی مانند ChatGPT صورت می گیرد. به همین دلیل، کاملاً طبیعی است که برای درک تصاویر توسط این هوش مصنوعی (Artificial Intelligence)، ابتدا محتوای آنها باید به متن تبدیل شوند.

مایکروسافت از داده های موجود روی اینترنت برای تعلیم هوش مصنوعی جدید خود استفاده کرده است که از جمله منابع آن میتوان به گزیده The Pile (مجموعه ۸۰۰ گیگابایتی از متون انگلیسی) و Common Crawl اشاره کرد. پس از تمرین های اولیه، عملکرد ابزار مورد بحث در آزمایش های مختلف مثل تست های درک زبانی، تشخیص کاراکترهای تصویری، نوشتن توضیحات برای عکس ها، پاسخ به سوالات از تصاویر یا صفحات اینترنتی و... مورد ارزیابی قرار گرفت. طبق ادعای مایکروسافت، این محصول در بسیاری از تست ها توانسته است تا مدل های فعلی مورد استفاده را پشت سر بگذارد.

یکی از تست های جالبی که Kosmos- 1 توانسته در آن عملکرد قابل قبولی از خود نشان دهد، آزمون ریون (Raven) بوده است. ماتریس پیش رونده ریون برای ارزیابی IQ براساس پیش بینی توالی های تصویری طراحی شده است و در رده ازمون های گروهی غیر کلامی هوش قرار می گیرد که در اغلب اوقات داخل مراکز آموزشی، استفاده می شود. هوش مصنوعی مایکروسافت توانسته است در تلاش های خود، ۲۲ الی ۲۶ درصد از سوالات را با موفقیت پاسخ دهد؛ مقداری که اگرچه کم به نظر می رسد ، ولی از حالت پاسخ تصادفی با نرخ ۱۷ درصد، فاصله محسوسی دارد.

محصول تازه مایکروسافت در مراحل اولیه قرار دارد و پیش بینی می شود که در آینده، با بهینه سازی های بیشتر، می تواند عملکرد بهتری را از خود نشان دهد. چنین مدل های هوش مصنوعی که می توانند از ورودی های گوناگونی پشتیبانی کنند، پتانسیل بالایی برای استفاده به عنوان دستیارهای مصنوعی توسط کاربران دارند. احتمال می رود که محققان مایکروسافت با گسترش ابداع خود، بتوانند ویژگی های دیگر از جمله تکلم را هم به آن اضافه نمایند. مایکروسافت اعلام کرده است که قصد دارد Kosmos- 1 را در اختیار توسعه دهندگان قرار دهد؛ ولی هنوز تاریخ دقیقی برای انتشار کدها، اعلام نکرده است.