A nagy nyelvi modell által vezérelt mesterséges intelligencia fejlődésének köszönhetően a grafikus ikonográfia kutatása és alkalmazása új lehetőséget nyitott meg, amely elősegíti a nagy nyelvi modellből a nagy jövőkép modelljévé való fejlődést." 2023. december 30-án a szilveszter és a szilveszter alkalmából Wang Yaonan, a Kínai Mérnöki Akadémia akadémikusa, a Robot Visual Perception and Control Technology Nemzeti Mérnöki Kutatóközpontjának igazgatója megosztotta a gépi látás intelligencia fejlesztésének legújabb trendjeit. a Kínai Grafikai Társaság 19. Fiatal Tudósok Konferenciáján.
A Nandu riporterének adott exkluzív interjújában Wang Yaonan elmondta, hogy a mesterséges intelligencia intelligenssé teszi a gépi látást, és a nagyobb aritmetikai teljesítmény támogathatja a nagy vizuális modellek képzését. Azonban az intelligensebb nagylátó-modellek magasabb aritmetikai szintekre, jobb modellarchitektúrákra és hatékonyabb tanulási algoritmusokra is szükség vannak.
Ezt a konferenciát a Kínai Képgrafikai Társaság, a Pazhou Lab, a Dél-kínai Műszaki Egyetem, a Szun Jat-szen Egyetem és a Kínai Képgrafikai Társaság Ifjúsági Munkabizottsága szervezi.
Beszélgetés az iparági trendekről
A vizuális számítástechnikától a vizuális intelligenciáig
Yao-Nan Wang: A kínai gépi látáskutatás közel 40 éves múltra tekint vissza, kezdetben az érzékelők tanulmányozásától, vagyis a fényinformáció képi információvá alakításától. A következő teendő a látás feldolgozása, beleértve a kapott kép javítását, hogy tisztább legyen.
Miután tiszta képet kaptunk, meg kell nyernünk a képből a minket érdeklő célpontot. Például a sofőr nélküli vezetés terén a gépi látásnak fel kell ismernie a képen látható célpontokat, hogy megválaszolja azt a kérdést, hogy melyik személy és melyik autó.
Ezt nevezzük a gépi látás három fő területének. A következőkre bontom le: képalkotás, feldolgozás és megértés.
A gépi látás a múltban a vizuális számítástechnika helyett a vizuális intelligencia felé mozdult el. A vizuális számítástechnika mesterséges intelligenciával kombinálva javította a megismerés szintjét és javította a komplex környezetek megértésének képességét, és az egész vizuális intelligencia iparág gyors fejlődésen ment keresztül az elmúlt évben.
A gépi látási intelligencia fejlesztésének iránya az alkalmazások széles körének megvalósítása, az ipari ellenőrzés, az intelligens gyártás és a műholdas távérzékelés és egyéb területeken.
Ha a gépi látásról beszélünk, annak alkalmazásáról, alkalmazásvezérelt technológiai fejlesztéséről kell beszélnünk. A Kínai Képgrafikai Társaságnak 30 speciális bizottsága van, amelyek főként a grafikai képekkel foglalkoznak kutatások elvégzésére, a nemzetgazdaság szolgálatára. Ezek a technológiák széles körű alkalmazási forgatókönyvekkel rendelkeznek, beleértve az ipart, a mezőgazdaságot, a földrajzi információs rendszereket, a távérzékelést, a föld erőforrásokat és így tovább.
Az ember a születéskor látja a világot, és utána megérti a világot, és az információ 80%-át a látás szerzi meg. A gépi látás célja az emberi szem szimulálása, és végül eléri az emberi szem szintjét, és bizonyos szempontból meghaladja az emberi szemet, messzebbre látni, tisztábban látni.
Beszéljen a nagy látásmodellről
A nagy vizuális modell egyre intelligensebb lesz
Yao-Nan Wang: A Big Language Model egy adatvezérelt mesterséges intelligencia, amely a könyvekből, a nyelvből és a szövegből származó ismereteket adatként használja fel egy neurális hálózati modell képzésére, amely képes okoskodni és válaszolni a tanultak alapján.
A nagy vizuális modell adatai viszont főként különféle képekből származnak, köztük az emberek és a természet által generált vizuális adatokból. Például az orvosi nagy vizuális modell az, hogy az emberi szervek és elváltozások képeit vizuális adatként bevisszük a nagy modellbe, majd megtanulják megszerezni, hogy az orvoshoz hasonlóan tudja olvasni a CT-képeket, és elérje a a páciens állapotának felmérése fényképezés után, amikor a beteg orvoshoz érkezik.
A jelenlegi vizuális modell nem olyan, mint az emberi agy, mint ahogyan elképzeljük, a szakadék még mindig nagyon nagy. A tanulási adatok gyarapodásával és a modellparaméterek beállításával a modell egyre nagyobb és több tudású lesz, intelligenciaszintje pedig egyre magasabb és okosabb lesz.
Növelnünk kell az aritmetikai teljesítmény szintjét és fel kell gyorsítanunk a számítási sebességet, hogy gyorsabban tudjunk modelleket készíteni; jobb modellarchitektúrák tervezése, beleértve a jobb értelmezhetőséget, valamint biztonságosabb és ellenőrizhetőbbet; és hatékonyabb tanulási algoritmusok kutatására.
Ami azt illeti, a vizuális makromodellezés nem újdonság az elmúlt években, lépésről lépésre fejlődött. Az 1980-as években, a mesterséges intelligencia fejlődésével az emberek elkezdték tanulmányozni a neurális hálózatokat. Csupán arról van szó, hogy az elmúlt néhány évben az aritmetikai és algoritmikus képességek megnövekedtek, így az emberek megpróbálhatnak nagy modelleket építeni, ami nagy nyelvi modelleket és nagy vizuális modelleket eredményez. A múltban, amikor nem volt elegendő számtani erő, az emberek nem készítettek ekkora modelleket.
A 2024-es kilátásokról beszélünk
Reméljük, hogy az üzlet Guangzhouból az egész országra és a világra nő.
Yaonan Wang: A Hunan Egyetem Robot Vizuális Percepciós és Vezérlési Technológiával foglalkozó Nemzeti Mérnöki Kutatóközpontja 2022-ben Guangzhou Zengchengbe költözött, amely a Guangdong-Hongkong-Makaó-öböl térségében található, és létrehozta a HU Guangdong-Hong Kong-Macao Greater Bay-t. Területi Innovációs Kutatóintézet (Guangzhou Zengcheng).
Az Intézet a gépek intelligens látásmódjának kutatására és alkalmazására fókuszál, ideértve az intelligens gyártás, az orvostudomány és a gyógyszeripar területén működő speciális kezelőrobotokat, valamint az általánosított nagylátómodelleket. Például ezeket a kutatásokat a feldolgozóiparban alkalmazzák, amely nagyszámú munkaerőt helyettesíthet, és teljessé teheti a termékminőség ellenőrzését, különösen a 3C és a high-end alkatrésziparban. Jelenleg az intézet szoftver- és hardverrendszereket fejlesztett ki, amelyek fő feladata a guangdongi vállalkozások digitális és intelligens átalakulásának elősegítése és a feldolgozóipar fejlődésének elősegítése.
Ezen túlmenően az Intézet intelligens gépi látás- és vezérlőrendszereket is végez, amelyeket elsősorban csúcskategóriás intelligens berendezések, például ipari internetes szoftverek gyártásánál használnak, amelyek nagyon sok algoritmussal rendelkeznek.
Guangdong a reformok és a nyitás élvonala, valamint a fő gazdasági csatatér, teljes ipari lánccal és ellátási lánccal, valamint számos gyártó vállalattal, elsősorban a piaci kereslet miatt jöttünk Guangdong elrendezésébe. Ezen túlmenően, a kutatóközpont számos K + F-csoport Guangdongban landolt egy csomó projekt, az átalakulás a tudományos és technológiai eredményeket.
2023 első felében bizonyos kihívásokkal szembesültünk, elsősorban az alkatrész- és alkatrészellátásban. 2024-ben úgy gondolom, hogy ezek a problémák megoldódnak, és javul a guangdong-i AI-ipar ipari lánca, ellátási lánca és K+F-képessége. A nagy hazai piacon új pályák nyílnak majd. Lendületes légkörben, mindenki kezdeményező, cselekvő és újító módon, a kihívások mind megoldhatók.
Bízom a guangdongi AI-ipar fejlődésében. Az elmúlt 30 évben rengeteg erőfeszítést tettünk a tudomány és a technológia önellátóvá tételére, és sok tudományos kutatási eredményt halmoztunk fel. Guangdong Kína legnagyobb gazdasági tartománya.
A mesterséges intelligencia és a robotika, amellyel foglalkozunk, egy jó lehetőséghez utolért, amely az elmúlt két évben robbanásszerűen nőtt, számos új piacot hozott és új ipari pályákat húzott be. Egyre több intelligens terminál lesz a jövőben, ami a termelő létesítmények és a berendezésipar fejlődését is eredményezi. Bízom benne, hogy 2024-ben a guangzhoui Zengchengben működő kutatóintézetünk az egész országba és a világba eljuttathatja vállalkozásunkat.