Dzięki rozwojowi sztucznej inteligencji napędzanej przez model dużego języka, badania i zastosowanie ikonografii graficznej zapoczątkowały nową okazję, która promuje rozwój dużego modelu języka do dużego modelu wizji. 30 grudnia 2023 r., z okazji Sylwestra i Nowego Roku, Wang Yaonan, akademik Chińskiej Akademii Inżynierii i dyrektor Narodowego Centrum Badań Inżynieryjnych nad Technologią Percepcji Wizualnej Robotów, podzielił się najnowszymi trendami w rozwoju inteligencji widzenia maszynowego na 19. Konferencji Młodych Naukowców Chińskiego Towarzystwa Grafiki Graficznej.
W ekskluzywnym wywiadzie dla reportera Nandu, Wang Yaonan powiedział, że sztuczna inteligencja sprawia, że widzenie maszynowe jest inteligentne, a wyższa moc arytmetyczna może wspierać szkolenie dużych modeli wizualnych. Jednak inteligentniejsze duże modele wizyjne wymagają również wyższych poziomów arytmetycznych, lepszych architektur modeli i skuteczniejszych algorytmów uczenia się.
Organizatorami konferencji są Chińskie Towarzystwo Grafiki Obrazowej, Pazhou Lab, Południowochiński Uniwersytet Technologiczny, Uniwersytet Sun Yat-sena oraz Komitet Roboczy Młodzieży Chińskiego Towarzystwa Grafiki Obrazowej.
Rozmowa o trendach w branży
Od obliczeń wizualnych do inteligencji wizualnej
Yao-Nan Wang: Chińskie badania nad wizją maszynową mają historię liczącą prawie 40 lat, początkowo zaczynając od badania czujników, czyli: przekształcania informacji świetlnych w informacje obrazowe. Następną rzeczą do zrobienia jest przetwarzanie wizji, w tym ulepszanie uzyskanego obrazu, aby był wyraźniejszy.
Po uzyskaniu wyraźnego obrazu musimy uzyskać interesujący nas cel ze zdjęcia. Na przykład w dziedzinie jazdy bez kierowcy, widzenie maszynowe musi wykryć cele na zdjęciu, aby odpowiedzieć na pytanie, który jest człowiekiem, a który samochodem.
Oto, co nazywamy trzema głównymi obszarami widzenia maszynowego. Sprowadzam to do: obrazowania, przetwarzania i rozumienia.
Wizja maszynowa przeszła od obliczeń wizualnych w przeszłości do dzisiejszej inteligencji wizualnej. Obliczenia wizualne połączone ze sztuczną inteligencją poprawiły poziom poznania i zwiększyły zdolność rozumienia złożonych środowisk, a cała branża inteligencji wizualnej odnotowała szybki rozwój w ciągu ostatniego roku.
Rozwój inteligencji maszynowej ma na celu szerokie zastosowanie w kontroli przemysłowej, inteligentnej produkcji, teledetekcji satelitarnej i innych dziedzinach.
Mówiąc o wizji maszynowej, musimy porozmawiać o jej zastosowaniu, rozwoju technologii napędzanej przez zastosowanie. Chińskie Towarzystwo Grafiki Obrazowej ma 30 specjalnych komitetów, głównie skupionych na obrazach graficznych, aby prowadzić badania, aby służyć gospodarce narodowej. Technologie te mają szeroki zakres scenariuszy zastosowań, w tym przemysł, rolnictwo, systemy informacji geograficznej, teledetekcję, zasoby gruntowe i tak dalej.
Człowiek może widzieć świat od urodzenia i rozumieć go później, a 80% informacji jest pozyskiwane przez wzrok. Wizja maszynowa ma symulować ludzkie oko, a ostatecznie osiągnąć poziom ludzkiego oka, a w niektórych aspektach przekroczyć ludzkie oko, aby widzieć dalej, widzieć wyraźniej.
Porozmawiajmy o modelu wielkiej wizji
Duży model wizualny będzie coraz inteligentniejszy
Yao-Nan Wang: Big Language Model to oparta na danych sztuczna inteligencja, która wykorzystuje wiedzę z książek, języka i tekstu jako dane do trenowania modelu sieci neuronowej, który może rozumować i odpowiadać na podstawie tego, czego się nauczył.
Dane dla wielkiego modelu wizualnego pochodzą natomiast głównie z różnych obrazów, w tym danych wizualnych generowanych przez ludzi i naturę. Na przykład medyczny duży model wizualny ma wprowadzać obrazy ludzkich organów i zmian jako dane wizualne do dużego modelu, a następnie trenować, aby je uzyskać, tak aby mógł czytać zdjęcia CT jak lekarz i mógł osiągnąć efekt rozumowania stanu pacjenta po zrobieniu zdjęć, gdy pacjent przychodzi do lekarza.
Obecny model wizualny nie jest taki sam jak ludzki mózg, jaki sobie wyobrażamy, luka jest nadal bardzo duża. Wraz ze wzrostem danych do nauki i dostosowaniem parametrów modelu, model będzie stawał się coraz większy i większy, a wiedza będzie coraz większa, a jego poziom inteligencji będzie coraz wyższy i mądrzejszy.
Musimy zwiększyć poziom mocy arytmetycznej i przyspieszyć tempo obliczeń, aby móc szybciej budować modele, projektować lepsze architektury modeli, w tym bardziej interpretowalne, bezpieczniejsze i łatwiejsze do kontrolowania, a także badać skuteczniejsze algorytmy uczenia się.
Tak naprawdę, wizualne makromodelowanie nie jest nowością w ciągu ostatnich kilku lat, rozwijano je krok po kroku. W latach 80., wraz z rozwojem sztucznej inteligencji, ludzie zaczęli badać sieci neuronowe. Po prostu w ciągu ostatnich kilku lat możliwości arytmetyczne i algorytmiczne wzrosły, dzięki czemu ludzie mogą próbować budować duże modele, co dało początek dużym modelom językowym i dużym modelom wizualnym. W przeszłości, gdy nie było wystarczającej mocy arytmetycznej, ludzie nie tworzyli tak dużych modeli.
Mówiąc o perspektywach na rok 2024
Mamy nadzieję, że nasza działalność rozszerzy się z Kantonu na cały kraj i świat.
Yaonan Wang: W 2022 roku Narodowe Centrum Badań Inżynieryjnych nad Percepcją Wizualną i Technologią Sterowania Robotów Uniwersytetu Hunan przeniosło się do Guangzhou Zengcheng, położonego w obszarze Wielkiej Zatoki Guangdong-Hongkong-Makau, i utworzyło Instytut Badań Innowacyjnych Obszaru Wielkiej Zatoki Guangdong-Hongkong-Makau (Guangzhou Zengcheng).
Instytut koncentruje się na badaniach i zastosowaniu inteligentnej wizji dla maszyn, w tym specjalnych robotów operacyjnych w dziedzinach inteligentnej produkcji, medycyny i farmaceutyki, a także uogólnionych dużych modeli wizji. Na przykład badania te są stosowane w przemyśle wytwórczym, który może zastąpić dużą liczbę pracowników i zakończyć kontrolę jakości produktu, szczególnie w przemyśle 3C i części high-end. Obecnie Instytut opracował systemy oprogramowania i sprzętu, których główną funkcją jest umożliwienie cyfrowej i inteligentnej transformacji przedsiębiorstw Guangdong i promowanie rozwoju przemysłu wytwórczego.
Ponadto Instytut zajmuje się również opracowywaniem inteligentnych systemów wizji maszynowej i sterowania, które wykorzystywane są głównie przy produkcji zaawansowanego sprzętu inteligentnego, np. oprogramowania dla przemysłu internetowego, które charakteryzuje się bardzo dużą liczbą algorytmów.
Guangdong jest na czele reform i otwarcia oraz głównym polem bitwy gospodarczej, z kompletnym łańcuchem przemysłowym i łańcuchem dostaw oraz wieloma przedsiębiorstwami produkcyjnymi, przyjechaliśmy do Guangdong layout przede wszystkim ze względu na popyt rynkowy. Ponadto nasze centrum badawcze ma szereg zespołów badawczo-rozwojowych w Guangdong, które wylądowały w wielu projektach, transformacji osiągnięć naukowych i technologicznych.
W pierwszej połowie 2023 r. napotkaliśmy pewne wyzwania, głównie w zakresie dostaw części i komponentów. Wierzę, że w 2024 r. te problemy zostaną rozwiązane, a łańcuch przemysłowy, łańcuch dostaw i możliwości badawczo-rozwojowe branży sztucznej inteligencji w Guangdong ulegną poprawie. Na dużym rynku krajowym zostaną otwarte nowe ścieżki. W tętniącej życiem atmosferze, w której każdy podejmuje inicjatywę, działa i wprowadza innowacje, wszystkie wyzwania mogą zostać rozwiązane.
Jestem pewien rozwoju przemysłu AI w Guangdong. Przez ostatnie 30 lat poczyniliśmy wiele wysiłków, aby być samowystarczalnymi w nauce i technologii oraz zgromadziliśmy wiele wyników badań naukowych. Guangdong jest największą prowincją gospodarczą w Chinach.
Obszar sztucznej inteligencji i robotyki, którym się zajmujemy, dogonił dobrą okazję, która eksplodowała w ciągu ostatnich dwóch lat, przyciągając wiele nowych rynków i nowe tory przemysłowe. W przyszłości będzie coraz więcej inteligentnych terminali, co doprowadzi również do rozwoju zakładów produkcyjnych i przemysłu urządzeń. Mam nadzieję, że w 2024 roku nasz instytut badawczy w Zengcheng, Guangzhou będzie mógł przenieść naszą działalność na cały kraj i świat.