Yapay zeka kadar hızlı hareket eden bir sektöre ayak uydurmak zorlu bir iştir. Yani bir yapay zeka bunu sizin için yapana kadar, kendi başımıza ele almadığımız dikkate değer araştırma ve deneylerin yanı sıra, makine öğrenimi dünyasındaki son hikayelerin kullanışlı bir özetini burada bulabilirsiniz.
Bu hafta Google, yeni amiral gemisi çok modlu yapay zeka modeli Gemini ile ilgili duyurularla kanalları doldurdu. Şirketin başlangıçta iddia ettiği kadar etkileyici olmadığı ortaya çıktı; daha doğrusu, Google’ın bu hafta piyasaya sürdüğü modelin (Gemini Pro) “lite” versiyonu öyle değil. (Google’ın sahte ürün demosu yapmasının bir önemi yok.) Modelin tam sürümü olan Gemini Ultra hakkındaki kararımızı, gelecek yılın başlarında çeşitli Google uygulamaları ve hizmetlerinde yerini almaya başlayana kadar saklı tutacağız.
Ancak chatbotlardan yeterince bahsettik. Bana göre daha önemli olan şey, çalışma haftasına zar zor sığdırılan bir finansman turudur: Mistral Yapay Zeka 2 milyar dolarlık değerlemeyle 450 milyon avro (~484 milyon dolar) artırıldı.
Mistral’ı daha önce ele almıştık. Eylül ayında, Google DeepMind ve Meta mezunlarının ortak kurduğu şirket, o zamanlar kendi boyutunda diğerlerinden daha iyi performans gösterdiğini iddia ettiği ilk modeli Mistral 7B’yi piyasaya sürdü. Mistral, Cuma günkü bağış toplama öncesinde Avrupa’nın bugüne kadarki en büyük tohum turlarından birini kapattı ve henüz bir ürün piyasaya sürmedi.
Meslektaşım Dominic, Paris merkezli Mistral’in kaderinin kapsayıcılık konusunda endişe duyan birçok kişi için bir tehlike işareti olduğuna haklı olarak işaret etti. Startup’ın kurucu ortaklarının tamamı beyaz ve erkek ve akademik olarak The New York Times’taki pek çok kişinin homojen, ayrıcalıklı profiline uyuyorlar. şiddetle eleştirildi liste AI değişim yaratıcılarından.
Aynı zamanda, yatırımcılar Mistral’ı ve bir dönem rakibi olan Almanya’nın Aleph Alpha’sını Avrupa’nın çok verimli (şu anda) üretken yapay zeka alanına bayrağını dikme fırsatı olarak görüyor gibi görünüyor.
Şimdiye kadar en büyük profilli ve en iyi finanse edilen üretken yapay zeka girişimleri ABD’de gerçekleşti. OpenAI. Antropik. Çekim AI. Tutarlı olun. Liste devam ediyor.
Mistral’in şansı birçok açıdan yapay zeka egemenliği mücadelesinin küçük bir örneğidir. Avrupa Birliği (AB), bir yandan başka bir teknolojik sıçramada geride kalmaktan kaçınmak, bir yandan da teknolojinin gelişimine yön verecek düzenlemeler getirmek istiyor. Almanya Şansölye Yardımcısı ve Ekonomik İşler Bakanı Robert Habeck yakın zamanda alıntı şöyle konuştu: “Yapay zeka sektöründe kendi egemenliğimize sahip olmamız düşüncesi son derece önemli. [But] Avrupa en iyi düzenlemelere sahipse ancak Avrupalı şirketler yoksa pek bir şey kazanamayız.”
Girişimcilik-düzenleme ayrımı, AB yasa yapıcılarının yapay zeka sistemlerinin riskini sınırlandıracak politikalar üzerinde bir anlaşmaya varmaya çalışmasıyla bu hafta keskin bir şekilde ortaya çıktı. Mistral liderliğindeki lobiciler, son aylarda üretken yapay zeka modelleri için tam bir düzenleyici düzenleme yapılması yönünde baskı yaptı. Ancak AB yasa koyucuları şimdilik böyle bir muafiyete direndiler.
Bütün bunlar söylendiğine göre Mistral ve onun Avrupalı rakiplerine çok şey bağlı; AB politika yapıcıları yapay zekaya yeni kısıtlamalar getirdiğinde sektör gözlemcileri ve ABD’deki yasa koyucular şüphesiz yatırımlar üzerindeki etkiyi yakından izleyecekler. Mistral bir gün mevcut düzenlemelerle OpenAI’ye meydan okuyabilecek kadar büyüyebilir mi? Yoksa düzenlemelerin caydırıcı etkisi mi olacak? Bunu söylemek için henüz çok erken ama kendimizi görmek için sabırsızlanıyoruz.
İşte son birkaç güne ait diğer AI hikayeleri:
- Yeni bir yapay zeka ittifakı: Meta, açık bir şekilde kaynak göz yaşıyapay zekanın zihin paylaşımına yönelik devam eden savaşta etkisini yaymak istiyor. Sosyal ağ, yapay zekada “açık inovasyonu” ve “açık bilimi” destekleyen bir sektör kuruluşu olan AI Alliance’ı kurmak için IBM ile birlikte çalıştığını duyurdu; ancak art niyetler çok fazla.
- OpenAI Hindistan’a dönüyor: Ivan ve Jagmeet, OpenAI’nin hükümetle AI politikası hakkında görüşmeleri kolaylaştırmak için eski Twitter Hindistan başkanı Rishi Jaitly ile kıdemli danışman olarak çalıştığını bildirdi. OpenAI aynı zamanda Hindistan’da yerel bir ekip kurmayı da düşünüyor ve Jaitly, yapay zeka girişiminin Hindistan politika ve düzenleyici ortamında gezinmesine yardımcı oluyor.
- Google, yapay zeka destekli not almayı başlattı: Bu yılın başlarında duyurulan Google’ın yapay zeka not alma uygulaması NotebookLM, artık 18 yaş ve üzeri ABD’li kullanıcıların kullanımına sunuldu. Lansmanı kutlamak için deneysel uygulama, Google’ın “belgeyi anlama ve akıl yürütmeye yardımcı olacağını” söylediği yeni geniş dil modeli Gemini Pro ile entegrasyona kavuştu.
- OpenAI düzenleyici inceleme altında: OpenAI ile büyük bir destekçi ve ortak olan Microsoft arasındaki samimi ilişki, Birleşik Krallık’taki Rekabet ve Piyasalar Otoritesi tarafından iki şirketin son dönemdeki dramanın ardından etkin bir şekilde “ilgili bir birleşme durumunda” olup olmadığı konusunda başlatılan yeni bir soruşturmanın odak noktası haline geldi . FTC’nin aynı zamanda Microsoft’un koordineli bir çaba olarak görünen OpenAI yatırımlarını da araştırdığı bildiriliyor.
- AI’ya kibarca sormak: Eğitim verilerindeki önyargılar bir yapay zeka modeline eklenirse önyargıları nasıl azaltabilirsiniz? Antropik, lütfen nazik bir şekilde istemenizi öneriyor, lütfen ayrımcılık yapmayın yoksa birisi bizi dava edecek. Evet gerçekten. Devin’de tüm hikaye var.
- Meta, AI özelliklerini kullanıma sunuyor: Bu hafta yapay zeka ile ilgili diğer güncellemelerin yanı sıra, Meta’nın üretken yapay zeka deneyimi olan Meta yapay zeka, istendiğinde görsel oluşturma yeteneğinin yanı sıra Instagram Reels desteği de dahil olmak üzere yeni yetenekler kazandı. “Yeniden hayal etme” adı verilen ilk özellik, grup sohbetlerindeki kullanıcıların istemlerle AI görüntülerini yeniden oluşturmasına olanak tanırken, ikincisi gerektiğinde kaynak olarak Reels’a başvurabilir.
- Respeecher nakit alıyor: Ukraynalı sentetik ses girişimi Respeecher (belki de en çok James Earl Jones ve onun ikonik Darth Vader sesini bir Star Wars animasyon şovu için, daha sonra da The Mandalorian için daha genç bir Luke Skywalker’ı kopyalamak için seçilmesiyle biliniyor) sadece bomba yağmasına rağmen başarıya ulaşmıyor Devin, şehirlerine kötü davrandıklarını, ancak bazen tartışmalı rakiplerin ortaya çıkmasına neden olan bir abartı dalgası olduğunu yazıyor.
- Sıvı sinir ağları: Robot biliminin önde gelen isimlerinden Daniela Rus’un ortak kurduğu bir MIT yan ürünü Sıvı sinir ağı adı verilen nispeten yeni bir tür yapay zeka modeliyle desteklenen genel amaçlı yapay zeka sistemleri oluşturmayı hedefliyor. Liquid AI olarak adlandırılan şirket, bu hafta aralarında WordPress’in ana şirketi Automattic’in de bulunduğu destekçilerin tohum turunda 37,5 milyon dolar topladı.
Daha fazla makine öğrenimi
Güney Afrika kıyılarında yüzen plastik yerleri tahmin ediliyor.Resim Kredisi: EPFL
Yörünge görüntüleri, makine öğrenimi modelleri için mükemmel bir oyun alanıdır; çünkü günümüzde uydular, uzmanların ayak uydurabileceğinden daha fazla veri üretiyor. EPFL araştırmacıları araştırıyor Okyanus kaynaklı plastiği daha iyi tanımlamaBu büyük bir sorun ama sistematik olarak takip edilmesi çok zor. Yaklaşımları şok edici değil – etiketli yörünge görüntüleri üzerinde bir model eğitin – ancak tekniği, bulut örtüsü olduğunda bile sistemlerinin çok daha doğru olmasını sağlayacak şekilde geliştirdiler.
Bunu bulmak elbette zorluğun sadece bir kısmı ve onu ortadan kaldırmak da başka bir şey; ancak insanlar ve kuruluşlar asıl işi yaparken ne kadar iyi istihbarata sahip olurlarsa o kadar etkili olacaklar.
Ancak her alan adında bu kadar çok görüntü bulunmaz. Biyologlar özellikle yeterince belgelenmeyen hayvanları incelemede zorluklarla karşı karşıyadır. Örneğin, nadir görülen belirli bir böcek türünün hareketlerini takip etmek isteyebilirler, ancak o böceğin görüntülerinin olmayışı nedeniyle süreci otomatikleştirmek zordur. Imperial College London’da bir grup oyun geliştirme platformu Unreal ile işbirliği içinde makine öğrenimini bu amaç için kullanıyor.
Resim Kredisi: Imperial College Londra
Unreal’da foto-gerçekçi sahneler oluşturarak ve bunları söz konusu yaratığın (karınca, sopa böceği veya daha büyük bir şey) 3 boyutlu modelleriyle doldurarak, makine öğrenimi modelleri için isteğe bağlı miktarlarda eğitim verileri oluşturabilirler. Her ne kadar bilgisayarlı görüş sistemi sentetik veriler üzerinde eğitilmiş olsa da, gerçek dünyadaki görüntülerde hala çok etkili olabilir. video gösterir.
Makalelerini Nature Communications’da okuyabilirsiniz..
Ancak oluşturulan görüntülerin tümü o kadar da güvenilir değildir. Washington Üniversitesi araştırmacılarının bulduğu gibi. Açık kaynaklı görüntü oluşturucu Stable Diffusion 2.1’i sistematik olarak çeşitli kısıtlamalara veya konumlara sahip bir “kişinin” görüntülerini üretmeye yönlendirdiler. “Kişi” teriminin orantısız bir şekilde açık tenli batılı erkeklerle ilişkilendirildiğini gösterdiler.
Sadece bu da değil, belirli yerler ve milletler, Latin Amerika ülkelerinden kadınların cinselleştirilmiş görüntüleri ve “ikili olmayan ve Yerli kimliklerin neredeyse tamamen silinmesi” gibi rahatsız edici kalıplar üretti. Örneğin, “Okyanusya’dan bir kişinin” fotoğraflarını istemek, beyaz adamlar üretir ve bölgede çok sayıda yerli halk olmasına rağmen (beyaz adam olmayan diğer insanlardan bahsetmeye bile gerek yok) hiçbir yerli halk yaratmaz. Bunların hepsi devam eden bir çalışmadır ve verilerin doğasında var olan önyargıların farkında olmak önemlidir.
Önyargılı ve şüpheli derecede faydalı modelde nasıl gezinileceğini öğrenmek birçok akademisyenin ve öğrencilerinin aklındadır. Yale İngilizce profesörü Ben Glaser ile bu ilginç sohbet ChatGPT gibi şeylerin yapıcı bir şekilde nasıl kullanılabileceği konusunda canlandırıcı derecede iyimser bir yaklaşım:
Bir sohbet robotuyla konuştuğunuzda kültürün bu belirsiz, tuhaf görüntüsünü geri alıyorsunuz. Fikirlerinize yönelik karşıt noktalar elde edebilirsiniz ve ardından bu karşı noktaların veya fikirlerinizi destekleyen kanıtların gerçekten iyi olup olmadığını değerlendirmeniz gerekir. Ve bu çıktıları okumanın bir tür okuryazarlığı var. Bu sınıftaki öğrenciler bu okuryazarlığın bir kısmını kazanıyorlar.
Her şeyden alıntı yapılıyorsa ve bu araçları da içeren ayrıntılı bir ileri-geri veya programlama çabasıyla yaratıcı bir çalışma geliştiriyorsanız, sadece çılgın ve ilginç bir şey yapıyorsunuz demektir.
Ve örneğin bir hastaneye ne zaman güvenilmeli? Radyoloji, vücut taramalarındaki sorunların hızlı bir şekilde tanımlanmasına yardımcı olmak için yapay zekanın sıklıkla uygulandığı bir alandır, ancak yanılmaz olmaktan uzaktır. Peki doktorlar modele ne zaman güvenip ne zaman güvenmeyeceklerini nasıl bilmeli? MIT bu kısmı da otomatikleştirebileceklerini düşünüyor gibi görünüyor – ama endişelenmeyin, bu başka bir yapay zeka değil. Bunun yerine, belirli bir doktorun veya görevin bir yapay zeka aracını ne zaman yararlı bulduğunu ve ne zaman buna engel olduğunu belirlemeye yardımcı olan standart, otomatik bir işe alım sürecidir.
Yapay zeka modellerinden giderek artan bir şekilde metin ve görsellerden daha fazlasını üretmesi isteniyor. Malzemeler, çok fazla hareket gördüğümüz yerlerden biridir; modeller, daha iyi katalizörler, polimer zincirleri vb. için olası adayları bulma konusunda harikadır. Startup’lar bu işin içine giriyor ama Microsoft ayrıca MatterGen adlı bir modeli de piyasaya sürdü bu “yeni, dayanıklı malzemeler üretmek için özel olarak tasarlanmıştır.”
Resim Kredisi: Microsoft
Yukarıdaki resimde görebileceğiniz gibi manyetizmadan reaktiviteye ve boyuta kadar pek çok farklı niteliği hedefleyebilirsiniz. Flubber benzeri bir kazaya veya binlerce laboratuvar çalışmasına gerek yok; bu model, bir deney veya ürün için uygun malzemeyi aylar yerine saatler içinde bulmanıza yardımcı olabilir.
Google DeepMind ve Berkeley Lab de bu tür şeyler üzerinde çalışıyor. Malzeme endüstrisinde hızla standart uygulama haline geliyor.