マイクロソフト、視覚的なコンテンツも認識するマルチモーダルAI「Kosmos-1」を発表

印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます Microsoftは、同社がマルチモーダル大規模言語モデル（MLLM）と呼ぶ新たな人工知能（AI）モデル「Kosmos-1」を発表した。Kosmos-1は言葉によるプロンプトに答えるだけでなく、視覚的なキュー（きっかけ）にも対応できるようになっている。このため、画像に説明を付けたり、画像に関連した質問に回答するなどの、さまざまなタスクに利用できる。 OpenAIの「ChatGPT」によって、GPTモデルなどの大規模言語モデル（LLM）というコンセプトとともに、テキストプロンプトや入力を出力へと変換する処理に関する可能性が一般に知られるようになった。 MicrosoftのAI研究者らは「Language Is Not All You Ne

[deejayroka]

"ChatGPTのような能力を汎用人工知能（AGI）のレベルに引き上げるには、マルチモーダル知覚、すなわち現実世界における知識獲得と、「グラウンディング」（現実世"

[misshiki]

“ChatGPTのような能力をAGIレベルに引き上げるには、マルチモーダル知覚、すなわち現実世界における知識獲得と、「グラウンディング」（現実世界での意味とコンピューター内部のシンボルの関連付け）が必要だと示唆”