Очеловечивание технологий.
На днях мне пришла в голову интересная мысль, которой хотелось бы поделиться.
Поговорим немного об истории, при этом истории известной мне, без углубления в просторы гугла.

2012 год. Выходит статья AlexNet, которая запустила эту самую нейросетевую революцию (в компьютерном зрении), которая не ясно остановится ли однажды. Мотив для хайпа: люди впервые в 2012 году заметили, что эта технология (существующая с середины 20 века) способна решать повседневные задачи не хуже, чем человек.

От AlexNet до сегодняшних архитектур прошел большой путь, но цель оставалась та же: замена daily routine на усилия бездушной машины. Постепенно начали решаться задачи классификации, сегментации, детекции, трекинга, идентификации и тд., а, самое главное, начало приходить осознание, что если постараться, то получив много данных и применив какие-то модели (сильно схожие по своей сути между собой) вы решите каждую свою визуальную задачу с любой заявленной точностью.

2017 год. Статья "Attention is all you need" представляет общественности новый подход к анализу текстов. После чего (мне как специалисту в CV видится NLP область именно так) и эта область начинает переходить от грустного решения задачи перевода к осознанию, что можно решить все.

2020 год. Выходит статья про VIT, декларирующая что-то очень громкое: с картинками и с текстами можно работать одинаково, беря за основу статью из предыдущего абзаца. Человечество выдыхает полной грудью, ведь не считая звуковых данных, текст и картинки это основа имеющейся у нас информации.

2021 год. VIT дал удочку, саму идею схожести двух доменов. Но человечеству нужна была рыба и вот она: CLIP. Конкретный и очень простой пример как превратить текст в картинку и наоборот, превратив две сущности совсем в единое целое.

Тем самым закрывается целая глава, связанная с дискриминативными моделями. Задача идентификации в широком смысле этого слова закрыта. Теперь человечеству понятно на каких идеях будет построено решение той или иной задачи.

После такой длинной вводной части самое время перейти к мысли из-за которой родился этот пост. Сегодня на хайпе две технологии: LLM и диффузионки. Я размышлял почему именно эти технологии сейчас так горячи и вот о чем подумал.

Людям свойственно очеловечивать все, что их окружает, такое своеобразное проявление нарциссизма. Собака ведет себя как человек, дождь - значит кто-то плачет на небесах, а также множество споров у каких машин более красивое "лицо".

Задача идентификации, описанная выше, больше похожа на орудие труда, нежели на что-то самостоятельное. Это орудие хорошо освоено уже сейчас, пускай изобретается все больше наворотов. Да и в целом любые дискриминативные задачи формулируются как "повтори-ка за человеком", а значит ограничены нашим сознанием.

Всегда куда больший трепет и дискуссии вызывали образ "творца" и загадки человеческого подсознания. LLM и диффузионки объединяет то, что они решают совершенно новый, куда более очеловеченный тип задач, а именно, генеративные задачи.

Генерация картинки и текста начинает граничить с деторождением (генерация личностей), созданием произведения искусства, а в этом куда больше загадочного и при этом куда больше простора для открытий и познания мира.

Безусловно, эти технологии еще и круто работают уже сейчас, помогая всем нам писать дипломы, делать домашку, закрывать задачи на работе. Но является ли моя мысль одной из причин такой большой популярности среди самых широких масс населения - пиши в комментариях, подискутируем!

P.S. Пост слегка затянулся, спасибо если дочитал его. В нем я частично затронул тему мультимодальности, думаю, что в ближайшее время выпущу череду постов об этом - ждите!

#технологии #эйай #мультимодальность

@lechim_ai