Šiame palyginime lyginami dirbtinių neuroninių tinklų mokymo interpretuoti vaizdinius duomenis ir žmogaus biologinės regos sistemos suvokimo apie gamtinį pasaulį principai. Nors kompiuterinė rega remiasi milijonais statinių, pikselių lygmenyje anotuotų įvesties duomenų, kad išgautų matematines matricas, natūralus žmogaus suvokimas naudoja dinaminius, nuolatinius jutimo srautus, kontekstualizuotas evoliucinės biologijos ir tiesioginio kognityvinio grįžtamojo ryšio kilpų struktūrų.
Dirbtinių neuroninių tinklų optimizavimo procesas naudojant didžiules pikselių reikšmių matricas ir diskrečias matematines nuostolių funkcijas.
Biologinis procesas, kurio metu žmogaus smegenys akimirksniu interpretuoja nuolatinius, dinamiškus šviesos modelius į prasmingas aplinkas.
| Funkcija | Kompiuterinio matymo mokymai | Natūralus vaizdo suvokimas |
|---|---|---|
| Pagrindinis įvesties formatas | Diskretūs, daugiakanaliai skaitmeniniai pikselių masyvai | Nuolatiniai, dinamiški fotonų srautai tinklainės ląstelėse |
| Duomenų efektyvumas | Labai žemas; reikalingi dideli žymėti duomenų rinkiniai | Ypač aukštas; geba mokytis vienu kartu |
| Apdorojimo mechanizmas | Sluoksniuotos matricos daugybos ir konvoliucijos | Hierarchinis neuroninis impulsas regos žievėje |
| Kontekstinis sąmoningumas | Griežtai apribota mokymo duomenų šablonais | Holistinis pasaulio modelis, pagrįstas logika ir atmintimi |
| Atsparumas triukšmui | Trapus; lengvai supainiojamas dėl nedidelio pikselių triukšmo | Labai atsparus; lengvai mato didelius iškraipymus |
| Sensorinė integracija | Paprastai izoliuotas, nebent derinamas su daugiarūšėmis sistemomis | Iš prigimties suvienyta su prisilietimu, garsu ir balansu |
Dirbtinio matymo modeliai yra pagarsėję informacijos ištroškimu ir, norėdami patikimai atpažinti paprastą objektą, pavyzdžiui, dviratį, turi peržiūrėti tūkstančius nepriekaištingų pavyzdžių. Tuo tarpu žmonių vaikai pasižymi neįtikėtinu gebėjimu mokytis vos per kelis kartus, dažnai įvaldydami sąvoką pamatę ją vieną kartą iš vieno nepatogaus kampo. Šis skirtumas egzistuoja todėl, kad natūralus suvokimas neprasideda nuo nulio; jis remiasi milijonus metų trukusia evoliucine programine įranga, optimizuota fiziniam išlikimui.
Kompiuterinės regos modelis vaizdą mato kaip šaltą, plokščią skaičių, vaizduojančių raudonos, žalios ir mėlynos spalvų vertes, skaičiuoklę, apdorodama juos per griežtus matematinius filtrus. Biologinė rega regėjimą traktuoja kaip aktyvų, tiriamąjį dialogą tarp akių ir smegenų. Mūsų akys nuolat laksto po kambarį, naudodamos mikrojudesius, vadinamus sakadomis, aktyviai rinkdamos didelės raiškos detales apie dominančius taškus, o smegenys sklandžiai konstruoja supančią aplinką iš atminties.
Neuroniniai tinklai yra nepaprastai trapūs, kai susiduriama su tyčiniais ar atsitiktiniais jų regėjimo lauko pakeitimais. Pakeitę vos kelis konkrečius pikselius, tyrėjai gali apgauti modernų modelį taip, kad jis supainiotų STOP ženklą su greičio apribojimo indikatoriumi. Žmogaus suvokimas yra beveik atsparus šiems mikroskopiniams spąstams, nes mūsų smegenys ne tik žiūri į neapdorotas tekstūras; mes vienu metu analizuojame semantinį kontekstą, loginį tikėtinumą ir fizinius aplinkos apribojimus.
Kai kompiuterinės regos programa klasifikuoja objektą, ji įvertina izoliuotas statistines koreliacijas tame kontekste, nežinodama, kaip veikia fizinis pasaulis. Jei sofa redaguojama taip, kad atrodytų kybanti ore ant lubų, algoritmas greičiausiai jos neatpažins. Natūralus suvokimas veikia su galingu, integruotu fizikos varikliu. Žmonės supranta gravitaciją, gylį ir objekto pastovumą, todėl galime akimirksniu atpažinti pamestas arba iš dalies uždengtas objektus be jokių dvejonių.
Konvoliuciniai neuroniniai tinklai apdoroja vaizdus lygiai taip pat, kaip ir žmogaus smegenys.
Nors konvoliuciniai tinklai buvo laisvai įkvėpti ankstyvosios regos žievės, jie veikia labai skirtingai. Jiems trūksta masyvių grįžtamųjų ryšių, pasikartojančių kilpų ir daugiasensorinio įžeminimo, kurie apibrėžia biologinį suvokimą, todėl jų apdorojimo stilius yra daug linijiškesnis ir trapesnis.
Žmogaus akys fiksuoja nepriekaištingus, didelės raiškos vaizdo kadrus kaip aukščiausios klasės skaitmeninis fotoaparatas.
Mūsų akys iš tikrųjų fiksuoja didelės raiškos detales tik mažytėje centrinėje zonoje, vadinamoje duobute (fovea), kuri yra maždaug nykščio dydžio ištiestos rankos atstumu. Likusi mūsų plataus regėjimo lauko dalis yra neryški ir prastos kokybės; mūsų smegenys aktyviai užpildo šias spragas, naudodamos atmintį ir lūkesčius, kad sukurtų ryškaus vaizdo iliuziją.
Dirbtinio intelekto modelis, kuris duomenų rinkinyje pasiekia 99 % tikslumą, objektą suvokia taip pat aiškiai, kaip ir žmogus.
Didelio tikslumo skaičiai gali būti klaidinantys, nes modeliai dažnai naudojasi paviršutiniškais trumpesniais būdais, tokiais kaip fono tekstūrų ar apšvietimo analizė, užuot supratę tikrąją objekto formą. Pakeitus foną, modelio tariamas supratimas dažnai suyra.
Biologinis regėjimas yra grynai įvesties procesas, kai šviesa keliauja viena kryptimi iš akies į smegenis.
Natūralus suvokimas yra labai interaktyvus, žymiai daugiau neuroninių takų jungčių keliauja žemyn iš smegenų kognityvinių centrų į regos perdavimo stotis nei aukštyn iš akių. Mūsų mintys, lūkesčiai ir prisiminimai aktyviai diktuoja tai, ką fiziškai matome.
Kompiuterinės regos sistemas naudokite, kai reikia apdoroti didžiulius statinių skaitmeninių vaizdų kiekius žaibišku greičiu ir užtikrinti nepriekaištingą pikselių lygio nuoseklumą. Tačiau kurdami naujos kartos dirbtinio intelekto architektūras, kurios turi efektyviai mokytis iš minimalių duomenų ir orientuotis nenuspėjamoje, chaotiškoje fizinėje aplinkoje, atkreipkite dėmesį į natūralų vaizdo suvokimą.
„DeepSeek V4“ yra kylantis atvirojo svorio didelių kalbų modelis, sukurtas Kinijos dirbtinio intelekto laboratorijoje, o GPT-4 klasės modeliai nurodo „OpenAI“ flagmanines uždarojo kodo sistemas. Šiame palyginime nagrinėjama jų architektūra, galimybės, kainos, prieinamumas ir našumas realiame pasaulyje, siekiant padėti kūrėjams ir įmonėms išmintingai pasirinkti.
„Google“ paieška yra plataus masto žiniatinklio indeksavimo variklis, kurį dauguma žmonių naudoja kasdien, o „Knowledge Graph Search“ yra „Google“ struktūrizuotų objektų duomenų bazė, kurioje pateikiami tiesioginiai atsakymai ir informacijos skydeliai. Supratimas, kuo jie skiriasi, padeda paaiškinti, kodėl kai kurios užklausos pateikia išsamius faktus, o kitos – tradicines mėlynas nuorodas.
„Google“ paieškos algoritmas reitinguoja milijardus tinklalapių, naudodamas mašininį mokymąsi ir šimtus signalų, o supaprastinti klasių modeliai perteikia dirbtinio intelekto koncepcijas į lengvai mokomas, prieinamas sistemas. Viena sistema veikia planetos mastu gamyboje; kita tarnauja kaip pedagoginis tiltas mokiniams, mokantis, kaip iš tikrųjų veikia dirbtinis intelektas.
„Vienas su vienu“ atitikimo metodas kiekvienam pagrindiniam objektui priskiria vieną numatomą langelį, o „daugelis su vienu“ atitikimo metodas leidžia kelias prognozes suderinti su vienu taikiniu. Abi strategijos formuoja tai, kaip šiuolaikiniai detektoriai, tokie kaip DETR ir „Faster R-CNN“, mokosi lokalizuoti objektus, kiekvienas iš jų turi skirtingus kompromisus tikslumo, mokymo stabilumo ir pasikartojančių aptikimų tvarkymo srityse.
A/B testavimas modeliuose nukreipia srautą tarp konkuruojančių modelio versijų, kad būtų galima įvertinti realų našumą, o diegiant vieną modelį visiems vartotojams pateikiamas vienas modelis. Komandos renkasi iš jų pagal rizikos toleranciją, srauto kiekį ir statistinio patvirtinimo poreikį prieš visišką diegimą.
