Elias legt het onderzoek achter de koppen uit in gewone taal.
Geïnspireerd door dit verhaal? Maak van het idee in seconden je eigen AI-kunst — gratis beginnen, geen kaart nodig.
Gratis aan de slagKies een companion en ontdek wat die van dit verhaal vindt
OpenAI heeft aangekondigd dat zijn AI-modellen de exponentiële tijdshypothese (ETH) hebben weerlegd, een fundamenteel vermoeden in de computationele complexiteitstheorie, wat suggereert dat bepaalde computationeel moeilijke problemen efficiënter kunnen worden opgelost dan eerder werd aangenomen. Deze ontwikkeling, indien onafhankelijk geverifieerd, zou diepgaande implicaties kunnen hebben voor het optimaliseren van algoritmen in verschillende velden, inclusief die gebruikt in AI-beeld- en videogeneratie.
De aankondiging van OpenAI richt zich op de exponentiële tijdshypothese (ETH), die stelt dat een brede klasse van computationele problemen, waaronder het Booleaanse satisfiability-probleem (SAT), niet kan worden opgelost in sub-exponentiële tijd ten opzichte van het aantal variabelen. Eenvoudiger gezegd, ETH suggereert dat voor bepaalde problemen de tijd die nodig is om een oplossing te vinden ongelooflijk snel toeneemt naarmate de omvang van het probleem groter wordt, waardoor ze praktisch onmogelijk op te lossen zijn boven een bepaalde schaal. Het bedrijf stelt dat zijn AI-modellen methoden hebben gevonden om deze beperking te omzeilen, wat een potentieel pad biedt naar snellere oplossingen voor problemen die voorheen als onoplosbaar werden beschouwd.
Voor makers die AI gebruiken voor beeld- en videogeneratie, kunnen de praktische implicaties van een weerlegde ETH aanzienlijk zijn. Veel processen in AI-kunst, van de diffusiestappen in tekst-naar-beeldmodellen tot het renderen van complexe 3D-scènes gegenereerd door AI, zijn computationeel intensief. Als algoritmen kunnen worden ontwikkeld die efficiënter zijn dankzij deze doorbraak, zouden kunstenaars een directe impact op hun workflows kunnen zien.
Dit zou zich kunnen manifesteren als merkbaar snellere generatietijden voor afbeeldingen met hoge resolutie of langere, gedetailleerdere videosequenties. De mogelijkheid om complexe prompts of ingewikkelde scènebeschrijvingen te verwerken met minder computationele overhead zou ook de kosten kunnen verlagen die gepaard gaan met het genereren van AI-kunst, met name voor gebruikers die afhankelijk zijn van cloudgebaseerde GPU-bronnen. Stel je voor dat je een zeer gedetailleerde, fotorealistische afbeelding met tientallen afzonderlijke elementen in seconden kunt genereren, in plaats van minuten, of een AI-geanimeerde sequentie van een minuut kunt renderen in uren in plaats van dagen.
De AI-modellen van OpenAI hebben naar verluidt een manier gevonden om een fundamentele computationele limiet te omzeilen.
Afbeelding: The Verge / The Verge AI
De reactie van de wetenschappelijke gemeenschap op de claims van OpenAI is gemengd, waarbij veel onderzoekers de wens uiten voor meer transparantie en peer-reviewed details. Zoals The Verge meldde, groeit het sentiment onder sommige onderzoekers dat de aanpak van OpenAI bij het aankondigen van doorbraken soms prioriteit geeft aan impact boven gedetailleerde wetenschappelijke openbaarmaking, een punt dat werd herhaald in de discussies van TechCrunch met MIT-computerwetenschappers. Dit patroon van het aankondigen van belangrijke bevindingen zonder onmiddellijke, volledige technische papers voor onafhankelijke verificatie heeft geleid tot oproepen tot grotere openheid, met name met betrekking tot ontdekkingen die lang gekoesterde computationele theorieën uitdagen. Eerder dit jaar kondigde OpenAI ook drie nieuwe wetenschappelijke ontdekkingen aan op het gebied van wiskunde, informatica en natuurkunde die zijn ontwikkeld met behulp van zijn AI-modellen, eveneens begeleid door externe experts.
Als deze bevindingen standhouden, zouden modelontwikkelaars efficiëntere algoritmen kunnen integreren in toekomstige AI-generatiemodellen. Dit zou modellen in staat kunnen stellen een grotere mate van complexiteit in hun interne representaties te verwerken of complexere optimalisaties uit te voeren tijdens het generatieproces. Voor gebruikers zou dit kunnen leiden tot modellen die niet alleen sneller zijn, maar ook beter in staat zijn om genuanceerde prompts te interpreteren, ruimtelijke relaties te begrijpen of consistente karakters te genereren over meerdere afbeeldingen of videoframes. Makers zouden de grenzen van hun prompts kunnen verleggen, wetende dat de onderliggende modellen beter zijn uitgerust om de computationele belasting aan te kunnen. Voor degenen die geïnteresseerd zijn in het optimaliseren van hun creatieve proces, kan het begrijpen van de computationele ruggengraat van AI-modellen de promptingstrategieën aanzienlijk verbeteren.
Hoewel de volledige wetenschappelijke details en onafhankelijke verificatie nog in behandeling zijn, biedt het vooruitzicht van het overwinnen van fundamentele computationele limieten een spannende toekomst voor AI-gedreven creativiteit. Het suggereert een toekomst waarin de beperkingen van wat AI kan genereren minder gaan over pure rekenkracht en meer over verfijnde algoritmen en innovatief modelontwerp.
