Maya her yeni modeli benchmark'tan geçirir — önce rakamlar, asla abartı.
Bu hikâye ilham mı verdi? Fikrini saniyeler içinde kendi yapay zekâ sanatına dönüştür — ücretsiz başla, kart gerekmez.
Ücretsiz başlaBir arkadaşını seç ve bu haber hakkındaki görüşünü öğren
Yapay zeka girişimi Goodfire'da araştırmacı olan Nick Cammarata, sinir ağlarının yaygın olarak inanıldığından önemli ölçüde daha az eğitim verisine ihtiyaç duyabileceğini iddia eden 26.000 kelimelik bir blog yazısıyla yapay zeka topluluğunda bir tartışma başlattı. Bu iddia, yaratıcılar için daha verimli ve erişilebilir yapay zeka modellerine yol açabilir.
Cammarata'nın "Sinir ağlarının doğası hakkında iyi haberlerim olduğunu düşünüyorum" başlıklı yazısında detaylandırdığı temel argümanı, büyük modeller için mevcut eğitim metodolojilerinin verimsiz olduğunu öne sürüyor. Yapay zeka modellerinin, şu anda kendilerine beslenen verinin bir kısmıyla optimum performansa ulaştığını ve ek eğitimin çoğunun gereksiz olduğunu belirtiyor. Yapay zeka sanatı yaratıcıları için bu, daha hızlı yineleme yapılabilen ve potansiyel olarak daha ucuza çalıştırılabilen daha çevik modellere dönüşebilir, bu da büyük hesaplama yükü olmadan özel stiller ve uzmanlaşmış içerik üretimi için yeni olanaklar açar.
Yapay zeka geliştirmede yaygın olan ve genellikle yerleşik ölçeklendirme yasaları tarafından yönlendirilen görüş, daha fazla verinin genellikle daha iyi modellere yol açtığı yönündeydi. Cammarata'nın sezgisel olmayan bulgusu, bunun evrensel olarak doğru olmayabileceğini veya en azından verimlilik eğrisinin beklenenden çok daha erken bir noktada plato çizdiğini öne sürüyor. Hipotezi geçerliyse, model mimarisine ve eğitimine yaklaşımımızı temelden yeniden tanımlayacak, potansiyel olarak odağı veri hacminden veri kalitesine ve daha rafine eğitim tekniklerine kaydıracaktır. Bu, geniş, çeşitli veri kümeleri edinmenin bir darboğaz olabileceği niş yapay zeka sanat stilleri veya belirli karakter tasarımları için özellikle etkili olabilir. Milyonlarca yerine sadece birkaç bin özenle seçilmiş görüntüyle benzersiz bir estetik için yüksek düzeyde uzmanlaşmış bir model eğittiğinizi hayal edin.
"Yanlış bakıyorduk."
— Nick Cammarata
Veri gereksinimlerinin bu yeniden değerlendirilmesi, yapay zeka modeli geliştirmenin ekonomisini doğrudan etkileyebilir. Daha küçük, daha verimli eğitilmiş modeller daha az hesaplama gücü gerektirecek, böylece yapay zeka yaratımının hem finansal maliyetini hem de çevresel ayak izini azaltacaktır. Charmloop gibi platformlar için bu, daha hızlı model dağıtımı ve Charmloop model kataloğunda daha çeşitli seçenekler anlamına gelebilir, çünkü geliştiriciler süper bilgisayar ölçeğinde kaynaklara ihtiyaç duymadan yeni konseptleri pazara sunabilirler. Ayrıca, bireysel sanatçılar için yaratıcı kontrolü ve gizliliği artırarak, daha yetenekli modelleri tüketici donanımında yerel olarak çalıştırma olasılığını da artırır.
Daha az verinin daha verimli bağlantılara yol açtığı optimize edilmiş sinir ağı eğitimi için görsel bir metafor.
Şu anda, birçok yapay zeka sanat üreteci, karmaşık istemleri yorumlamalarına ve geniş bir stil yelpazesi oluşturmalarına olanak tanıyan devasa veri kümeleri üzerinde eğitilmiş modellerden yararlanmaktadır. Cammarata haklıysa, gelecekteki modeller, verilerin en uygun şekilde seçilmesi koşuluyla, önemli ölçüde daha az eğitim verisiyle benzer veya hatta üstün çıktı kalitesi elde edebilir. Bu, modelleri belirli talimatlara daha duyarlı hale getirerek istemlendirme sürecini kolaylaştırabilir, çünkü daha az ilgili bilginin ezici hacmiyle 'seyreltilmeyeceklerdir'. Yaratıcılar, son derece spesifik istemlerin daha kesin sonuçlar verdiğini, bir modeli genelleştirilmiş eğitim verileri denizinde yönlendirmek için kapsamlı istem mühendisliğine olan ihtiyacı azaltacağını görebilirler.
Cammarata'nın iddiaları şu anda teorik olsa ve henüz resmi hakem değerlendirmesinden geçmemiş olsa da, yapay zeka araştırma topluluğunda önemli tartışmalara yol açmıştır. Bu bulguların doğrulanması halinde, verimlilik ve hedeflenmiş eğitime odaklanan yeni bir yapay zeka modeli geliştirme çağını başlatabilir ve yapay zeka sanatı yaratımı için manzarayı temelden değiştirebilir. Bu değişim, daha küçük ekipleri ve bireysel yaratıcıları yüksek düzeyde uzmanlaşmış araçlar geliştirmeye teşvik edebilir, böylece birkaç büyük şirketin eğittiği modellere mevcut bağımlılığın ötesine geçebilir. Bu, özel yapay zeka sanatında bir yenilik patlamasına yol açabilir, yaratıcılara dijital çıktıları üzerinde eşi benzeri görülmemiş bir kontrol sunabilir ve sanatsal ifade için yeni yollar açabilir. Bu paradigma değişimi, gelişmiş yapay zeka yeteneklerini daha erişilebilir hale getirebilir, potansiyel olarak yüksek kaliteli görüntü üretimi ve daha geniş bir kitle için karakter oluşturma maliyetini düşürebilir.
