Google DeepMind liderliğindeki bir araştırma konsorsiyumu, yapay genel zekaya giden bir yol olarak Görüşsel Genel Zekayı (VGI) öneren bir beyaz kağıt yayımladı — dil yerine görsel deneyime dayalı bir yaklaşım.
26 Ağustos'ta arXiv'de yayınlanan makale, AGI gelişiminin baskın dil-merkezli bakış açısını sorguluyor. Büyük dil modelleri (GPT gibi) web ölçekli metin üzerinde otoregresif eğitim yoluyla dikkat çekici transfer yetenekleri göstermiş olsa da, yazarlar görüşün zeka için dilde daha temel ve fiziksel olarak daha köklü bir temel sağlayabileceğini savunuyor.
"Görüntüler, videolar ve geometri gibi görsel modalitelerden hangi yetenekler ve zeka biçimleri ortaya çıkabilir?" diye soruyor makale. Yazarlar, Google DeepMind'dan Hirokatsu Kataoka liderliğinde ve Oxford, CMU ve diğer kurumlardan araştırmacıları içeriyor, görüşsel zekanın üretken video modellerinin ölçeklendirilmesi yoluyla genel zekaya doğru gelişebileceğini öne sürüyor — tıpkı GPT'nin dil modellemesini nasıl ölçeklendirdiği gibi.
Makale, sahnelerin temel fiziksel yapısının yeniden kazanılması (geometri, malzemeler, durum ve dinamikler), felaket unutma olmadan ömür boyu öğrenme, aktif algı ve statik doğruluk ölçütleri yerine fiziksel tutarlılık, yaratıcılık ve sürekli adaptasyona odaklanan yeni değerlendirme metrikleri gibi birkaç temel ilkeyi ortaya koyuyor.
Temel bir argüman, karmaşık görsel sistemlerin insan dilinden yüz milyonlarca yıl önce evrimleşmiş olmasıdır; bu da görüşün çevre, nedensellik ve uzamsal ilişkileri anlamanın birincil itici gücü olarak hizmet ettiğini gösterir.
