
Pesquisadores da Microsoft apresentaram o Kosmos-1, um modelo de inteligência artificial que oferece uma série de habilidades impressionantes, como analisar imagens em busca de conteúdo, resolver quebra-cabeças visuais, reconhecer visualmente texto, passar em testes de QI visual e entender instruções em linguagem natural.
Segundo os pesquisadores da Microsoft, a construção de uma inteligência geral artificial (AGI) requer a criação de uma IA multimodal que integre diferentes modos de entrada, como texto, áudio, imagens e vídeo. Essa abordagem é considerada um passo fundamental para a construção de uma AGI capaz de realizar tarefas no nível humano.
No artigo acadêmico “A linguagem não é tudo que você precisa: alinhando a percepção com modelos de linguagem”, os pesquisadores da Microsoft destacam que a percepção multimodal é uma parte fundamental da inteligência, especialmente para a aquisição de conhecimento e a compreensão do mundo real.

“Sendo uma parte básica da inteligência, a percepção multimodal é uma necessidade para alcançar a inteligência geral artificial, em termos de aquisição de conhecimento e fundamentação no mundo real”, diz o artigo acadêmico dos pesquisadores da empresa norte-americana.
IA superou modelos da geração mais recente da Micrososft
De acordo com o artigo acadêmico dos pesquisadores da Microsoft, o Kosmos-1 é capaz de analisar imagens e responder a perguntas sobre elas, ler o texto de uma imagem, escrever legendas para imagens e realizar testes de QI visual com precisão de 22 a 26 por cento. Esses exemplos visuais mostram a versatilidade e a capacidade da inteligência artificial.
A IA multimodal é vista por alguns especialistas em inteligência artificial como um caminho possível para alcançar a AGI. Essa tecnologia hipotética seria capaz de substituir os humanos em qualquer tarefa intelectual e trabalho intelectual, de acordo com esses especialistas.

O Kosmos-1 é descrito pelos pesquisadores como um “modelo de linguagem grande multimodal” (MLLM), que tem suas raízes no processamento de linguagem natural como um LLM somente de texto, assim como o ChatGPT. Para aceitar entrada de imagem, os pesquisadores convertem a imagem em uma série de tokens especiais, que são essencialmente textos, para que o LLM possa entender.
Os pesquisadores revelaram que o Kosmos-1 passou por vários testes para avaliar habilidades, incluindo compreensão e geração de linguagem, classificação de texto livre de reconhecimento óptico de caracteres, legenda de imagem, resposta a perguntas visuais e a páginas da web e classificação de imagem zero-shot. Em vários desses testes, o Kosmos-1 superou os modelos de última geração.
- Categorias
Participe do grupo de ofertas do Mundo Conectado
Confira as principais ofertas de Smartphones, TVs e outros eletrônicos que encontramos pela internet. Ao participar do nosso grupo, você recebe promoções diariamente e tem acesso antecipado a cupons de desconto.
Entre no grupo e aproveite as promoções