人工知能は画像認識分野で非常に盛んです。猫や犬の分類などはもう時代遅れで、今では「連想ゲームPlus版」のような、例えばある特定の年式の特定のモデルのスポーツカーであること、あるいはある鳥の眉毛が隣の家の王さんの眉毛よりもわずかに太いかどうかなどを瞬時に識別することが流行しています。しかし、問題はあります。ニューラルネットワークは賢いのですが、「なぜこれがこれだと判断したのか？」を説明しようとすると、まるでテストで解法を説明できない生徒のように、支離滅裂でまともな説明ができません。従来のClass Activation Map（クラス活性化マップ）は…

人工知能技術の急速な発展に伴い、AIによって生成されたテキスト、画像、ビデオは様々な分野でますます高度に活用されるようになっています。しかし同時に、信頼性に関する危機も発生しており、虚偽情報の拡散が社会に潜在的な脅威をもたらしています。この課題に対処するため、騰訊は先日、AI技術を用いてAIによる虚偽情報を識別することを目的とした、新たなAI生成コンテンツ検出ツールを発表しました。このツールは騰訊の朱雀实验室によって開発され、AI生成テキスト検出システムとAI生成画像検出システムの2つのシステムで構成されています。騰訊は公式に発表で、

最近、シアトルのスタートアップ企業Moondreamが、moondream2というコンパクトなビジョン言語モデルを発表しました。その小型サイズにもかかわらず、このモデルは様々なベンチマークテストで優れたパフォーマンスを示し、注目を集めています。オープンソースモデルであるmoondream2は、スマートフォンでのローカルな画像認識機能の実現に役立つと期待されています。3月に正式リリースされたmoondream2は、テキストと画像の入力を処理し、質問応答、テキスト抽出（OCR）、物体カウント、物体分類などの機能を備えています。

スイス連邦工科大学チューリッヒ校（ETH Zurich）の研究チームが、GoogleのreCAPTCHA v2システムを100％の成功率で突破したという驚くべき研究成果を発表しました。この研究は、画像認証の未来について広く議論を巻き起こしています。研究チームは、YOLOという高度な画像認識アルゴリズムを用い、画像のセグメンテーションと分類によって、reCAPTCHA v2の3種類の課題を全て自動的に解決することに成功しました。

最近の発表会で、アリババ国際AIチームは最新のマルチモーダル大規模言語モデルOvisを発表しました。この革新的なAI技術は、様々な業界に新たな機会をもたらすことは間違いありません。Ovisは強力な画像認識とデータ処理能力を備え、目を見張るものがあります。Ovisのマルチモーダル能力は非常に強力で、テキストや画像など様々なデータを処理し、優れた総合力を発揮します。従来の大規模言語モデルと比較して、Ovisはテキストの理解だけでなく、画像などの非テキスト情報についても詳細な分析が可能です。

bilibiliのUP主「極客湾」が自作した「白日夢」ロボットが、わずか4日で再生回数113万回を突破して話題になっています。このロボットは、ページめくり、問題の囲み込み、解答、文字の記述など、宿題を自動でこなすことができ、複数の教科に対応しています。開発過程では、タイプライターの改造から独自の開発へと進み、CoreXY構造とAIモデルの統合により、宿題の完成度と効率が大幅に向上しました。テストの結果、英語の宿題は正確性が高いもののフォーマットに問題があることが判明しました。国語の宿題は独特の文字で書かれており、一部の問題には誤りがありました。算数の宿題はフォーマットと論理に問題がありました。

アリババ集団の達摩院傘下、通義千問チームは2024年8月30日、最新成果であるQwen2-VLモデルの大幅なアップデートを発表しました。Qwen2-VLモデルは、画像認識、動画処理、多言語対応において顕著な性能向上を実現し、主要性能指標において新たな基準を打ち立てました。

AIの耐圧能力をテストするために、研究者グループが大胆な実験を行いました。彼らは「Self-Contradictory Instructions（SCI）」というテストを実施し、これはまさにAI界の死の挑戦です。このテストには、言語と視覚の両分野を網羅した2万個の矛盾した命令が含まれています。例えば、猫の写真を見せておきながら、その犬について説明するように指示します。これは人間を困らせるためではありません。AIを困らせるためです。

AIの世界に、注目すべき新メンバーが登場しました。LeCun氏とXie Saining氏ら業界の重鎮が共同で開発した、マルチモーダル大規模言語モデル（MLLM）Cambrian-1です。このモデルの登場は、単なる技術的な飛躍だけでなく、マルチモーダル学習研究への深い省察をもたらします。

英国のサリー大学とスタンフォード大学の研究チームは、非芸術家によるものも含め、人間の線画スケッチを理解するよう人工知能（AI）を学習させる新しい手法を開発しました。このモデルは、シーンのスケッチ認識において人間と同等の性能に近づいています。

Anthropic社は最近、チャットボットClaudeに画像認識機能を追加する計画を発表しました。これにより、Claudeは画像を分析できるようになります。同社はAmazonやGoogleなどの大手企業から支援を受けており、2024年の収益は50億ドルに達すると予想されています。Anthropic社のこの決定により、Claudeは画像処理において競合他社に遅れをとることがなくなり、ユーザーにより包括的な体験を提供できるようになります。

2024年1月18日未明、サムスンはGalaxy AIグローバル新製品発表会を開催し、Galaxy S24シリーズの登場を発表。Google Gemini nano大規模言語モデルを採用し、「Galaxy AI時代」の到来を告げました。新たに発表されたGalaxy S24シリーズAIスマートフォンは、言語理解、画像認識など、AI機能を多数搭載。Circle to Search、AIリアルタイム翻訳、AIノートアシスタントなどの新機能も含まれています。また、Google Imaを搭載しています。

コロナ禍においてスキャン製品は逆風の中成長を遂げるIDCデータによると、2021年の中国におけるスキャナーの出荷台数は前年比9.7％増加GoogleのTesseract OCRエンジンは、約100％の高い認識精度を実現し、データの正確性に関する問題を大幅に解決Quark Scan王は万能スキャン機能を導入し、テキストと表の内容編集をサポートすることでユーザーエクスペリエンスを向上Quark Scan王は若年層ユーザーのニーズに対応し、ドキュメントの自動フォーマットとレイアウト認識を実現大規模言語モデル技術により、Quark Scan王の手書き文字認識と数式認識の精度は業界トップの99％に達する

🎯大規模モデルの応用トレンド：本稿では、大規模モデルがモデル開発段階から応用段階のイノベーションへと進化しつつある点を指摘しています。👀画像認識の限界：GPT-4は画像認識タスクにおいて、その能力に限界があり、モデルの汎化能力の向上が必要です。💡モデルテストの重要性：訓練データセットのみでのモデルテストに注意が必要です。モデルの汎化性能こそが重要です。

Meta AIは10月18日、MEG脳スキャンから脳が認識している画像をリアルタイムで解読できる新しいAIシステムを発表しました。このシステムは個人の脳波を事前にトレーニングする必要があり、トレーニングとは無関係な思考イメージを解読することは現状ではできません。これは、脳の謎を解き明かし、ブレイン・コンピュータ・インターフェースを実現しようとするMetaの継続的な取り組みの初期段階の成果です。この技術は、言語機能に障害のある患者を支援するための非侵襲的なブレイン・コンピュータ・インターフェースの足掛かりとなる可能性があります。新システムの発表は、脳科学技術の進歩と将来の見通しに関する幅広い議論を引き起こしています。

AI医療診断の正確性については、依然として大きな懸念があり、医師の経験に取って代わるには程遠い状況です。十分な医療データの取得が、AI医療診断の精度向上における鍵となります。画像認識や新薬開発は、AI医療における大きな成長機会です。技術の進歩とデータの蓄積により、AI医療診断の正確性は徐々に向上していくでしょう。AI医療診断は成長期にあり、将来性も明るいです。

研究者らは、現在存在するすべてのAI生成画像の透かし技術は容易に回避できることを発見しました。デジタル透かしは削除できるだけでなく、本物の画像に追加して誤検知を引き起こすことも可能です。現時点では、透かし技術はAI生成画像の信頼できる識別手段とはなっていません。悪意のある行為者は、透かしを容易に回避したり操作したりできます。アーティストの作品が誤ってAI生成と識別される可能性もあります。

OpenAIはChatGPTに音声と画像機能を追加。音声対話と画像認識の新機能は、まずChatGPT Plusとエンタープライズ版ユーザー向けにリリース。音声機能はWhisperモデルに基づいており、マルチモーダルChatGPTはGPT-4Vと呼ばれ、GPT-4と同時にトレーニングされました。セキュリティ上の考慮からリリースが遅延されました。