Kosmos-1: Microsoft revela IA que “enxerga” e analisa imagens

Pesquisadores da Microsoft apresentaram, na última sexta-feira (3), um modelo multimodal de inteligência artificial (IA) chamado Kosmos-1, que é capaz de analisar e enxergar imagens em busca de conteúdos.

A nova IA tem, ainda, a capacidade de resolver quebra-cabeças, realizar reconhecimento visual de texto, entender instruções de linguagem e até passar em testes de QI visual.

Os pesquisadores responsáveis pela criação da IA acreditam que esse modelo multimodal, que trabalha não só com texto, mas também com áudio, imagens e vídeo, é um passo importante.

De modo geral, eles avaliam que estão se aproximando da construção de uma inteligência geral artificial (AGI), capaz de executar tarefas em um nível compatível com o ser humano.

Cada vez mais próximos da capacidade humana

Por meio de um artigo, intitulado Language Is Not All You Need: Aligning Perception with Language Models, os pesquisadores da Microsoft expuseram não só as características da nova IA, mas também as percepções do grupo.

“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“, escreveram.

O documento traz exemplos visuais do Kosmos-1 analisando imagens e, em seguida, respondendo a perguntas sobre elas. Mostra, ainda, a IA lendo o texto de uma imagem, escrevendo legendas e fazendo um teste de QI visual com precisão de 22% a 26%.

Foco na criação de uma AGI

Enquanto os veículos de imprensa e os amantes da tecnologia vivem a efusão do momento, com as notícias recentes sobre o lançamento de grandes modelos de inteligências artificiais de linguagem, como o ChatGPT, especialistas apontam que o grande foco dos pesquisadores é a AGI.

Esse, por exemplo, é o objetivo declarado da OpenAI, empresa responsável pela criação do ChatGPT e outros modelos de IAs de linguagem. Vale lembrar, inclusive, que ela é uma importante parceira de negócios da Microsoft.

No caso do Kosmos-1, o projeto parece ser puramente da Microsoft, sem o envolvimento da OpenAI. Os pesquisadores o definem como “modelo de linguagem grande multimodal” (MLLM), pois ele surgiu, originalmente, a partir do processamento de linguagem natural, como uma LLM somente de texto (ChatGPT).

Como funciona?

Para que o Kosmos-1 aceite a entrada de imagem, os pesquisadores devem traduzir a imagem em uma série específica de tokens inteligíveis para uma LLM.

No artigo assinado pelos pesquisadores, isso é explicado de maneira mais detalhada: