AI RACE: GPT-4, Midjourney v5, DALL·E, CLIP a Gato

V roce 2023 je svět svědkem působivého růstu umělé inteligence, která transformuje nejen technologický sektor, ale proniká do všech odvětví průmyslu. AI modely, jako jsou GPT-4 a Midjourney v5, představují technologickou špičku a ukazují, jak daleko jsme došli od prvních pokusů o simulaci lidské inteligence. Tyto modely zlepšují a automatizují procesy ve výrobě, zdravotnictví, finančnictví a mnoha dalších oblastech, což vede k výraznému zlepšení efektivity a produktivity​.

AI se stává stále více integrální součástí našeho každodenního života, a to díky své schopnosti zpracovávat obrovské množství dat, učit se z nich a vyvíjet se. Závodem za nejlepší umělou inteligence se společnosti snaží uspokojit neustále rostoucí poptávku po rychlejších a efektivnějších řešeních.

související kurzy:

Praktické využití umělé inteligence

Tomáš Kubica

Azure Cloud Solutions Architect v Microsoft

O kurzu

GEN AI

Kromě pokročilých modelů je rok 2023 také svědkem průlomu generativní AI (Gen AI). Generativní AI se stala jedním z nejžhavějších trendů v odvětví, což potvrdil i nejnovější roční průzkum McKinsey Global Survey. Gen AI nabízí nástroje, které jsou schopné vytvářet nový obsah, a to od jednoduchých textů až po složité designy. Schopnost generování nových dat nebo dokonce uměleckých děl otevírá dveře k nekonečným možnostem ve vývoji produktů a služeb. Je to také nástroj, který by mohl značně ovlivnit, jak interagujeme s digitálními technologiemi​​.

Popularita Gen AI je odrazem širšího trendu směřujícího k rozvoji technologií, které mohou simulovat lidskou kreativitu a inovativnost. To je fascinující a současně významný krok vpřed, protože to ukazuje, že AI už není pouze o zpracování dat, ale také o vytváření nových a unikátních řešení.

Rychlý rozvoj a adopce AI v roce 2023 ukazuje, že jsme na prahu nové éry, kde budou hranice mezi člověkem a strojem stále nejasnější. Tato dynamická změna přináší nejen nové možnosti, ale také výzvy, které je třeba řešit, abychom zajistili, že technologický pokrok povede k udržitelné a inkluzivní budoucnosti pro všechny.

Obrázek 1 vygenerován pomocí integrace Chat GPT-4 a DALL·E 3. AI zvládá komplexní motivy a generuje podle abstraktních promptů, díky integraci s chatbotem, který DALL·E 3 diriguje.

Nové a updatované modely umělé inteligence

Rok 2023 je pozoruhodný díky uvedení dvou významných modelů: GPT-4 od OpenAI a Midjourney v5. 

GPT-4, představený 14. března 2023, je charakterizován jako velký multimodální model, který přijímá vstupy ve formě textu i obrázků a vrací textové a nově i vizuální výstupy. I když je v mnoha reálných situacích méně schopný než lidé, prokázal lidskou úroveň výkonu na různých profesních a akademických benchmarcích. Model je čtvrtým ve své sérii a je dostupný veřejnosti prostřednictvím placeného produktu ChatGPT Plus a také prostřednictvím OpenAI API​1​​2​.

Midjourney v5 je na druhé straně nástroj, který převádí text na obrázky, a byl uveden na trh v březnu 2023. S každou aktualizací, včetně poslední verze 5.2 uvedené v červnu, výrazně vylepšil kvalitu obrazu, realismus a reakci na uživatelské podněty. Midjourney v5 nyní produkuje podrobnější a ostřejší výsledky s lepšími barvami, kontrastem a kompozicemi. Tento model je uznáván pro svou schopnost vytvářet fotorealistické obrázky, což některé fanoušky umění AI označují za „příliš dokonalé“ a až děsivé​.

ChatGPT od OpenAI

ChatGPT, vyvinutý OpenAI, prošel nedávnou významnou aktualizací, která umožnila tomuto virálnímu chatbotu vést hlasové konverzace s uživateli a interagovat pomocí obrázků, čímž se posunul blíže k populárním umělým inteligencím (AI) jako je Siri od Apple​​. Tato hlasová funkce "otevírá dveře k mnoha kreativním a na dostupnost zaměřeným aplikacím," jak uvedlo OpenAI ve svém blogovém příspěvku. To ukazuje na rozšiřující se schopnosti AI ve větší přístupnosti a interakci s uživateli.

Podobně jako jiné AI služby, jako jsou Siri, Google Voice Assistant a Alexa od Amazonu, které jsou integrovány se zařízeními, na kterých běží, a jsou často používány k nastavení budíků a připomínek a k získávání informací z internetu, ChatGPT byl od svého uvedení na trh v minulém roce přijat společnostmi pro širokou škálu úkolů. Byl schopný velkého množství pokročilých akcí od shrnování dokumentů po psaní počítačového kódu, což vedlo k závodu mezi velkými technologickými společnostmi o uvedení na trh vlastních nabídek založených na generativní AI​​.

Nová hlasová funkce ChatGPT může také vyprávět příběhy či pohádky dětem na dobrou noc, řešit debaty u večeře a nahlas číst textový vstup od uživatelů. Tato technologie je používána platformou Spotify pro podcastery, aby překládali svůj obsah do různých jazyků. Co se týče podpory obrázků, uživatelé mohou fotografovat věci kolem sebe a požádat chatbota, aby například diagnostikoval proč gril nelze spustit, prozkoumal obsah vaší lednice, aby naplánoval večeři, nebo analyzoval složitý graf pro pracovní data​​.

Díky novým funkcím, jako je hlasová interakce a podpora obrázků, se ChatGPT posouvá blíže k tomu být mnohem více než pouhým textovým generátorem. Jeho schopnost umožnit uživatelům procházet internet za horizontem září 2021, jak uvedla společnost Microsoft-backed OpenAI, představuje významný krok vpřed ve vývoji AI a může potenciálně narušit modely moderních vyhledávačů​​. ChatGPT nyní nabízí schopnost vidět svět očima uživatelů a poskytovat užitečné informace a řešení v reálném čase. To otevírá nové možnosti pro interakci mezi lidmi a AI a podtrhuje významný pokrok, který byl v oblasti jazykových modelů AI dosažen.

ChatGPT také ukazuje, jak daleko AI došla ve vývoji od jednoduchých textových generátorů k sofistikovaným multimodálním modelům, které mohou zpracovávat a reagovat na různé formy vstupu. Jeho schopnost pracovat s textem i obrázky z něj dělá silného konkurenta v oblasti vyhledávacích nástrojů, což by mohlo vést k novým a inovativním způsobům, jak lidé hledají a získávají informace online. V této souvislosti je ChatGPT příkladem toho, jak může být AI využita k vytvoření bohatších a více zapojených uživatelských zkušeností.

DALL·E 3 od OpenAI

OpenAI nedávno představilo DALL·E 3, což je nejnovější iterace tohoto renomovaného nástroje pro generování obrázků. Nová verze slibuje větší soulad mezi generovanými obrázky a uživatelskými dotazy, což je klíčové pro zlepšení uživatelské zkušenosti. Díky integraci s umělou inteligencí ChatGPT, která byla uvedena 19. října 2023, je nyní možné generovat text na základě obrázků a naopak.

CLIP od OpenAI

CLIP, což je zkratka pro Contrastive Language-Image Pre-Training, je neuronová síť vyvinutá společností OpenAI. Tento model byl vyškolen na široké škále párů (obrázek, text), což umožňuje instruování modelu v přirozeném jazyce k vykonání úkolů souvisejících s obrázky. Například, může rozpoznat obsah obrázku na základě textového popisu nebo generovat textový popis na základě obrázku.

Gato od Google DeepMind

Google DeepMind je známý svými inovativními přístupy k vývoji AI a Gato není výjimkou. Tento multimodální model je navržen tak, aby prováděl vizuální, jazykové a robotické úkoly, kterými demonstruje synergii mezi různými doménami AI. Gato je příkladem toho, jak mohou být AI modely flexibilní a přizpůsobitelné, což umožňuje jejich nasazení ve širokém spektru aplikací a průmyslových odvětví.

Gato využívá nejnovější technologie v oblasti hlubokého učení, aby integroval vizuální a jazykové informace, což umožňuje modelu pochopit kontext a reagovat na něj ve způsobu, který by byl přirozený pro lidského operátora. Například, když je veden popisem procesu prostřednictvím textu, je Gato schopen zpracovat informace a vykonat příslušné úkoly, ať už vizuálně nebo roboticky.

Tento multimodální přístup umožňuje Gato komunikovat s lidmi a roboty ve více dimenzích, což otevírá dveře k novým možnostem v oblasti spolupráce mezi člověkem a strojem. Vývojáři z Google DeepMind zdůrazňují, že Gato je schopen vykonávat komplexní úkoly, které vyžadují pochopení z různých modalit – to je krok vpřed ve vývoji vícedoménových AI systémů.

Tato inovace nejen posouvá hranice toho, co je možné dosáhnout s AI, ale také ukazuje, jak mohou být AI modely navrženy tak, aby byly více adaptabilní a reaktivní vůči dynamickým a nejistým situacím, což je klíčové pro jejich úspěšné nasazení v reálném světě.

Obrázek 2 vygenerován pomocí integrace Chat GPT-4 a DALL·E 3. Můžeme pozorovat velmi detailní vizuální prvky, ale stále přetrvává problém s in-graphics textem.

Nové a vyladěné koncepty umělé inteligence

Automatizované strojové učení (AutoML)

Automatizované strojové učení, známé jako AutoML, se v roce 2023 stává stále populárnější a významnější. Jeho cílem je automatizovat složité části procesu strojového učení, což umožňuje i těm, kdo nejsou odborníky na strojové učení, efektivně využívat tuto technologii. Vývoj v této oblasti pokračuje rychlým tempem, což vede ke zlepšení přesnosti modelů a zrychlení procesu vývoje. Díky AutoML mohou společnosti rychleji a efektivněji vyvíjet AI aplikace, aniž by musely mít hluboké znalosti v oblasti strojového učení​1​​2​​3​​4​.

AI-enabled Conceptual Design

V kreativních odvětvích je trendem rozvoj AI v oblasti konceptuálního designu. AI nyní umožňuje tvůrcům lépe pochopit a vizualizovat své nápady, což vede k inovacím ve vizuálním designu. Nové modely AI stimulují kreativitu tím, že umožňují tvůrcům experimentovat s designem na zcela nové úrovni. Díky AI mohou designéři rychleji a efektivněji vytvářet vizuální koncepty, což urychluje proces návrhu a vývoje produktů​5​​6​​7​​8​.

Multimodální učení

Multimodální učení je v roce 2023 jedním z hlavních trendů ve světě umělé inteligence a strojového učení. Tato technologie je stále schopnější podporovat více modalit v rámci jednoho modelu strojového učení, jako jsou text, vizuální data, řeč a data z IoT senzorů​. Tento přístup je založen na procesu, kdy jsou modely schopné zpracovávat a interpretovat více typů dat — jako jsou text, obrázky, audio a video — v jednom modelu​. Jedná se o vývoj, který umožňuje AI lépe rozumět a interagovat s komplexním světem okolo nás, což je zásadní pro rozvoj aplikací jako jsou autonomní systémy, rozpoznávání řeči a obrazu a mnoho dalších.

Konkrétně multimodální vložení, které integruje obrazy, text, audio, hloubku, tepelná data a data z IMU, umožňuje modelu rozšířit vyhledávání za textové vstupy a dokonce i hlasové příkazy, což představuje významný krok vpřed ve vývoji AI​​.

Google DeepMind je jedním z předních hráčů v tomto prostoru, s modely jako Gato, který je schopen provádět vizuální, jazykové a robotické úkoly, demonstrujíc tak synergii mezi různými doménami AI​​. Toto multimodální učení nejenže umožňuje komplexnější porozumění a interakci mezi lidmi a stroji, ale také slibuje vytvoření silnějších a efektivnějších AI systémů, které budou moci lépe napodobovat lidské schopnosti pochopení a interakce se světem.

Dopad inovací AI na průmysl a společnost

Inovace umělé inteligence (AI) a strojového učení mají významný dopad na průmysl a společnost jako celek. Díky rychlému rozvoji v oblasti AI a strojového učení vstupují různá odvětví do nové éry inovací a efektivity. 

Ekonomické a dodavatelské řetězce

V roce 2023 budou nejvíce ovlivněny firmy, které jsou přímo zasaženy ekonomickými a dodavatelskými řetězci. Odvětví, která jsou obecně schopna rozšiřovat přijetí AI, jako jsou finanční služby, maloobchod, zdravotnictví a výroba, budou pokračovat v investicích do AI. Podle průzkumu budou nejvíce ovlivněna odvětví telekomunikací, automobilového a dopravního průmyslu, energetiky a bankovnictví a finančních služeb​​.

Vzdělání a výzkum 

Nové možnosti, které AI přináší, zvyšují i potřebu vzdělání a výzkumu v této oblasti. Univerzity a výzkumné instituce intenzivně spolupracují s průmyslem na vývoji nových technologií a na přípravě budoucích odborníků v oblasti AI. Je zde také rostoucí poptávka po interdisciplinárním přístupu, který kombinuje technické znalosti s etikou, legislativou a dalšími sociálními aspekty AI.

Zdravotnictví

AI a strojové učení pokračují v transformaci zdravotnického sektoru tím, že umožňují rychlejší a přesnější diagnostiku, personalizovanou léčbu a efektivnější řízení zdravotnických zařízení. Modely AI jako ChatGPT či GPT-4 od OpenAI mohou značně pomoci ve výzkumu a vývoji léčiv, což urychluje proces přinášení nových léků na trh.

Bezpečnost a soukromí

Jak se AI stává stále sofistikovanější, rostou i obavy z bezpečnosti a soukromí. Společnosti a vlády se snaží vytvořit bezpečnější a transparentnější prostředí pro využívání AI, aby se zabránilo zneužití a chránila data uživatelů. Tento trend je vidět například v Evropské unii, kde se pracuje na regulaci umělé inteligence a na zajištění etického využívání AI technologií.

Práce a zaměstnanost

AI také mění pracovní trh tím, že automatizuje rutinní úkoly a vytváří nové příležitosti pro vysoce kvalifikované pozice. Nicméně, existují obavy z toho, že automatizace může vést ke ztrátě pracovních míst, zejména v nízko kvalifikovaných sektorech.

Inovace a konkurenceschopnost

Rychlý vývoj v oblasti AI stimuluje inovace a zvyšuje konkurenceschopnost firem na globálním trhu. Společnosti, které investují do AI a vytvářejí inovativní řešení, mohou získat konkurenční výhodu a zlepšit své postavení na trhu.

Budoucnost interakce člověka a přístroje

Pokud jde o hranice toho, co je v umělé inteligenci možné, rok 2023 zjevně přináší přelomové okamžiky. Jak GPT-4, tak i Midjourney v5 ukazují, že AI už není pouze o textových generátorech, ale o nástrojích s daleko větší flexibilitou a kapabilitami. GPT-4 rozšiřuje možnosti komunikace a přístupnosti, zatímco Midjourney v5 nabízí nové výzvy a možnosti ve vizuálním vyjádření.

V této éře, kdy AI nástroje stále častěji integrujeme do každodenního života a profesních sfér, je jasné, že jsme na pokraji nové kapitoly ve vývoji a využívání  AI. Nejde pouze o to, co tyto nástroje dělají, ale také o to, jakým způsobem mohou změnit způsoby, jakými interagujeme s technologií. Od generování profesního textu přes vizuální simulace až po hlasovou interakci, tyto pokročilé funkce demonstrují, jak umělé inteligence pravidelně přináší nové rozměry do našeho nejen digitálního života.

Souhrnně lze říci, že AI a strojové učení přinášejí mnoho příležitostí pro inovace a zlepšení efektivity ve všech sektorech. Avšak s rychlým rozvojem těchto technologií přichází také řada výzev, včetně potřeby regulace, zajištění bezpečnosti a ochrany soukromí, a řešení otázek týkajících se etiky a dopadu na pracovní trh.

Autor: Jan Bílek