Nvidia’dan çığır açan gelişme
Yalnızca birkaç ay evvel metinden görüntüye üretken yapay zekalar “Will Smith’in spagetti yemesi” örneğiyle yalnızca bir latife materyali olarak görülüyordu. Lakin Nvidia’nın VideoLDM modeli evvelki örnekleri unutturacak bir araç olarak karşımıza çıkıyor. Nvidia’nın bu teknolojiyi Cornell Üniversitesi araştırmacılarıyla el ele vererek yarattığını da belirtelim. Kolay bir tabirle, bu yapay zeka modeli 2048 x 1280 piksele kadar çözünürlüğe, saniyede 24 kare suratına ve metne dayalı olarak 4,7 saniyeye kadar videolar oluşturabiliyor.
Nvidia, geliştirdiği modelinde 4,1 milyar parametre kullanıyor lakin bunların sadece 2,7 milyarı video eğitiminde kullanıldı. Bunun çok büyük bir sayı olduğunu düşünseniz de günümüzün yapay zeka standartlarına nazaran küçük bir sayı. Nvidia, görüntü oluşturmak için eğitilmiş Latent Diffusion (LDM) modelini kullanıyor. Bu model vakti izlenen bir boyut olarak algılıyor ve muhakkak bir mühlet boyunca bir imajın her alanında neyin değişebileceğini varsayım etmeye çalışıyor. Araç, sekans boyunca bir dizi ana kare oluşturuyor, akabinde ana kareler ortasındaki kareleri enterpole etmek için öteki bir LDM kullanıyor.
Elbette VideoLDM şimdiki haliyle rastgele birini kandıracak kalitede görüntüler üretemiyor. Lakin daha bir yahut iki ay evvel gördüğümüz örneklere göre gelişimin boyutu çok büyük. Şu anda, Nvidia’nın tanıttığı üzere metinden görüntüye yapay zekalar GIF’ler oluşturmak için kullanılıyor. Bu nedenle Nvidia’nın daha uzun metinden görüntü klipler oluşturmak için daha gelişmiş teknolojiler getirmesinin uzun sürmeyeceğini kestirim ediyoruz. Firmanın hazırladığı teknoloji 18-22 Haziran tarihleri ortasında Vancouver’da düzenlenecek olan Machine Vision and Pattern Recognition Konferansında sunulacak.