2022-06-22 | 뉴올리언즈=정혜진 특파원

输入“童话般的山”便涌出256张图像…只有LG“超大规模AI”才能做到

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

21日(当地时间),在美国路易斯安那州新奥尔良莫里尔会议中心举行的“国际计算机视觉与模式识别学术会议(CVPR)2022”上,来自世界各国、希望了解人工智能(AI)技术现状的研究人员人潮涌动。计算机视觉是AI中聚焦视觉领域的分支,在AI领域中也被视为最新的研究方向。

当天到会的专家们格外关注现场展示的LG超大规模AI系统EXAONE。因为输入文本可生成图像、反之输入图像可将其转换为句子的双向转换技术,是目前只有LG AI研究院实现的技术。

记者尝试向EXAONE输入“如童话插画般的山景”这一句子。随即出现了数百张由AI直接生成的图像,包括远处云雾缭绕的山峦图像,以及蓝色月光映照的白色雪山图像等。色彩、构图、风格、背景等呈现出多样的创造性。LG AI研究院视觉实验室负责人金承焕解释称:“用一句话描述想要的图像,AI生成约256张需要7至8分钟。”

这次又向EXAONE输入了一张滑雪的图像。EXAONE给出的句子是“一名身穿黄色滑雪服的青年正滑雪从白色雪山上下来”。用最多64个单词具体描述该图像是EXAONE的优势,因为描述所用的词越多,数据就越精细。

图像与文本的双向转换是迄今只有LG的EXAONE能够实现的技术。谷歌的AI“Imagen”或Alphabet子公司DeepMind的“Flamingo”都只采用将文本转换为图像的单向模型。与拆分到最小单位仍具有含义的文本不同,图像按瓦片形式切分后便失去意义。属性差异如此之大,意味着双向转换非常困难。LG AI研究院攻克了这一课题,因而在当天的学术会议上引发关注。全球图像档案平台也主动提出了合作意向。金负责人表示:“计算机视觉的终极目标是打造像人眼一样聪明的AI”,“将图像转换为文本、再转换回图像的过程中所进行的数据精细化工作,接近于人类自主学习的方式。”

EXAONE充当LG的AI虚拟人“Tilda”的大脑。金负责人强调:“随着EXAONE不断进化,Tilda将像人一样感知五感。”

另一方面,今年席卷CVPR的关键词是可转换两种以上感官的AI模型“多模态”。除了文本与图像互相转换的技术,还出现了在此基础上加入语音转换的研究。韩国AI半导体初创企业FuriosaAI也通过AI半导体“Warboy”展示了每秒处理10个视频(300帧)数据、并能识别视频中动作的技术。AI权威专家、首尔大学教授韩普亨指出:“研究趋势正日益强调把所有类型的数据用一个模型输出、从而实现通用求解的模型。”

阅读韩文原文