Kas ir MAI-Image-1: funkcijas, testēšana un Microsoft stratēģija

Informatec Digital » Mākslīgais intelekts » Kas ir MAI-Image-1: funkcijas, testēšana un Microsoft stratēģija

Microsoft ir spēris drosmīgu soli, laižot klajā MAI-Image-1 — savu pirmo mākslīgā intelekta modeli attēlu veidošanai no teksta, kas pilnībā izstrādāts pašu spēkiem. Daudzi šo soli uzskata par stratēģisku soli, lai konkurētu ar OpenAI un citiem nozares dalībniekiem. MAI-Image-1 galvenais solījums ir apvienot ātrumu ar ļoti augstu vizuālo kvalitāti , īpaši fotoreālistiskās ainās, sarežģītā apgaismojumā un smalkās detaļās, kas bieži vien atklāj mazāk izsmalcinātus attēlu dzinējus.

Papildus tehniskajiem aspektiem paziņojums tiek sniegts uzņēmumam svarīgā brīdī: Microsoft pirmo reizi ir pārsniedzis 4 triljonu dolāru novērtējumu un plāno ieguldīt vairāk nekā 120.000 miljardus dolāru infrastruktūrā, ko virza Azure un tā apņemšanās mākslīgā intelekta jomā; MAI-Image-1 lieliski iederas šajā ceļvedī, lai samazinātu atkarību no ārējiem pakalpojumu sniedzējiem un piedāvātu vietējās pieredzes Copilot un Bing platformās , un pirmais ieskats jau ir pieejams publiskajā LMArena platformā bez maksas.

Kas ir MAI-Image-1 un kāpēc mainās tāfele?

MAI-Image-1 ir Microsoft AI jaunais AI attēlu ģenerators — modelis, kas dažu sekunžu laikā pārvērš rakstiskas instrukcijas (uzvednes) attēlos, un to no sākuma līdz beigām ir izstrādājušas iekšējās komandas; mēs nerunājam par vienkāršu DALL·E vai citu licencētu tehnoloģiju aizstājēju , bet gan par stūrakmeni Microsoft autonomijai konkurēt ar tādiem risinājumiem kā OpenAI gpt-image-1 vai Google Gemini/Image.

Projekts atbilst Mustafas Suleimana (DeepMind līdzdibinātāja) vadītajai reorganizācijai, kas ir Microsoft mākslīgā intelekta nodaļas vadītājs; uzņēmums līdz šim lielā mērā paļāvās uz OpenAI Copilot un Azure pakalpojumiem, bet tagad paātrina attīstību ar saviem modeļiem, piemēram, MAI-Voice-1 (balss) un MAI-1-Preview (teksta/multimodāls) , pat papildinot tos ar antropiskiem modeļiem dažās Microsoft 365 plūsmās.

Stratēģiskā interpretācija ir skaidra: Microsoft vēlas kontrolēt savu kritisko mākslīgā intelekta (AI) steku un samazināt atkarību no trešajām pusēm, vienlaikus saglabājot sadarbību tur, kur tas ir saprātīgi; šis “sadarbības un konkurēšanas” līdzsvars ar OpenAI ir atspoguļots MAI-Image-1, kas ir paredzēts reālai lietošanai veidotājiem un radošajām komandām , nevis kā vienkāršs laboratorijas eksperiments.

Funkcionāli modelis pieņem aprakstus dabiskā valodā un atgriež vizuālus rezultātus, kas ir gatavi iterācijai, eksportēšanai un pilnveidošanai ar citiem rīkiem; uzmanība tiek pievērsta katram pieprasījumam, kas sniedz attēlus, kas atbilst uzvednei, ar mazāk tipiskiem artefaktiem un ievērojamu atbildes ātrumu , tādējādi veicinot elastīgākus izmēģinājumu un kļūdu ciklus.

Vidusmēra lietotājam tas nozīmē spēju iztēloties ainu, ierakstīt to un iegūt to ar vienu klikšķi; uzņēmumiem tas nozīmē īsākus radošos procesus, mazāku gaidīšanas laiku un dabiskāku iekļaušanos dizaina, mārketinga vai produktu darbplūsmās , kur vizuālo variāciju novērtēšanas ātrums ir ļoti svarīgs.

Galvenās iespējas: vizuālā kvalitāte, ātrums un mazāk “mākslīgā intelekta izskata”

Microsoft komanda uzstāj uz diviem pīlāriem: kvalitāti un ātrumu; MAI-Image-1 pievērš īpašu uzmanību apgaismojumam (atstarojumiem, atstarotajai gaismai, vienmērīgām ēnām), smalkām detaļām un ainavām — apgabaliem, kas vēsturiski atdala "pienācīgu" sintētisku attēlu no patiesi ticama attēla.

Vēl viena prioritāte ir bijusi izvairīties no bēdīgi slavenā “mākslīgā intelekta izskata”: atkārtotiem attēliem, pārmērīgi lietotiem stiliem vai pārmērīgi stilizēta apdares, kas galu galā izskatās neiederīga; šajā nolūkā Microsoft runā par ļoti rūpīgi atlasītu datu un novērtējumu izlasi, kas koncentrējas uz reāliem radošiem uzdevumiem , ar radošo nozaru profesionāļu atsauksmēm, lai uzlabotu modeļa darbību.

Ātrums iekļaujas vienādojumā kā trešais faktors; MAI-Image-1 mērķis ir būt nepārprotami ātrākam par milzu modeļiem, neupurējot konkurētspējīgu kvalitātes līmeni , kas praksē ļauj izpētīt idejas un variācijas, nepārvēršot katru testu par mūžīgu gaidīšanu.

Vienlaikus Microsoft uzsver savu apņemšanos nodrošināt drošību un atbildīgu lietošanu; uzņēmums paskaidro, ka modelis ietver drošības pasākumus, lai novērstu nepiemērotus vai mazvērtīgus rezultātus, un ka tas cenšas piedāvāt elastību un vizuālu daudzveidību, neiekrītot klišejās vai atkārtotos modeļos.

• Fotoreālisms un saskaņotība apgaismojumā, atspīdumos un sarežģītās ainavās.
• Ātra iterācija pateicoties īsajiem ģenerēšanas laikiem un izteiksmīgajiem norādījumiem.
• Mazāk “mākslīgā intelekta izskata” izmantojot atlasītus datus un uz reāliem gadījumiem orientētu izvērtēšanu.
• Drošības pasākumi un koncentrējas uz praktisku lietderību satura veidotājiem.

Izmērītais sniegums: debija LMArena un iespējas uzlabojumiem

Lai aplūkotu lietas kontekstā, pirmais MAI-Image-1 publiskais novērtējums tika veikts LMArena, atvērtā platformā, kas salīdzina mākslīgā intelekta modeļus, izmantojot balsošanu un aklo salīdzinošo testēšanu; savā debijā modelis ir ievietots labāko 10 skaitā, sākot ar 9. pozīciju , kas ir ievērojams rezultāts pirmajai paaudzei, ko 100% veidojis Microsoft.

Ir vērts atcerēties, kā darbojas šāda veida ranžēšana: lietotāji saskaras ar dažādu modeļu rezultātiem, nezinot, kurš ir kurš, un viņi izvēlas to, kuru uzskata par labāko tam pašam uzdevumam; fakts, ka jauns modelis jau parādās starp desmit labākajiem, nozīmē, ka tā attēli ir pārliecinoši, salīdzinot ar jau esošajām alternatīvām no tādiem gigantiem kā ByteDance, OpenAI, Google vai Tencent.

Tomēr Microsoft vismaz pagaidām nav publicējis visaptverošus kvantitatīvus salīdzinājumus vai detalizētu apmācību informāciju; uzņēmums apgalvo, ka uzmanība ir pievērsta uztvertajai kvalitātei reālos uzdevumos un iterācijai ar profesionāļu atsauksmēm , atstājot iespēju laika gaitā atklāt vairāk rādītāju.

Microsoft AI vadība ir norādījusi, ka mērķis ir turpināt pilnveidot modeli un pacelties reitingos; ir skaidrs, ka ir iespējams uzlabot, un ideja ir ātri atkārtot, mācoties no LMArena kopienas sniegtajām atsauksmēm un no reālās pasaules lietošanas gadījumiem, kad tie nonāk Copilot un Bing platformās.

Runājot par veiktspēju, sākumpunkts ir stabils, īpaši ņemot vērā kvalitātes un ātruma kombināciju; galvenais būs saglabāt šo līdzsvaru, paaugstinot latiņu un iekļaujot jaunas iespējas, kurām nepieciešams vairāk aprēķinu vai vizuāla konteksta.

Pieejamība un integrācija: no LMArena līdz Copilot un Bing

Pašlaik oficiālais MAI-Image-1 testēšanas veids ir caur LMArena, kur modelis ir pieejams attēlu ģenerēšanai un salīdzināšanai; Microsoft ir apstiprinājis, ka tā integrācija Copilot un Bing Image Creator notiks "ļoti drīz " ar pakāpenisku ieviešanu, kas nenotiks vienas nakts laikā.

Praksē tas nozīmē, ka tehnoloģijas kādu laiku pastāvēs līdzās; dažādi avoti norāda, ka MAI-Image-1 ir paredzēts aizstāt DALL·E 3 un OpenAI multimodālos modeļus noteiktās Copilot funkcijās , pakāpeniski un ar plaša mēroga testēšanu, pirms tas kļūs par noklusējuma opciju.

Paredzams, ka Microsoft arī precizēs trešo pušu modeļu integrāciju, pamatojoties uz lietošanas gadījumiem; dažās Microsoft 365 jomās jau tiek izmantoti antropiskie modeļi, un nebūtu nekas neparasts redzēt hibrīda pieeju, kurā katru uzdevumu apstrādā vislabāk funkcionējošā tehnoloģija tajā laikā.

Izstrādātājiem un komandām šī pāreja var pavērt durvis uz paredzamākām darbplūsmām un precīzāku kontroli Microsoft ekosistēmā; sava ģeneratora esamība atvieglo dziļu integrāciju ar Azure, satura kanāliem un produktivitātes rīkiem , samazinot latentumu un līgumisko atkarību.

Šķiet skaidrs, ka Microsoft gatavo piesardzīgu pieeju: atsauksmes, iteratīvi uzlabojumi un pakāpeniska ieviešana; mērķis ir, lai tad, kad MAI-Image-1 būs pilnībā integrēts Copilot, tas sniegs tūlītēju vērtību ar mazāku berzi gan radošajiem profesionāļiem, gan neprofesionāliem lietotājiem.

Kā bez maksas izmēģināt MAI-Image-1 vietnē LMArena

Piekļuve modelim šodien ir vienkārša un bezmaksas: vienkārši pārlūkprogrammā ievadiet LMArena un ģenerēšanai atlasiet MAI-Image-1; ja izvēlaties viena modeļa režīmu un atlasāt Microsoft, varat ierakstīt uzvednes un redzēt, ko tās atgriež, ar pilnīgu iterācijas brīvību.

Pirmajos publiskajos testos modelis īpaši izceļas reālistiskās ainās un mākslinieciskās kompozīcijās ar labu apgaismojumu; kad tiek prasīts pilsētas portrets saulrietā vai ainava ar maigiem atspīdumiem un ēnām, gaismas un materiālu saskaņotība ir pārsteidzoša, ņemot vērā līmeni, kādu tas sasniedz jau no paša sākuma.

Tomēr, tāpat kā praktiski visiem pašreizējiem ģeneratoriem, ir aspekti, kas jāuzlabo; neregulāri ir novērotas kļūdas rokās (pirkstos), zināmas grūtības ar etiķetēm vai iegulto tekstu , kā arī pašreizējie ierobežojumi galīgā attēla malu attiecības mainīšanā.

Portretos dažos piemēros ir redzams smalks "atjaunojošs efekts" un gludāka āda nekā gaidīts, kā arī grumbas, kas atklāj sintēzi; tās ir bieži sastopamas detaļas attēlu modeļos un kalpo kā vadlīnijas turpmākiem uzlabojumiem gan datos, gan modeļa precizēšanā.

Praktisks padoms: formulējiet skaidrus un konkrētus norādījumus par apgaismojumu, stilu un kadrēšanu; MAI-Image-1 labi reaģē, ja to palīdzat ar tādām detaļām kā gaismas veids, tekstūra, asuma dziļums vai objektīva tips , samazinot nepieciešamo atkārtojumu skaitu, lai sasniegtu tieši to, ko vēlaties.

Microsoft un OpenAI: nepieciešami partneri, pieaugoša konkurence

Biznesa konteksts daļēji izskaidro šo soli: Microsoft 2023. gadā ieguldīja OpenAI vairāk nekā 10.000 miljardus ASV dolāru, iegūstot ekskluzīvas tiesības integrēt savus modeļus Azure un tādās lietojumprogrammās kā Word vai Excel; šī alianse ir bijusi galvenais faktors, lai Copilot būtu pieejams plašai sabiedrībai , ko atbalsta tādi modeļi kā GPT-4 un jaunākās paaudzes, kā ziņots.

Tomēr attiecības ir kļuvušas saspīlētas, jo abi uzņēmumi tiecas pēc lielākas neatkarības; Microsoft turpina izmantot OpenAI tehnoloģiju galvenajos produktos, bet vienlaikus paātrina savu LLM un multimodālo modeļu izstrādi , lai nebūtu pilnībā atkarīgs no ārēja pakalpojumu sniedzēja.

Šīs ofensīvas priekšgalā ir Mustafa Suleimans, kurš ir reorganizējis Microsoft mākslīgo intelektu (MI), lai radītu savus progresīvos modeļus; tostarp “Maia” sēriju un tādus izlaidumus kā MAI-Voice-1 un MAI-1-Preview , kas paredzēti, lai konkurētu ar OpenAI un Anthropic priekšlikumiem un dabiski integrētos Microsoft ekosistēmā.

Savukārt OpenAI ir arī spēris soļus, lai stiprinātu savu darbības autonomiju; tas ir paziņojis par Stargate projektu mākoņinfrastruktūras pārvaldībai un parakstījis vairāku miljonu dolāru līgumus ar CoreWeave (11.900 miljardi piecu gadu laikā), Samsung, Oracle un Nvidia, kā arī citiem, lai nodrošinātu skaitļošanas jaudu.

Nesen abi uzņēmumi parakstīja nesaistošu saprašanās memorandu, lai no jauna definētu savu sadarbību, kuras detaļas nav publiskas; žurnālistikas ziņojumos norādīts, ka tajā tiks iekļauti jauni tehnoloģiju koplietošanas un ieņēmumu sadales parametri , kā arī iespējamas izmaiņas klauzulās par piekļuvi tehnoloģijām gadījumā, ja OpenAI sasniegs “IAG” atskaites punktu.

Caurspīdīguma, drošības un apmācības dati

Attēlu modeļos bieži rodas jautājums par to, "kā tieši tas tika apmācīts" un ar kādiem datiem; Microsoft pagaidām nav detalizēti aprakstījis apmācības kopu, kā arī nav publicējis plašus tehniskus salīdzinājumus ar konkrētiem konkurentiem.

Uzņēmums ir uzsvēris, ka tas piešķir prioritāti stingrai datu atlasei un precīzai novērtēšanai, kas orientēta uz reāliem uzdevumiem; ideja ir pastiprināt daudzveidību, estētisko kvalitāti un praktisko lietderību, izvairoties no nevienmērīgiem vai liekiem rezultātiem , kas bieži notiek, ja apmācības dati nav labi atlasīti.

Drošības ziņā modelis ietver drošības pasākumus, lai samazinātu problemātisku lietošanu un noteiktu prioritāti atbildīgiem rezultātiem; tas ietver gan satura politikas, gan ģenerētus signālus, kas palīdz ierobežot nevēlamu rezultātu saskaņā ar nozares labāko praksi.

Atklātā testēšana LMArena platformā arī spēlē lomu šajā nepārtrauktajā uzlabošanā; signālu vākšana no kopienas ļauj atklāt kļūdas, neobjektivitāti un robežgadījumus , kurus pēc tam var novērst ar modeļa korekcijām, datu filtrēšanu vai izlīdzināšanas metodēm.

Produkta ieviešanas gaitā mēs varam sagaidīt vairāk dokumentācijas un lietotāja rokasgrāmatu; uzņēmumi parasti publicē papildu informāciju, kad viņu tehnoloģija nonāk regulētā vidē vai konkrētos komerciālos piedāvājumos , tāpēc ieteicams sekot līdzi turpmākajām tehniskajām piezīmēm.

Uztvertā veiktspēja un strāvas ierobežojumi

Ikdienas lietošanā lietotāji izceļ modeļa spēju trāpīt apgaismojumā, atspīdējumos un dziļumā; tas nozīmē pārliecinošākus materiālus (metālu, stiklu, ādu, ūdeni) un atmosfēras , kas šķiet mazāk mākslīgas gan telpās, gan ārpus tām.

Vienlaikus pastāv tipiskas problēmas: rokas un iegultais teksts daudziem ģeneratoriem joprojām ir Ahilleja papēži; MAI-Image-1 nav imūna pret šiem trūkumiem, un ir novēroti nepareizi veidoti pirksti vai etiķetes ar nekonsekventiem fontiem , lai gan kopējais līmenis ir augsts.

Vēl viens aspekts, ko minēja tie, kas to jau ir izmēģinājuši, ir fiksētā malu attiecība šajā posmā; ainavas, kvadrātveida vai vertikālie formāti parasti ir ļoti svarīgi kampaņām un tīkliem , tāpēc uzlabojumi šajā jomā ir sagaidāmi līdz ar ieviešanu produktos.

Portretos dažas sejas vaibsti var šķist “izlīdzināti” salīdzinājumā ar realitāti, un šis efekts parādās arī citos modeļos; tā ir jutīga joma, jo īstu ādas tekstūru un mikro detaļu saglabāšana lielā mērā ietekmē autentiskuma uztveri un atšķir “glītu” atveidojumu no ticamas fotogrāfijas.

Kopumā sākotnējais vērtējums ir pozitīvs: augsta produktivitāte un vizuāli pievilcīgi rezultāti īsā laikā; radošajiem darbiniekiem, satura komandām un mārketinga speciālistiem tas nozīmē vairāk atkārtot un pieņemt labākus lēmumus, nebloķējot darba kārtību, gaidot katru paaudzi.

Ietekme uz Microsoft produktiem un ekosistēmu

MAI-Image-1 ienākšana Copilot un Bing platformās var pārveidot ikdienas uzdevumus: radošo materiālu, produktu prototipu, noskaņu dēļu un reklāmas vizuālo materiālu izveidi; vietējā attēlu mākslīgā intelekta izmantošana samazina latentumu, uzlabo integrāciju ar krātuvi un atļaujām , kā arī atvieglo masveida ieviešanu organizācijās.

Azure šis modelis atbilst mērķim piedāvāt pilnīgus mākslīgā intelekta pakalpojumus; sākot ar mērogojamiem secinājumiem un beidzot ar orķestrēšanu ar aģentiem un bezserveru plūsmām, viss kopā saīsina laiku no idejas līdz piegādei , ar paredzamām izmaksām un uzņēmuma atbalstu.

Izstrādātājiem savs labi integrēts modelis paplašina API un SDK katalogu; tas var novest pie labākiem rīkiem stilu, sēšanas, variāciju un, ideālā gadījumā, malu attiecību kontrolei , kas ir ļoti pieprasīts no tiem, kas integrē attēlu ģenerēšanu lietotnēs.

Turklāt Microsoft var izmantot sinerģiju starp balsi (MAI-Voice-1), tekstu/multimodālu (MAI-1-Preview) un attēlu; šo modeļu kombinācija paver durvis aģentiem, kas saprot runātu aprakstu, ģenerē vizuālus variantus un atgriež tekstuālu skaidrojumu par veiktajām izmaiņām.

Izziņotie ieguldījumi — vairāk nekā 120.000 miljardi infrastruktūrā — liecina, ka būs daudz degvielas mērogošanai; tas ir svarīgi, jo augstas kvalitātes attēlu modeļiem ir nepieciešama intensīva skaitļošana , un GPU/TPU pieejamība nosaka reālās pieredzes ierobežojumus.

Ko sagaidīt turpmākajos mēnešos

Ja viss notiks pēc plāna, mēs redzēsim pakāpeniskus uzlabojumus anatomiskajā precizitātē, tipogrāfijā un formāta kontrolē; ir arī pamatoti paredzēt daudzveidīgākus, bet mazāk "veidnēm līdzīgus" stila iestatījumus , saskaņā ar mērķi izvairīties no atkārtota izskata.

Produkta līmenī integrācijai ar Copilot un Bing jābūt apvienotai ar vienkāršām vadības ierīcēm gaismas, krāsas, kompozīcijas un stilu uzlabošanai; jo vieglāk ir pielāgot, neatkārtojot uzvedni no jauna, jo vienmērīgāka būs pieredze lietotājiem bez pieredzes.

Kopienas ietvaros LMArena arī turpmāk būs noderīgs barometrs; ja modelis pēc pirmajām nedēļām pakāpsies reitingā, tas liecinās, ka nepārtraukta pilnveidošana atmaksājas , īpaši sarežģītos uzdevumos, kas atšķir labākos.

Tikmēr attiecības ar OpenAI, šķiet, virzās uz jaunu līdzsvaru, kurā pastāv gan sadarbība, gan konkurence; saprašanās memoranda parakstīšana liecina, ka spēles noteikumi un piekļuve sasniegumiem tiks no jauna definēti , katram uzņēmumam nostiprinot savu darbības neatkarību.

MAI-Image-1 ierodas ar spēcīgu un ambiciozu sasniegumu vēsturi, jau ierindojoties starp desmit labākajiem publiskajos testos un ar skaidriem integrācijas plāniem; ja tas saglabās līdzsvaru starp ātrumu un kvalitāti un pilnveidos vēl izstrādes stadijā esošās jomas, tas varētu kļūt par svarīgu Microsoft ekosistēmas elementu veidotājiem, uzņēmumiem un lietotājiem, kuri vēlas jaudīgus attēlus bez bezgalīgas gaidīšanas.