Skip to content
२२ ऑगस्ट २०२२ रोजी प्रसिद्ध झालेले Stable Diffusion यादृच्छिक नॉइजमधून सुमारे ५० नॉइज-काढण्याच्या पायऱ्यांत ५१२ बाय ५१२ चे चित्र बनवते, २०१५ मधील भौतिकशास्त्रावरून सुचलेल्या शोधनिबंधात प्रथम मांडलेली कल्पना वापरून
एआय आणि तंत्रज्ञान

२२ ऑगस्ट २०२२ रोजी प्रसिद्ध झालेले Stable Diffusion यादृच्छिक नॉइजमधून सुमारे ५० नॉइज-काढण्याच्या पायऱ्यांत ५१२ बाय ५१२ चे चित्र बनवते, २०१५ मधील भौतिकशास्त्रावरून सुचलेल्या शोधनिबंधात प्रथम मांडलेली कल्पना वापरून

चित्रण: tuput

मराठी

२०१५ ते २०२२ दरम्यानच्या सहा शोधनिबंधांनी एका कल्पनेला, नॉइज हळूहळू मिसळण्याची प्रक्रिया उलटवायला शिकण्याला, साध्या डेटापासून मजकूर सूचनांपर्यंत नेले. Stability AI च्या प्रसिद्धीने निकाल सांगितलेल्या ६.९ GB मेमरीच्या ग्राफिक्स कार्डवर आणला, आणि Hugging Face चे मार्गदर्शक ५० पायऱ्यांच्या प्रक्रियेचे वर्णन करते.

· · 9 मिनिटांचे वाचन

Stability AI ने २२ ऑगस्ट २०२२ रोजी Stable Diffusion ची सार्वजनिक प्रसिद्धी जाहीर केली आणि वेट्स, मॉडेल कार्ड आणि कोड प्रसिद्ध केले. कंपनीने सांगितले की अंतिम मेमरी वापर ६.९ GB ग्राफिक्स मेमरी असावा. प्रसिद्धीवर काम केलेल्या Hugging Face ने त्याच दिवशी एक मार्गदर्शक प्रसिद्ध केले. ते वापरकर्त्याने सूचना टाइप केल्यावर काय घडते ते सांगते: मॉडेल संख्यांच्या एका लहान जाळ्यातील यादृच्छिक नॉइजपासून सुरू होते, सूचना वाचत त्यातून सुमारे ५० वेळा नॉइज काढते, आणि निकालाचे ५१२ बाय ५१२ पिक्सेलच्या चित्रात रूपांतर करते.

त्या ५० पायऱ्यांमागील पद्धत मार्च २०१५ मधील एका शोधनिबंधात आली, ज्याने भौतिकशास्त्राकडून उसनवारी केली होती. हा लेख सहा शोधनिबंध आणि प्रसिद्धी यांमधून तिचा मागोवा घेतो. खाली दिलेला प्रत्येक आकडा लेखकांचा स्वतःचा आहे, त्यांच्या स्वतःच्या हार्डवेअर आणि डेटासेटवर मोजलेला. शोधनिबंध वेगवेगळे डेटासेट आणि सेटिंग्ज वापरतात, म्हणून त्यांच्यामध्ये कोणत्याही गुणांची तुलना केलेली नाही.

चित्र हळूहळू नष्ट करा, मग ते उलटवायला शिका

जश्चा सोल-डिक्स्टाइन, एरिक वाइस, निरु महेश्वरनाथन आणि सुर्या गांगुली यांनी आपला शोधनिबंध १२ मार्च २०१५ रोजी arXiv वर सादर केला. त्याच्या शीर्षकात नॉनइक्विलिब्रियम थर्मोडायनॅमिक्सचा उल्लेख आहे, म्हणजे स्थिर न झालेल्या, बदलत असलेल्या प्रणालींचे भौतिकशास्त्र. गोषवारा सांगतो की मूलभूत कल्पना, जी असमतोल सांख्यिकीय भौतिकशास्त्रापासून सुचलेली आहे, ती अशी की पुढच्या दिशेच्या डिफ्यूजन प्रक्रियेने डेटातील रचना हळूहळू नष्ट करायची आणि मग ती पुन्हा आणणारी उलटी प्रक्रिया शिकायची.

Hugging Face च्या मार्गदर्शकातील चालू उदाहरण घ्या, घोड्यावर बसलेल्या अंतराळवीराचे छायाचित्र. छायाचित्रात यादृच्छिक नॉइजची एक चिमूट मिसळा, मग आणखी एक चिमूट, आणि स्थिर खरखरीशिवाय काहीच उरत नाही तोवर चालू ठेवा. पुढच्या दिशेला काही शिकावे लागत नाही. न्यूरल नेटवर्कला उलट काम शिकवले जाते: एखाद्या चित्राची थोडी जास्त नॉइजयुक्त आवृत्ती दिली तर थोडी जास्त स्वच्छ आवृत्ती बनवा. काहीतरी नवे बनवण्यासाठी शुद्ध खरखरीपासून सुरुवात करा आणि नेटवर्क वारंवार लावा.

२०१५ च्या लेखकांनी हजारो स्तर किंवा कालपायऱ्या असलेली मॉडेल्स प्रशिक्षित केली. त्यांनी ती द्विमितीय स्विस रोल (सर्पिलाकार बिंदूंचा ढग), एक बायनरी क्रम, MNIST मधील हस्तलिखित अंक आणि CIFAR-10, बार्क आणि डेड-लीव्हज डेटासेटमधील लहान नैसर्गिक चित्रे यांवर तपासली.

थोडा नॉइज काढा, हजार वेळा

कॅलिफोर्निया विद्यापीठ, बर्कलेचे जोनाथन हो, अजय जैन आणि पीटर अबील यांनी आपला शोधनिबंध १९ जून २०२० रोजी प्रसिद्ध केला. ते लिहितात की त्यांच्या माहितीनुसार, डिफ्यूजन मॉडेल्स उच्च दर्जाचे नमुने तयार करू शकतात हे अजून कोणीही दाखवले नव्हते, आणि त्यांचे निकाल ते दाखवतात. CIFAR-10 या लहान चित्रांच्या संग्रहावर, कोणत्याही लेबलशिवाय तयार केलेल्या, ते ९.४६ चा Inception score आणि ३.१७ चे Frechet Inception Distance (FID, एक गुण ज्यात कमी म्हणजे तयार केलेली चित्रे सांख्यिकीदृष्ट्या खऱ्या चित्रांच्या जवळ) नोंदवतात, ज्याला ते तेव्हाचा अत्याधुनिक निकाल म्हणतात. २५६ बाय २५६ LSUN वर, जो शयनकक्ष, चर्च आणि मांजरांच्या छायाचित्रांचा संच आहे, ते आधीच्या ProgressiveGAN या जनरेटरसारखा नमुना दर्जा नोंदवतात.

कृती छोटी आहे. शोधनिबंध १,००० पायऱ्या वापरतो आणि प्रत्येक पायरीला ०.०००१ पासून ०.०२ पर्यंत समान वाढीने वाढणाऱ्या प्रमाणात नॉइज मिसळतो. प्रशिक्षणात पद्धत एक चित्र निवडते, एक यादृच्छिक पायरी निवडते, तितका नॉइज मिसळते आणि नेटवर्कला मिसळलेल्या नॉइजचा अंदाज बांधायला सांगते. नमुना काढणे शुद्ध नॉइजपासून सुरू होते. १,००० पायऱ्यांपैकी प्रत्येकासाठी नेटवर्क नॉइजचा अंदाज देते, सॅम्पलर तो वजा करतो आणि, शेवटची पायरी वगळता, यादृच्छिकतेचा एक लहान ताजा डोस परत मिसळतो.

नेटवर्क म्हणजे U-Net, एक चित्र मॉडेल जे चित्राचा खडबडीत सारांश होईपर्यंत ते लहान करते आणि मग परत मोठे करते, १६ बाय १६ रिझोल्यूशनवर सेल्फ-अटेन्शन स्तरांसह. पायरी क्रमांक ट्रान्सफॉर्मर शोधनिबंधातील सायनुसॉइडल स्थान एम्बेडिंग वापरून दिला जातो, ही रचना मोठे भाषा मॉडेल कसे प्रशिक्षित होते यात स्पष्ट केलेल्या भाषा मॉडेल्समागेही आहे. CIFAR-10 मॉडेलमध्ये ३.५७ कोटी पॅरामीटर्स आहेत, म्हणजे नेटवर्कमधील समायोज्य संख्या, आणि ते TPU v3-8 वर १०.६ तासांत पूर्ण प्रशिक्षित झाले, गूगलचा हा प्रवेगक लेखक आठ V100 GPU शी तुलना करतात. २५६ बाय २५६ च्या १२८ चित्रांचा एक गट तयार करायला ३०० सेकंद लागले.

जलद नमुना काढणे, आणि तीच कल्पना समीकरण म्हणून

हजार क्रमवार फेऱ्या संथ आहेत. जियामिंग सॉन्ग, चेनलिन मेंग आणि स्टेफानो एर्मॉन यांनी ६ ऑक्टोबर २०२० च्या शोधनिबंधात ते मोजले: Nvidia 2080 Ti ग्राफिक्स कार्डवर DDPM मधून ३२ बाय ३२ पिक्सेलची ५०,००० चित्रे नमुना काढायला सुमारे २० तास, तर GAN साठी एका मिनिटापेक्षा कमी, जो जुना जनरेटर प्रकार एका फेरीत चित्र बनवतो. २५६ बाय २५६ चित्रांसाठी त्यांनी आकडा जवळपास १,००० तास सांगितला.

त्यांचा उपाय, denoising diffusion implicit models किंवा DDIM, प्रशिक्षण अगदी पूर्वीसारखेच ठेवतो आणि फक्त नमुने कसे काढले जातात तेवढेच बदलतो. लेखक २० ते १०० पायऱ्यांत १,००० पायऱ्यांच्या मॉडेल्सशी तुलनीय नमुने नोंदवतात, म्हणजे १० ते ५० पट वेग, आणि नमूद करतात की प्रत्येक नमुन्याचा वेळ पायऱ्यांच्या संख्येसोबत सरळ रेषेत वाढतो.

सात आठवड्यांनी, २६ नोव्हेंबर २०२० रोजी, यांग सॉन्ग आणि पाच सहलेखकांनी, ज्यांत २०१५ च्या शोधनिबंधातील सोल-डिक्स्टाइनही होते, प्रक्रियेला डेटापासून नॉइजकडे जाणारे stochastic differential equation (ज्यात यादृच्छिक हालचाल अंतर्भूत आहे असे समीकरण) म्हणून मांडले, आणि नॉइजपासून डेटाकडे परत जाणारे जुळणारे उलटे समीकरण. त्यांच्या शब्दांत: “डेटामधून नॉइज तयार करणे सोपे आहे; नॉइजमधून डेटा तयार करणे म्हणजे जनरेटिव्ह मॉडेलिंग.” ते लिहितात की ही चौकट आधीचे स्कोअर-आधारित आणि डिफ्यूजन दृष्टिकोन सामावून घेते, आणि स्कोअर-आधारित मॉडेलमधून प्रथमच १०२४ बाय १०२४ चित्रे तयार केल्याचे नोंदवतात.

चित्राला शब्दांचे पालन करायला लावणे

चित्र जनरेटरला सूचना पाळावी लागते, आणि डिफ्यूजनला ते करण्याचा मार्ग हवा होता. आधीची पद्धत, classifier guidance, वेगळा चित्र वर्गीकरणकर्ता वापरून नमुना काढण्याला दिशा देते. जोनाथन हो आणि टिम सलिमन्स यांनी २६ जुलै २०२२ रोजी प्रसिद्ध केलेल्या शोधनिबंधात (ज्याची संक्षिप्त आवृत्ती NeurIPS 2021 च्या एका कार्यशाळेत आली होती) ते त्याशिवायही होऊ शकते हे दाखवले.

classifier-free guidance मध्ये एकच नेटवर्क एकाच वेळी दोन कामांवर प्रशिक्षित केले जाते. प्रशिक्षणातील काही उदाहरणांसाठी लेबल किंवा सूचना यादृच्छिकपणे रिकाम्या जागाधारकाने बदलली जाते, त्यामुळे नेटवर्क ती असताना आणि नसताना दोन्हीसाठी नॉइज काढायला शिकते. नमुना काढताना दोन्ही अंदाज एकत्र केले जातात, आणि एक वजन w निकाल सूचनेकडे किती झुकतो ते ठरवते. ६४ बाय ६४ ImageNet वर लेखकांनी अट ०.१, ०.२ आणि ०.५ संभाव्यतेने वगळून पाहिली, आणि ०.५ इतर दोघांपेक्षा सातत्याने वाईट आढळले. वजन वाढवल्याने प्रत्येक चित्राची गुणवत्ता वाढते आणि चित्रांमधील विविधता कमी होते.

पद्धतीला वेळ लागतो. प्रत्येक नमुना पायरीला नेटवर्कमधून दोन फेऱ्या लागतात, एक सूचनेसह आणि एक सूचनेशिवाय, ज्याला लेखक संभाव्य तोटा म्हणतात.

Stable Diffusion ही पद्धत वापरते. v1-4 मॉडेल कार्ड सांगते की त्याच्या प्रशिक्षणाच्या शेवटच्या टप्प्यात “classifier-free guidance नमुना काढणे सुधारण्यासाठी” मजकूर अट १० टक्के वेळा वगळली गेली. Hugging Face चे मार्गदर्शक वापरकर्त्याला दिसणारे नियंत्रण guidance_scale म्हणून देते, ज्याचे डीफॉल्ट ७.५ आहे आणि ७ ते ८.५ दरम्यानची मूल्ये सहसा चांगली म्हटली आहेत. ते इशारा देते की खूप मोठी मूल्ये चांगली दिसू शकणारी पण कमी वैविध्याची चित्रे देतात.

लहान कॅनव्हासवर काम करणे

पिक्सेल-अवकाशातील डिफ्यूजन महाग आहे. रॉबिन रोम्बाख, आंद्रियास ब्लात्टमान, डोमिनिक लॉरेन्झ, पॅट्रिक एसर आणि ब्यॉर्न ओमर यांनी २० डिसेंबर २०२१ च्या आपल्या शोधनिबंधाची सुरुवात असे म्हणून केली की सर्वात शक्तिशाली डिफ्यूजन मॉडेल्सना प्रशिक्षणासाठी अनेकदा शेकडो GPU दिवस लागतात. ते आधीच्या मॉडेलसाठी १५० ते १,००० V100 दिवस सांगतात, आणि अशा मॉडेलमधून ५०,००० नमुने तयार करायला एका A100 वर सुमारे पाच दिवस.

त्यांचा उपाय म्हणजे डिफ्यूजन लेटंट स्पेसमध्ये चालवणे, म्हणजे चित्राचा संकुचित संख्यात्मक सारांश. आधी एक वेगळा ऑटोएन्कोडर, चित्र लहान करून पुन्हा मोठे करणारी नेटवर्कची जोडी, प्रशिक्षित केली जाते. मग डिफ्यूजन त्या लहान सारांशावर होते, आणि डीकोडर पूर्ण झालेला सारांश पुन्हा पिक्सेलमध्ये बदलतो. लेखक U-Net मध्ये क्रॉस-अटेन्शन स्तरही जोडतात, जेणेकरून मजकूर किंवा इतर इनपुट त्याला दिशा देऊ शकतील.

एका NVIDIA A100 वर, ImageNet वर २० लाख पायऱ्यांसाठी प्रशिक्षण देताना आणि पॅरामीटर्सची संख्या सारखी ठेवून, त्यांना पिक्सेल-अवकाशातील डिफ्यूजन आणि ८ च्या संकुचन घटकावरील डिफ्यूजन यांच्यात ३८ FID गुणांचे अंतर आढळले. शोधनिबंध लहान घटकांच्या निकालांचे कारण असे देतो की न दिसणाऱ्या तपशिलाचे बरेचसे संकुचन डिफ्यूजन मॉडेलवरच सोडले जाते.

Stable Diffusion ८ चा घटक वापरते. मॉडेल कार्ड सांगते की ते उंची H आणि रुंदी W आणि तीन रंग वाहिन्या असलेल्या चित्राला H/८ बाय W/८ आणि चार वाहिन्यांच्या लेटंटमध्ये नेते. ५१२ बाय ५१२ चित्रासाठी ते ६४ बाय ६४ जाळे होते, ज्याला Hugging Face चे मार्गदर्शक ८ x ८ = ६४ चे अवकाशीय संकुचन गुणोत्तर म्हणते. साध्या भागाकाराने, चित्रातील ७,८६,४३२ संख्या लेटंटमधील १६,३८४ संख्या होतात, म्हणजे नेटवर्क प्रत्येक पायरीला जे हाताळते त्यात ४८ पट घट.

सूचना संख्यांमध्ये बदलण्याचे काम CLIP च्या (ViT-L/14 आवृत्ती) टेक्स्ट एन्कोडरकडे आहे, जो मॉडेल कार्डच्या म्हणण्यानुसार स्थिर आणि आधीच प्रशिक्षित आहे, म्हणजे उर्वरित भागासोबत प्रशिक्षित केला जात नाही. Hugging Face त्याच्या निकालाचे वर्णन ७७ बाय ७६८ संख्यांचा एक गठ्ठा असे करते, जो U-Net क्रॉस-अटेन्शनद्वारे वाचतो.

२२ ऑगस्ट २०२२ रोजी काय प्रसिद्ध झाले

Stability AI ची घोषणा Hugging Face मधील कायदेशीर, नीतिशास्त्र आणि तंत्रज्ञान चमूंना आणि क्लाउड पुरवठादार CoreWeave मधील अभियंत्यांना श्रेय देते. मॉडेल Creative ML OpenRAIL-M परवान्याखाली आले, ज्याचे कंपनी वाणिज्यिक आणि अवाणिज्यिक वापराला परवानगी देणारे, पण नैतिक आणि कायदेशीर वापराची जबाबदारी वापरकर्त्यावर टाकणारे, आणि कोणत्याही वितरणासोबत परवाना असणे आवश्यक करणारे असे वर्णन करते. अवांछित निकाल काढण्यासाठी एक सुरक्षा वर्गीकरणकर्ता डीफॉल्टनुसार समाविष्ट होता. शिफारस केलेले वेट्स v1.4 होते, आणि कंपनीने सांगितले की NVIDIA चिप्सची शिफारस आहे, AMD आणि Apple M1 व M2 चिप्ससाठी समर्थन येणार. कंपनीने प्रसिद्ध केलेले पान तारीख वर्षाशिवाय “Aug 22” अशी दाखवते, आणि त्याच प्रसिद्धीवरील Hugging Face चे मार्गदर्शक २२ ऑगस्ट २०२२ ही तारीख देते.

मॉडेल कार्ड रॉबिन रोम्बाख आणि पॅट्रिक एसर यांना विकसक म्हणून नावाजते आणि सांगते की Stable Diffusion v1 LAION-2B(en) आणि त्याच्या उपसंचांवर प्रशिक्षित केले होते. १६ ऑक्टोबर २०२२ चा LAION-5B शोधनिबंध CLIP ने गाळलेल्या ५.८५ अब्ज चित्र-मजकूर जोड्यांचे वर्णन करतो, ज्यांपैकी २.३२ अब्जांचा मजकूर इंग्रजी आहे. हार्डवेअरसाठी कार्ड ३२ x ८ A100 GPU सांगते, आणि उत्सर्जनाच्या अंदाजासाठी पूर्व अमेरिकेतील Amazon Web Services क्षेत्रातील A100 PCIe 40GB कार्डांवर १,५०,००० तास, ज्याला ते ११,२५० किलो CO2 समतुल्य म्हणते. हे कार्डचे स्वतःचे अंदाज आहेत.

पायऱ्यांना प्रत्यक्षात महत्त्व आहे. Hugging Face च्या मार्गदर्शकात डीफॉल्ट ५० नॉइज-काढण्याच्या पायऱ्या आहेत, आणि १५ पायऱ्यांच्या फेरीत एकूण रचना तीच राहिली पण अंतराळवीराच्या पोशाखात आणि घोड्याच्या आकारात दोष आले.

मॉडेल कार्ड ते काय करू शकत नाही असे सांगते

Hugging Face चे मार्गदर्शक सांगते की नंतरच्या आवृत्त्या, १.५, २ आणि २.१, किमान कोड बदलांसह चालतात. हा लेख फक्त v1-4 आणि २०२२ पर्यंतचे शोधनिबंध वर्णन करतो. रोम्बाख आणि एसर यांनी लिहिलेले v1-4 कार्ड या आवृत्तीच्या मर्यादांबद्दल स्पष्ट आहे. मॉडेल परिपूर्ण फोटोरिअलिझम साधत नाही आणि वाचता येणारा मजकूर तयार करू शकत नाही. “निळ्या गोलावर लाल घन” अशा रचनात्मक कामांवर ते चांगले कामगिरी करत नाही, आणि चेहरे व माणसे नीट तयार होणार नाहीत.

कार्ड सांगते की मॉडेल मुख्यतः इंग्रजी मथळ्यांवर प्रशिक्षित केले होते आणि इतर भाषांत कमी चांगले चालते, आणि ऑटोएन्कोडर हानीकारक (lossy) आहे. ते असेही नोंदवते की डेटाची पुनरावृत्ती काढली नव्हती, म्हणून प्रशिक्षण संचात अनेक वेळा येणारी काही चित्रे लक्षात राहतात, आणि तपासण्यासाठी एका सार्वजनिक शोध साधनाकडे निर्देश करते. प्रशिक्षण संचात प्रौढांसाठीचा मजकूर आहे, असे ते जोडते, आणि अतिरिक्त सुरक्षा यंत्रणांशिवाय तो डेटासेट उत्पादनाच्या वापरासाठी योग्य नाही असे कार्ड म्हणते. अशा डेटावर प्रशिक्षण देणे कायदेशीर आहे का हे न्यायालयांत ठरत आहे, जसे एआय प्रशिक्षणावरील २०२६ चे तीन निकाल दाखवतात. कार्ड गैरवापरांत तोतयेगिरी आणि चुकीची माहिती यांची नोंद करते; निवडणुकीतील एआय बनावटींचे नियम एफसीसी, ईयू आणि भारत यांवरील या आढाव्यात आले आहेत.

२०२० चा सॅम्पलर तो बनवलेल्या प्रत्येक चित्रासाठी १,००० पायऱ्या वापरत होता. Hugging Face चे २२ ऑगस्ट २०२२ चे मार्गदर्शक उच्च दर्जाच्या ५१२ बाय ५१२ चित्रासाठी ५० पायऱ्या सहसा पुरेशा म्हणते.

Share
Copied!

स्रोत आणि पुढील वाचन

  1. Sohl-Dickstein, Weiss, Maheswaranathan and Ganguli: Deep Unsupervised Learning using Nonequilibrium Thermodynamics (arXiv:1503.03585, 12 March 2015)
  2. Ho, Jain and Abbeel: Denoising Diffusion Probabilistic Models (arXiv:2006.11239, 19 June 2020; NeurIPS 2020)
  3. Song, Meng and Ermon: Denoising Diffusion Implicit Models (arXiv:2010.02502, 6 October 2020; ICLR 2021)
  4. Song, Sohl-Dickstein, Kingma, Kumar, Ermon and Poole: Score-Based Generative Modeling through Stochastic Differential Equations (arXiv:2011.13456, 26 November 2020; ICLR 2021)
  5. Ho and Salimans: Classifier-Free Diffusion Guidance (arXiv:2207.12598, 26 July 2022)
  6. Rombach, Blattmann, Lorenz, Esser and Ommer: High-Resolution Image Synthesis with Latent Diffusion Models (arXiv:2112.10752, 20 December 2021; CVPR 2022)
  7. Stability AI: Stable Diffusion Public Release (22 August)
  8. CompVis and Stability AI: Stable Diffusion v1-4 model card (Hugging Face)
  9. Patil, Cuenca, Lambert and von Platen, Hugging Face: Stable Diffusion with Diffusers (22 August 2022)
  10. Schuhmann et al.: LAION-5B, an open large-scale dataset for training next generation image-text models (arXiv:2210.08402, 16 October 2022)

हा लेख AI साधनांच्या मदतीने संशोधित आणि लिहिला गेला असून अचूकतेसाठी संपादित केला आहे. हा केवळ सर्वसाधारण माहिती आणि चर्चेसाठी आहे, व्यावसायिक सल्ला नाही. आमचे संपादकीय मानक आणि अस्वीकरण पाहा. चूक आढळली? आम्हाला कळवा.

#diffusion models#stable diffusion#generative ai#image generation#latent diffusion#classifier-free guidance#ddpm#stability ai

आवडलं? पुढचा लेख मिळवा.

एका वेळी एक चांगला लेख, थेट तुमच्या इनबॉक्समध्ये. स्पॅम नाही, हवं तेव्हा थांबवा.

याच विभागात आणखी: एआय आणि तंत्रज्ञान
पर्सिव्हरन्स यानाने ८ आणि १० डिसेंबर २०२५ रोजी एआय मॉडेलने आखलेल्या आणि नासाच्या अभियंत्यांनी तपासलेल्या मार्गबिंदूंवरून जेझेरो विवरातून ४५६ मीटर प्रवास केला
सरासरी पृथ्वीपासून २२.५ कोटी किलोमीटरवर असलेल्या रोव्हरने कक्षेतील प्रतिमांचा अभ्यास केलेल्या भाषा मॉडेलने आखलेला मार्ग अनुसरला, आणि रोव्हर चमूच्या सिम्युलेटरने आधी त्यावर शिक्कामोर्तब केले. कोणी काय केले, कोणाच्या शब्दांत, आणि आकडे काय दाखवतात आणि काय नाही.
एआयचा सर्वाधिक संपर्क असलेल्या नोकऱ्यांमधील तरुण कामगार जिथे असायला हवे होते त्यापेक्षा १९ टक्के मागे आहेत, असे लाखो वेतन-नोंदींवरील स्टॅनफोर्डच्या अभ्यासात आढळले, आणि हे एआयमुळे झाले हे सिद्ध होत नाही असे त्याचे लेखक म्हणतात
एडीपीच्या लाखो वेतन-नोंदींमध्ये, एआय ज्या कामांत सर्वात चांगले आहे त्या नोकऱ्यांतील तरुण कामगार आपल्या समवयस्कांपेक्षा मागे पडत आहेत. याचे कारण एआय आहे का, हे एकच गोष्ट लेखक सांगायला नकार देतात.
९९ व्या ऑस्करसाठी अकादमीचे नियम पटकथा माणसाने लिहिलेली आणि अभिनयाच्या भूमिका माणसाने साकारलेल्या असण्याची अट घालतात, तर एआय साधने नामांकनाला मदतही करत नाहीत आणि हानीही पोहोचवत नाहीत
नियमपुस्तिकेचा मजकूर परिच्छेदानुसार, तो ज्या एप्रिल २०२५ च्या शब्दरचनेवर उभा आहे तिच्यासह, अकादमीची स्वतःची मते, आणि इफेक्ट्स स्टुडिओ व अकादमीचे सायन्स-टेक पुरस्कार आधीच मान्य करत असलेली मशीन लर्निंग साधने.
← सर्व लेख