Тема развития искусственного интеллекта (AI) и его способности взаимодействовать с окружающим миром становится всё более актуальной. С точки зрения технологий, возможность создавать интеллектуальные системы, которые не просто оперируют языком, а способны воспринимать мир через несколько модальностей — это шаг к более сложным формам ИИ. В этой связи высказывания Линь Дахуа, сооснователя компании Sensetime, представляют собой глубокое размышление о том, как AI может развиваться и какую роль в этом играют языковые модели.

Линь подчеркивает, что язык — лишь один из инструментов, посредством которого мы описываем мир, но он не является источником интеллекта. Это можно рассматривать как аналогию с фотографией: фото может запечатлеть момент, но это не то же самое, что пережить его. Переход к много модальной модели AI потребует интеграции функций восприятия, принятия решений и обучения, что, в свою очередь, является необходимым шагом к созданию общего искусственного интеллекта (AGI). Он предсказывает, что для будущих достижений AI нужно научиться взаимодействовать с миром так же, как это делают люди, через звучание, зрение и другие чувства.

Таким образом, возникает естественный вопрос: как будут развиваться эти много модальные системы? Они могут укорениться в различных областях, от медицины до автономного вождения, параллельно преодолевая существующие ограничения, связанные с языковыми паттернами. Является ли это движением в правильном направлении? Ключевое здесь не просто геометрическое расширение возможностей AI, а скорее глубокое переплечение технологий с человеческим опытом.