Meta, Metaverse’deki Sanal Ajan Davranışını İlerletmek İçin AI Modelini Yayınlıyor

Perşembe günü, Meta FAIR, makine öğrenmesi ve yapay zekanın ilerlemesini hedefleyen bir dizi yeni araştırma aracı ve bulguyu yayınladı. Bu yayınlar, ajan geliştirme, sağlamlık, güvenlik ve makine öğrenmesi mimarileri gibi alanlara odaklanıyor.

Öne çıkanlar arasında, sanal bedenli ajanları kontrol etmek için bir temel model olan Meta Motivo ve içerik izlenebilirliğini artırmak için tasarlanmış bir video filigran modeli olan Meta Video Seal bulunuyor.

Meta Video Seal, sesli filigran araştırmaları üzerine inşa edilmiştir ve video içeriklerine fark edilmeyecek filigranların yerleştirilmesini sağlar. Sistem, bulanıklık, kırpma ve sıkıştırma gibi yaygın değişikliklere karşı dirençlidir ve dijital medyanın korunması için pratik uygulamalar sunar.

Buna eşlik eden şey, Omni Seal Bench’dir, bu farklı formatlardaki filigran sistemlerini değerlendirmek için bir ölçüm platformudur. Bu platform, araştırma topluluğu içindeki işbirliğini teşvik etmeyi amaçlamaktadır.

Meta Motivo, denetimsiz pekiştirmeli öğrenme için bir çerçeve sunar. Durumlar, hareketler ve ödüller için paylaşılan gizli bir alan oluşturmak üzere bir hareket veri seti kullanır.

Model, yerçekimi ve rüzgar gibi çevresel değişikliklere karşı sağlamlığı korurken, sıfır atışlı hareket izleme ve hedefe ulaşma gibi yetenekleri gösterir. Bu özelliklerin sanal ortamlar ve animasyonda potansiyel uygulamaları vardır.

Flow Matching, başka bir sürüm, üretken modeller için geleneksel yayılım yöntemlerine bir alternatif sağlar. Farklı veri türlerini destekler, bunlar arasında resimler, videolar ve 3D yapılar bulunurken, hesaplamalı verimliliği ve performansı iyileştirir.

Sosyal akıl yürütme alanında, Meta Explore Theory-of-Mind, inançlar ve düşünceler hakkında akıl yürütme için AI modellerini eğitmek üzere bir program kılavuzlu veri seti oluşturma yöntemi sunar.

İlk testler, kurulan referanslar üzerinde model performansında iyileşmeler gösteriyor ve bu durum, büyük dil modellerindeki akıl yürütme yeteneğini artırmak için önemli sonuçlar doğuruyor.

Meta, Büyük Kavram Modelleri (BKMs) adı verilen bir yaklaşımı da tanıttı. Bu modeller, dil temsiliyle akıl yürütme görevlerini ayırmayı hedefliyor ve bireysel simgeler yerine kavramsal fikirleri tahmin etmeye çalışıyor.

Bu yaklaşımın, özetleme ve çok dilli işlem gibi görevleri iyileştirdiği bildirilmektedir. Ayrıca, Dinamik Byte Latent Transformer, tokenizasyon ihtiyacını ortadan kaldırarak, uzun dizilerin ve nadir metinlerin daha verimli işlenmesini sağlar.

Diğer yayımlar arasında, faktörel bilginin modellere ölçeklendirilmesine yardımcı olan Meta Hafıza Katmanları ve sorumlu görüntü oluşturma değerlendirmesi için araçlar bulunmaktadır.

AI ajanlarının fiziksel benzeri bedenlerle entegrasyonu, metaverse’de önemli bir değişimi işaret ediyor, daha gerçekçi etkileşimler ve dinamik sanal deneyimler sağlıyor.

Ancak, bu ilerlemeler sanal ve gerçek dünyalar arasındaki sınırları bulanıklaştırabilir ve gizlilik, hesap verebilirlik ve giderek daha gerçekçi sanal ajanların toplumsal etkisi hakkında soruları gündeme getirebilir.