Microsoft ได้เพิ่มขีดความสามารถให้กับ Small Language Model (SLM) อย่าง Phi Silica ของตนเอง โดยการเพิ่มความสามารถในการ “มองเห็น” ซึ่งทำให้เกิดฟังก์ชันการทำงานแบบมัลติโมดอล การปรับปรุงนี้ทำให้ Phi Silica เป็นแกนหลักอัจฉริยะที่ขับเคลื่อนคุณสมบัติ AI เช่น Recall ซึ่งช่วยเพิ่มขีดความสามารถของมันอย่างมีนัยสำคัญ
ปฏิวัติความสามารถด้าน AI ด้วย Multimodality
ด้วยการบูรณาการความเข้าใจด้านภาพ Microsoft ได้เปลี่ยน Phi Silica ให้เป็นระบบมัลติโมดอล ความก้าวหน้านี้ช่วยให้ SLM เข้าใจภาพได้อย่างซับซ้อนมากขึ้น ปูทางไปสู่คุณสมบัติการผลิตและเข้าถึงที่เป็นนวัตกรรมใหม่ นี่แสดงถึงก้าวสำคัญไปข้างหน้าในวิธีที่ AI สามารถโต้ตอบและตีความข้อมูลในรูปแบบที่หลากหลายได้
ทำความเข้าใจ Phi Silica: เครื่องยนต์เบื้องหลัง Local AI
Phi Silica คือ Small Language Model (SLM) ที่สร้างขึ้นอย่างพิถีพิถันโดย Microsoft ในฐานะที่เป็นรุ่นที่คล่องตัวกว่าของโมเดล AI ขนาดใหญ่ จึงได้รับการออกแบบมาโดยเฉพาะสำหรับการบูรณาการและการทำงานที่ราบรื่นภายใน Copilot+ PCs การทำงานในเครื่องหมายถึงเวลาตอบสนองที่เร็วขึ้นและลดการพึ่งพาแหล่งข้อมูลบนคลาวด์
Phi Silica ทำหน้าที่เป็นกลไก AI ในเครื่อง ซึ่งขับเคลื่อนฟังก์ชันมากมายภายใน Windows รวมถึง Windows Copilot Runtime มันเก่งในการสรุปข้อความในเครื่อง ซึ่งช่วยลดการใช้พลังงานเนื่องจากมันดำเนินการงานโดยตรงบนอุปกรณ์แทนที่จะต้องพึ่งพาการประมวลผลบนคลาวด์ ประสิทธิภาพนี้มีความสำคัญอย่างยิ่งสำหรับอุปกรณ์เคลื่อนที่และระบบที่การประหยัดพลังงานมีความสำคัญสูงสุด
Phi Silica ยังมีบทบาทสำคัญในฟังก์ชัน Windows Recall โดยจับภาพหน้าจอของเนื้อหาที่แสดงและทำหน้าที่เป็นเครื่องช่วยความจำ สิ่งนี้ช่วยให้ผู้ใช้สามารถดึงข้อมูลตามเนื้อหาภาพในอดีตผ่านการสืบค้นภาษาธรรมชาติ การรวมคุณสมบัติดังกล่าวเข้ากับระบบปฏิบัติการโดยตรงแสดงให้เห็นถึงความมุ่งมั่นของ Microsoft ในการปรับปรุงประสบการณ์ผู้ใช้ผ่าน AI
ความสำเร็จอย่างมีประสิทธิภาพผ่านการนำกลับมาใช้ใหม่
ความสำเร็จของ Microsoft เป็นสิ่งที่น่าสังเกตเป็นพิเศษเนื่องจากใช้ประโยชน์จากส่วนประกอบที่มีอยู่ได้อย่างมีประสิทธิภาพ แทนที่จะสร้างส่วนประกอบใหม่ทั้งหมด การแนะนำโมเดล “โปรเจ็กเตอร์” ขนาดเล็กช่วยอำนวยความสะดวกด้านความสามารถด้านวิชันซิสเต็มโดยไม่มีค่าใช้จ่ายทรัพยากรที่สำคัญ แนวทางนี้เน้นย้ำถึงการเน้นเชิงกลยุทธ์ในการเพิ่มประสิทธิภาพและความเฉลียวฉลาดในการพัฒนา AI
การใช้ทรัพยากรอย่างมีประสิทธิภาพนี้แปลเป็นการลดการใช้พลังงาน ซึ่งเป็นปัจจัยที่ผู้ใช้ชื่นชมอย่างมาก โดยเฉพาะอย่างยิ่งผู้ที่ใช้อุปกรณ์เคลื่อนที่ ดังที่กล่าวไว้ก่อนหน้านี้ ความสามารถแบบมัลติโมดอลของ Phi Silica พร้อมที่จะขับเคลื่อนประสบการณ์ AI ต่างๆ เช่น คำอธิบายภาพ ซึ่งเปิดช่องทางใหม่สำหรับการโต้ตอบและการเข้าถึงของผู้ใช้
ขยายการเข้าถึงและฟังก์ชันการทำงาน
ขณะนี้มีให้บริการในภาษาอังกฤษ Microsoft วางแผนที่จะขยายการปรับปรุงเหล่านี้ไปยังภาษาอื่นๆ ซึ่งขยายการใช้งานและการเข้าถึงระบบทั่วโลก การขยายนี้เป็นขั้นตอนสำคัญในการทำให้มั่นใจว่าประโยชน์ของ AI จะพร้อมใช้งานสำหรับผู้ชมที่กว้างขึ้น
ในขณะนี้ ฟังก์ชันการทำงานแบบมัลติโมดอลของ Phi Silica มีเฉพาะใน Copilot+ PCs ที่มีชิป Snapdragon เท่านั้น อย่างไรก็ตาม Microsoft ตั้งใจที่จะขยายความพร้อมใช้งานไปยังอุปกรณ์ที่ขับเคลื่อนโดยโปรเซสเซอร์ AMD และ Intel ในอนาคต เพื่อให้มั่นใจถึงความเข้ากันได้และการยอมรับที่กว้างขึ้น
ความสำเร็จของ Microsoft สมควรได้รับการยอมรับสำหรับแนวทางที่เป็นนวัตกรรมใหม่ ในขั้นต้น Phi Silica สามารถเข้าใจได้เฉพาะคำ ตัวอักษร และข้อความเท่านั้น แทนที่จะพัฒนาส่วนประกอบใหม่เพื่อทำหน้าที่เป็น “สมอง” ใหม่ Microsoft เลือกใช้โซลูชันที่สร้างสรรค์และมีประสิทธิภาพมากขึ้น การตัดสินใจนี้เน้นย้ำถึงการมุ่งเน้นไปที่นวัตกรรมที่ชาญฉลาดและการพัฒนาเชิงกลยุทธ์
วิธีการอันชาญฉลาดเบื้องหลังความเข้าใจด้านภาพ
เพื่อให้กระชับยิ่งขึ้น Microsoft ได้เปิดเผยผู้เชี่ยวชาญด้านการวิเคราะห์ภาพจำนวนมากให้กับรูปภาพและรูปภาพต่างๆ เป็นผลให้ระบบนี้เชี่ยวชาญในการจดจำองค์ประกอบที่สำคัญที่สุดภายในภาพถ่าย กระบวนการฝึกอบรมนี้ช่วยให้ระบบพัฒนาความเข้าใจที่ซับซ้อนเกี่ยวกับเนื้อหาภาพ
ต่อมา บริษัทได้สร้างตัวแปลที่สามารถตีความข้อมูลที่ระบบดึงมาจากภาพถ่ายและแปลงเป็นรูปแบบที่ Phi Silica สามารถเข้าใจได้ ตัวแปลนี้ทำหน้าที่เป็นสะพาน ช่วยให้ SLM สามารถประมวลผลและรวมข้อมูลภาพได้
จากนั้น Phi Silica ได้รับการฝึกฝนให้เชี่ยวชาญภาษาใหม่ของรูปภาพและรูปภาพนี้ ซึ่งทำให้สามารถเชื่อมโยงภาษานี้กับฐานข้อมูลและความรู้เกี่ยวกับคำศัพท์ได้ การรวมข้อมูลภาพและข้อความนี้ทำให้เข้าใจข้อมูลได้อย่างครอบคลุมมากขึ้น
Phi Silica: ภาพรวมโดยละเอียด
ดังที่กล่าวไว้ก่อนหน้านี้ Phi Silica คือ Small Language Model (SLM) ซึ่งเป็นประเภทของ AI ที่ออกแบบมาเพื่อทำความเข้าใจและทำซ้ำภาษาธรรมชาติ เช่นเดียวกับ Large Language Model (LLM) แต่ความแตกต่างหลักอยู่ที่ขนาดที่เล็กกว่าเมื่อเทียบกับจำนวนพารามิเตอร์ ขนาดที่ลดลงนี้ช่วยให้การทำงานมีประสิทธิภาพบนอุปกรณ์ในเครื่อง ลดความจำเป็นในการประมวลผลบนคลาวด์
Microsoft’s SLM, Phi Silica ทำหน้าที่เป็นแกนหลักอัจฉริยะเบื้องหลังคุณสมบัติต่างๆ เช่น Recall และคุณสมบัติอัจฉริยะอื่นๆ การปรับปรุงล่าสุดช่วยให้มันสามารถเป็นมัลติโมดอลและรับรู้ภาพนอกเหนือจากข้อความ ซึ่งขยายอรรถประโยชน์และสถานการณ์การใช้งาน นี่เป็นการก้าวไปข้างหน้าอย่างมีนัยสำคัญในการสร้างระบบ AI ที่ใช้งานง่ายและหลากหลายยิ่งขึ้น
Microsoft ได้แบ่งปันตัวอย่างความเป็นไปได้ที่ปลดล็อกโดยความสามารถแบบมัลติโมดอลของ Phi Silica โดยมุ่งเน้นไปที่เครื่องช่วยการเข้าถึงสำหรับผู้ใช้เป็นหลัก ตัวอย่างเหล่านี้เน้นย้ำถึงศักยภาพของ SLM ในการปรับปรุงชีวิตของผู้พิการและผู้ที่ต้องการความช่วยเหลือเกี่ยวกับงานด้านความรู้ความเข้าใจ
ปฏิวัติการเข้าถึงสำหรับผู้ใช้
แอปพลิเคชันที่สำคัญอย่างหนึ่งคือการช่วยเหลือผู้ที่มีความบกพร่องทางการมองเห็น ตัวอย่างเช่น หากผู้ที่มีความบกพร่องทางการมองเห็นพบรูปภาพบนเว็บไซต์หรือในเอกสาร Microsoft’s SLM สามารถสร้างคำอธิบายข้อความและรายละเอียดของภาพโดยอัตโนมัติ จากนั้นคำอธิบายนี้สามารถอ่านออกเสียงโดยเครื่องมือ PC ทำให้ผู้ใช้เข้าใจเนื้อหาของภาพ ฟังก์ชันนี้แสดงถึงก้าวสำคัญในการทำให้เนื้อหาภาพเข้าถึงได้สำหรับทุกคน
นอกจากนี้ การปรับปรุงนี้ยังมีประโยชน์สำหรับผู้ที่มีความบกพร่องทางการเรียนรู้ SLM สามารถวิเคราะห์เนื้อหาที่แสดงบนหน้าจอและให้คำอธิบายหรือความช่วยเหลือตามบริบทและรายละเอียดแก่ผู้ใช้ สิ่งนี้สามารถปรับปรุงผลการเรียนรู้อย่างมีนัยสำคัญและให้การสนับสนุนแก่ผู้ที่ประสบปัญหาในการเรียนรู้วิธีการแบบดั้งเดิม
Phi Silica ยังสามารถช่วยในการระบุวัตถุ ป้ายกำกับ หรืออ่านข้อความจากองค์ประกอบที่แสดงบนเว็บแคมของอุปกรณ์ แอปพลิเคชันของการปรับปรุงนี้ไปยังSmall Language Model ของ Microsoft มีมากมายและมีศักยภาพอย่างมากในการช่วยเหลือผู้ใช้ในหลากหลายวิธี สิ่งนี้แสดงให้เห็นถึงความมุ่งมั่นของ Microsoft ในการสร้าง AI ที่ทรงพลังและเข้าถึงได้
แอปพลิเคชันในหลากหลายโดเมน
นอกเหนือจากการเข้าถึง ความสามารถแบบมัลติโมดอลของ Phi Silica ยังขยายไปสู่โดเมนอื่นๆ ที่หลากหลาย ตัวอย่างเช่น สามารถใช้ในการศึกษาเพื่อให้คำอธิบายโดยละเอียดเกี่ยวกับไดอะแกรมหรือภาพประกอบที่ซับซ้อน ซึ่งจะช่วยเพิ่มประสบการณ์การเรียนรู้ ในด้านการดูแลสุขภาพ สามารถช่วยในการวิเคราะห์ภาพทางการแพทย์ เช่น รังสีเอกซ์ เพื่อช่วยให้แพทย์วินิจฉัยได้อย่างแม่นยำยิ่งขึ้น
ในขอบเขตของธุรกิจ Phi Silica สามารถใช้เพื่อทำงานโดยอัตโนมัติ เช่น การดึงข้อมูลจากใบแจ้งหนี้หรือใบเสร็จรับเงิน ซึ่งช่วยประหยัดเวลาและลดข้อผิดพลาด นอกจากนี้ยังสามารถใช้เพื่อปรับปรุงการบริการลูกค้าโดยให้การตอบสนองอัตโนมัติต่อข้อสงสัยของลูกค้าตามคิวภาพ
การรวมฟังก์ชันการทำงานแบบมัลติโมดอลเข้ากับ Phi Silica ถือเป็นก้าวสำคัญในการวิวัฒนาการของ AI ด้วยการเปิดใช้งาน SLM เพื่อทำความเข้าใจทั้งข้อความและรูปภาพ Microsoft ได้ปลดล็อกความเป็นไปได้และแอปพลิเคชันใหม่ๆ มากมาย ในขณะที่ Microsoft ยังคงปรับปรุงและขยายขีดความสามารถของ Phi Silica ต่อไป มันพร้อมที่จะมีบทบาทสำคัญมากขึ้นในการกำหนดอนาคตของ AI
เปลี่ยนแปลงการโต้ตอบของผู้ใช้ด้วย AI
การเปลี่ยนไปสู่ระบบ AI แบบมัลติโมดอลเช่น Phi Silica ไม่ได้เป็นเพียงการเพิ่มคุณสมบัติใหม่เท่านั้น แต่เป็นการเปลี่ยนแปลงพื้นฐานในวิธีที่ผู้ใช้โต้ตอบกับเทคโนโลยี ด้วยการทำความเข้าใจและตอบสนองต่อทั้งอินพุตภาพและข้อความ AI จึงสามารถใช้งานง่ายและตอบสนองต่อความต้องการที่หลากหลายของผู้ใช้มากขึ้น
การเปลี่ยนแปลงนี้มีความสำคัญอย่างยิ่งในโลกดิจิทัลที่เพิ่มมากขึ้น ซึ่งผู้ใช้จะถูกโจมตีด้วยข้อมูลจากแหล่งต่างๆ อย่างต่อเนื่อง ด้วยการจัดหาระบบ AI ที่สามารถช่วยผู้ใช้กรอง ทำความเข้าใจ และประมวลผลข้อมูลนี้ เราสามารถเพิ่มขีดความสามารถให้พวกเขาทำงานได้อย่างมีประสิทธิภาพมากขึ้น รับทราบข้อมูล และมีส่วนร่วม
อนาคตของ Multimodal AI
เมื่อมองไปข้างหน้า อนาคตของ AI แบบมัลติโมดอลนั้นสดใส ในขณะที่โมเดล AI มีความซับซ้อนมากขึ้นและข้อมูลมีมากมายมากขึ้น เราคาดว่าจะได้เห็นแอปพลิเคชันที่เป็นนวัตกรรมใหม่ๆ ของ AI แบบมัลติโมดอลในโดเมนต่างๆ มากยิ่งขึ้น ซึ่งรวมถึงด้านต่างๆ เช่น หุ่นยนต์ ยานยนต์อัตโนมัติ และความเป็นจริงเสริม
ในด้านหุ่นยนต์ AI แบบมัลติโมดอลสามารถช่วยให้หุ่นยนต์เข้าใจและโต้ตอบกับสภาพแวดล้อมของมันในลักษณะที่เป็นธรรมชาติและใช้งานง่ายมากขึ้น ตัวอย่างเช่น หุ่นยนต์ที่ติดตั้ง AI แบบมัลติโมดอลสามารถใช้คิวภาพเพื่อนำทางสภาพแวดล้อมที่ซับซ้อน ในขณะเดียวกันก็ใช้คำสั่งข้อความเพื่อตอบสนองต่อคำแนะนำของมนุษย์
ในยานยนต์อัตโนมัติ AI แบบมัลติโมดอลสามารถช่วยให้ยานพาหนะรับรู้และตอบสนองต่อสภาพแวดล้อมในลักษณะที่เชื่อถือได้และปลอดภัยยิ่งขึ้น ตัวอย่างเช่น รถยนต์ที่ขับเคลื่อนด้วยตนเองที่ติดตั้ง AI แบบมัลติโมดอลสามารถใช้ข้อมูลภาพจากกล้องและเซ็นเซอร์ lidar รวมถึงข้อมูลข้อความจากรายงานการจราจร เพื่อทำการตัดสินใจอย่างมีข้อมูลเกี่ยวกับการนำทางและความปลอดภัย
ในความเป็นจริงเสริม AI แบบมัลติโมดอลสามารถช่วยให้ผู้ใช้โต้ตอบกับเนื้อหาดิจิทัลในลักษณะที่สมจริงและมีส่วนร่วมมากขึ้น ตัวอย่างเช่น แอปพลิเคชัน AR ที่ติดตั้ง AI แบบมัลติโมดอลสามารถใช้คิวภาพเพื่อจดจำวัตถุในโลกแห่งความเป็นจริง ในขณะเดียวกันก็ใช้ข้อมูลข้อความจากฐานข้อมูลออนไลน์เพื่อให้ข้อมูลที่เกี่ยวข้องเกี่ยวกับวัตถุเหล่านั้นแก่ผู้ใช้
การแก้ไขความท้าทายและข้อควรพิจารณาด้านจริยธรรม
เช่นเดียวกับเทคโนโลยีที่เกิดขึ้นใหม่ การพัฒนาและการใช้งาน AI แบบมัลติโมดอลยังก่อให้เกิดความท้าทายและข้อควรพิจารณาด้านจริยธรรมที่สำคัญ ความท้าทายที่สำคัญประการหนึ่งคือการทำให้มั่นใจว่าระบบ AI แบบมัลติโมดอลมีความยุติธรรมและเป็นกลาง โมเดล AI บางครั้งอาจทำให้เกิดหรือขยายอคติที่มีอยู่ในข้อมูลที่ใช้ฝึกฝน ซึ่งนำไปสู่ผลลัพธ์ที่ไม่เป็นธรรมหรือเลือกปฏิบัติ
เพื่อแก้ไขความท้าทายนี้ จำเป็นอย่างยิ่งที่จะต้องดูแลจัดการและตรวจสอบข้อมูลที่ใช้ฝึกฝนระบบ AI แบบมัลติโมดอลอย่างรอบคอบ สิ่งสำคัญคือต้องพัฒนาเทคนิคในการตรวจจับและลดอคติในโมเดล AI ความท้าทายที่สำคัญอีกประการหนึ่งคือการรับรองความเป็นส่วนตัวและความปลอดภัยของข้อมูลที่ใช้โดยระบบ AI แบบมัลติโมดอล โมเดล AI บางครั้งอาจเปิดเผยข้อมูลที่ละเอียดอ่อนเกี่ยวกับบุคคลโดยไม่ได้ตั้งใจ เช่น ข้อมูลประจำตัว ความชอบ หรือกิจกรรมของพวกเขา
เพื่อแก้ไขความท้าทายนี้ จำเป็นอย่างยิ่งที่จะต้องใช้ข้อกำหนดด้านนโยบายการกำกับดูแลข้อมูลและมาตรการรักษาความปลอดภัยที่แข็งแกร่ง สิ่งสำคัญคือต้องพัฒนาเทคนิคในการปกป้องข้อมูลที่ไม่ระบุตัวตนและข้อมูลที่ละเอียดอ่อน สุดท้ายนี้ สิ่งสำคัญคือต้องทำให้มั่นใจว่าระบบ AI แบบมัลติโมดอลมีความโปร่งใสและมีความรับผิดชอบ ผู้ใช้ควรจะสามารถเข้าใจวิธีการที่ระบบ AI ตัดสินใจและสามารถเรียกร้องความรับผิดชอบต่อการกระทำของพวกเขาได้
เพื่อแก้ไขความท้าทายนี้ จำเป็นอย่างยิ่งที่จะต้องพัฒนาเทคนิค AI ที่อธิบายได้ (XAI) ซึ่งช่วยให้ผู้ใช้เข้าใจเหตุผลเบื้องหลังการตัดสินใจของ AI สิ่งสำคัญคือต้องกำหนดสายการบังคับบัญชาที่ชัดเจนสำหรับระบบ AI
โดยสรุป การปรับปรุง Phi Silica ของ Microsoft ด้วยความสามารถแบบมัลติโมดอลแสดงถึงก้าวสำคัญในการวิวัฒนาการของ AI ด้วยการเปิดใช้งาน SLM เพื่อทำความเข้าใจทั้งข้อความและรูปภาพ Microsoft ได้ปลดล็อกความเป็นไปได้และแอปพลิเคชันใหม่ๆ มากมาย ในขณะที่ Microsoft และองค์กรอื่นๆ ยังคงพัฒนาและปรับปรุงระบบ AI แบบมัลติโมดอลต่อไป สิ่งสำคัญคือต้องแก้ไขความท้าทายและข้อควรพิจารณาด้านจริยธรรมที่เกี่ยวข้องกับเทคโนโลยีนี้ การทำเช่นนั้นจะทำให้มั่นใจได้ว่า AI แบบมัลติโมดอลจะถูกนำไปใช้อย่างเป็นประโยชน์ต่อสังคมโดยรวม