LMSYS تكشف عن "الساحة متعددة الأنماط": GPT-4 يتصدر قائمة المتصدرين، لكن الذكاء الاصطناعي لا يستطيع مجاراة الرؤية البشرية.

أطلقت منظمة LMSYS "الساحة متعددة الأنماط"، وهي لوحة نتيجة رائدة تقيم نماذج الذكاء الاصطناعي استنادًا إلى أدائها في المهام المتعلقة بالرؤية. خلال أسبوعين فقط، جمعت الساحة أكثر من 17,000 صوت تفضيل من المستخدمين عبر أكثر من 60 لغة، مما يعكس القدرات الحالية للذكاء الاصطناعي في معالجة الصور.

يتصدر نموذج GPT-4o من OpenAI لوحة نتائج الساحة متعددة الأنماط، يليه closely نموذج Claude 3.5 Sonnet من Anthropic وGemini 1.5 Pro من Google. تُبرز هذه الترتيبات المنافسة الشديدة بين الشركات التقنية الرائدة في بيئة الذكاء الاصطناعي متعدّد الأنماط المتغيرة بسرعة.

بشكل مثير للاهتمام، أظهر النموذج مفتوح المصدر LLaVA-v1.6-34B أداءً يعادل بعض النماذج التجارية، مثل Claude 3 Haiku. وهذا يشير إلى إمكانية ديمقراطية قدرات الذكاء الاصطناعي المتقدمة، مما يوفر للباحثين والشركات الصغيرة وصولًا أكبر إلى التكنولوجيا الحديثة.

تغطي لوحة النتائج مجموعة واسعة من المهام، بما في ذلك وصف الصور، وحل المشكلات الرياضية، وفهم الوثائق، وتفسير النكات. تهدف هذه التنوع إلى تقديم رؤية شاملة لقدرات معالجة الصور لدى كل نموذج، مما يلبي المتطلبات المعقدة للتطبيقات الواقعية.

ومع ذلك، بينما توفر الساحة متعددة الأنماط رؤى قيمة، فإنها تقيس في المقام الأول تفضيلات المستخدمين بدلاً من الدقة الموضوعية. يقدم معيار CharXiv الجديد، الذي طوره باحثون من جامعة برينستون، منظورًا أكثر واقعية، حيث يقيم أداء الذكاء الاصطناعي في تفسير الرسوم البيانية من الأوراق العلمية.

تكشف نتائج CharXiv عن قيود كبيرة في الأنظمة الحالية للذكاء الاصطناعي. حيث حقق النموذج الذي سجل أعلى أداء، GPT-4o، دقة تبلغ 47.1%، في حين وصل أفضل نموذج مفتوح المصدر إلى 29.2%. بالمقابل، تبلغ دقة البشر 80.5%، مما يبرز الفجوة الكبيرة في قدرة الذكاء الاصطناعي على تفسير البيانات البصرية المعقدة.

تؤكد هذه الفجوة على تحدٍ كبير في تطوير الذكاء الاصطناعي: على الرغم من التقدم الملحوظ في مهام مثل التعرف على الأشياء وإعداد وصف بسيط للصورة، لا يزال الذكاء الاصطناعي يعاني من صعوبة في التفكير الدقيق والفهم السياقي الذي يطبقه البشر بشكل طبيعي على المعلومات البصرية.

تحدث هذه التطورات في الساحة متعددة الأنماط ونتائج معايير مثل CharXiv في وقت حاسم لصناعة الذكاء الاصطناعي. فيما تسعى الشركات لدمج الذكاء الاصطناعي المتعدد الأنماط في منتجات مثل المساعدات الافتراضية والمركبات المستقلة، يصبح فهم القيود الحقيقية لهذه الأنظمة أمرًا أكثر أهمية.

تعمل هذه المعايير كفحص للواقع، مضادةً للمزاعم المبالغ فيها غالبًا حول قدرات الذكاء الاصطناعي. كما توفر توجيهًا استراتيجيًا للباحثين، مشيرةً إلى المجالات التي تحتاج إلى تحسين للوصول إلى مستوى فهم مرئي يعادل البشر.

تقدم الفجوة بين أداء الذكاء الاصطناعي والأداء البشري في المهام البصرية المعقدة تحديات وفرصًا. فهذا يشير إلى أن التقدم في هيكل الذكاء الاصطناعي أو طرق التدريب قد يكون ضروريًا لتحقيق ذكاء بصري قوي، بينما يمهد الطريق للابتكار في رؤية الكمبيوتر ومعالجة اللغة الطبيعية وعلوم الإدراك.

بينما تعكس مجتمع الذكاء الاصطناعي على هذه النتائج، من المتوقع أن يكون هناك تركيز متجدد على تطوير نماذج يمكنها ليس فقط رؤية العالم البصري، بل فهمه بعمق. السباق مستمر لإنشاء أنظمة ذكاء اصطناعي قد تتمكن يومًا ما من مضاهاة أو حتى تجاوز الفهم البشري في مهام التفكير البصري المعقدة.