Το ChatGPT και το Midjourney αποτελούν πλέον είδηση όχι μόνο στα τεχνολογικά μέσα ενημέρωσης αλλά και σε άλλους τομείς. Αυτό μπορεί να αλλάξει σύντομα, καθώς η επόμενη μεγάλη τεχνολογία τεχνητής νοημοσύνης είναι καθ’ οδόν. Η NVIDIA παρουσίασε μια νέα τεχνολογία που μπορεί σύντομα να ανεβάσει τα GIF σας σε νέα ύψη.
Πριν από λίγο καιρό, η NVIDIA παρουσίασε ένα ενδιαφέρον προϊόν με την ονομασία VideoLDM. Πρόκειται για ένα μοντέλο τεχνητής νοημοσύνης για τη μετατροπή κειμένου σε βίντεο. Παρεμπιπτόντως, η NVIDIA δημιούργησε αυτή την τεχνολογία συνεργαζόμενη με ερευνητές του Πανεπιστημίου Cornell. Με απλά λόγια, αυτό το μοντέλο τεχνητής νοημοσύνης μπορεί να δημιουργήσει βίντεο με ανάλυση έως και 2048 x 1280 pixels, ρυθμό καρέ 24 καρέ ανά δευτερόλεπτο και χρόνο εκτέλεσης έως και 4,7 δευτερόλεπτα με βάση το κείμενο.
Το μοντέλο χρησιμοποιεί εξελίξεις στα νευρωνικά δίκτυα σταθερής διάχυσης. Η λύση της NVIDIA διαθέτει έως και 4,1 δισεκατομμύρια παραμέτρους. Αλλά μόνο 2,7 δισεκατομμύρια εκπαιδεύτηκαν με τη χρήση βίντεο. Αν και μπορεί να νομίζετε ότι πρόκειται για τεράστιο αριθμό, είναι μικρός για τα σημερινά πρότυπα της τεχνητής νοημοσύνης.
Επίσης, το μοντέλο μπορεί να καταγράψει βίντεο με σκηνές οδήγησης. Μπορούν να διαρκέσουν έως και 5 λεπτά και να έχουν ανάλυση 1024 x 512 pixels. Αυτό συμβαίνει επειδή οι σκηνές οδήγησης είναι δύσκολο να γυριστούν στην πραγματική ζωή. Κατά συνέπεια, όταν πρόκειται για τέτοιες στιγμές, η τεχνολογία αυτή μπορεί να βοηθήσει τους κινηματογραφιστές. Το μοντέλο μπορεί να προβλέψει τις δυνατότητες πολυτροπικής κίνησης δημιουργώντας έναν μεγάλο αριθμό πιθανών αποστολών από μία μόνο εικόνα-πηγή.
Προς το παρόν, οι τεχνολογίες μετατροπής κειμένου σε βίντεο, όπως αυτή που εισήγαγε η NVIDIA, είναι καλό να χρησιμοποιούνται για τη δημιουργία μικρογραφιών και GIF. Γνωρίζουμε όμως ότι η NVIDIA αναπτύσσεται γρήγορα στον τομέα της τεχνητής νοημοσύνης. Έτσι, υποθέτουμε ότι δεν θα αργήσει η NVIDIA να φέρει πιο προηγμένες τεχνολογίες για τη δημιουργία μεγαλύτερων κλιπ από κείμενο σε βίντεο.
