تُعتبر تقنيات توليد الصور على نطاق واسع من أكثر الابتكارات إثارة في عالم الذكاء الاصطناعي، حيث أثرى حجم البيانات وجودتها وتوازنها التجارب السابقة. لكن عادةً ما يتم تحسين مجموعات البيانات الخاصة بالمهام بشكل منفصل ضمن أنابيب تقليدية. والتحدي الرئيسي الذي يواجه المطورين هو ليس فقط كيف يتم تشكيل كل مجموعة بيانات خاصة بالمهمة، بل كيفية تنظيم الإشراف المتنوع وفقًا للاعتمادية بين القدرات التوليدية.

نقدم هنا بنية تحتية مدفوعة بالقدرات (capability-driven data infrastructure) تربط بين بناء الإشراف المحدد لكل قدرة، وجدولة المنهج المتوافق مع القدرات. تحتوي هذه البنية على ثلاث محركات بيانات متخصصة لكنها قابلة للتفاعل، تبني إشرافًا تكميليًا سيمكن من تحويل النص إلى صورة، التحول بين الصور، وكذلك الارتباط بين الصور والمعرفة.

إضافة إلى ذلك، يقوم خبراء التسميات بمزامنة الإشراف بين تحويل النص إلى صورة وتحرير الصور عبر المهام والدرجات المختلفة. يطور المنهج متعدد المراحل تركيبة المهام، توزيع المفاهيم البصرية، جودة البيانات، ودقة الصورة وفقًا لترتيب الاعتمادية في اكتساب القدرات.

يمكننا من هذا الإطار تنسيق مجموعة بيانات ضخمة تضم 440 مليون صورة خاصة بتحويل النص إلى صورة، و120 مليون زوج للتعديل، وأكثر من 27 مليون زوج صورة-كيان. وبفضل هذه البنية التحتية، ندرب نماذج تشتت متعددة الوسائط بأحجام 3 مليار و6 مليار على التوالي. قامت التجارب العديدة بتقديم تقييمات كمية على CPI-Bench، إلى جانب تقييمات نوعية عبر سيناريوهات متنوعة لتوليد الصور وتحريرها. وتظهر النتائج التجريبية تغطية بصرية واسعة، وقدرة على الرسم المتنوع، وانتقال فعال بين القدرات التوليدية المختلفة.

إنها مرحلة جديدة من التحول والإبداع في عالم الذكاء الاصطناعي، حيث ينطلق المستقبل برؤية جديدة لتوليد الصور ومعالجتها بطريقة لم نشهدها من قبل. هل ترى مدى تطور هذه التقنيات؟ شاركنا برأيك في التعليقات!