ИИ почти доказал: зрение — это просто алгоритм⁠⁠

Искусственный интеллект впервые самостоятельно научился видеть мир почти так же, как человек. В недавнем исследовании показано, что модель Vision Transformer (ViT), обученная методом самосупервизии DINO, начала выделять на изображениях лица, фигуры людей и фон без каких-либо меток или подсказок. Проще говоря, нейросеть сама разгадала, где в сцене главное, а где второстепенное – хотя ей никогда не говорили, что такое лицо или челове

Метод DINO (Self-DIstillation with NO labels) позволяет модели обучаться на огромном наборе изображений без разметки, постепенно находя закономерности в визуальном мире. Результаты оказались поразительными: внимание ViT, обученного таким образом, почти полностью совпало с тем, куда смотрят люди. Например, одна группа «взглядов» модели стабильно нацеливалась на лица, другая – выделяла контуры целого тела, а третья обращала внимание на фоновые детали сцены. Это очень похоже на то, как наш собственный мозг разделяет сцену на фигуры и фон. При этом аналогичная модель, обученная классическим (supervised) методом, ничего подобного не продемонстрировала – её внимание было разбросанным и неестественным

Важно отметить, что ни разработчики, ни материалы обучения прямо не указывали ИИ, на что смотреть. Тем ценнее этот результат: по словам авторов, он демонстрирует силу самосупервизового обучения, которое сумело уловить фундаментальные принципы человеческого зрительного восприятия. Подобные модели могут стать не только основой для более «чуткого» компьютерного зрения, но и инструментом для изучения работы мозга. Ведь если машина воспроизводит наш взгляд, сравнивая ее работу с данными нейрофизиологии, ученые смогут лучше понять, как мы сами выделяем важные объекты в потоке визуальной информации.

С другой стороны — мы ведь до конца так и не поняли, что такое интеллект, разум, восприятие или чувства. Но уже начали обучать этим вещам машины. И, кажется, они начинают понимать нас быстрее, чем мы — самих себя.