Quelle année !
Il s’est passé énormément de choses dans les grandes entreprises technologiques et dans la communauté de recherche en IA. OpenAI a révélé GPT-4 avec sa capacité de génération d’images DALL-E 3 et GPT-4Vision, Meta a présenté son modèle LLM Llama 2, et même Google a dévoilé ses modèles LLM, d’abord Bard hébergé sur Bing et maintenant Gemini. Stability AI a lancé son modèle de génération vidéo Stable Video Diffusion, Elon Musk a lui aussi annoncé son propre modèle LLM Grok et, plus récemment, Channel1, un média de nouvelles propulsé par l’IA, a annoncé son lancement au début de 2024, avec des nouvelles presque entièrement automatisées par l’IA et personnalisables pour l’utilisateur. Oui, tout cela s’est produit dans l’industrie en une seule année. N’oublions pas la communauté de recherche en IA, qui a aussi connu des avancées extraordinaires que nous couvrirons dans cette vidéo.
En revanche, cette année nous a aussi offert du drame. Il y a eu toute la controverse chez OpenAI, où l’entreprise a congédié son PDG Sam Altman avant de le réembaucher sous la pression des employés et de la communauté de l’IA. Geoffrey Hinton, un pionnier de l’IA aussi connu comme l’un de ses parrains, a quitté Google afin d’avertir l’humanité des menaces que l’IA pourrait poser. Enfin, nous avons assisté à la controverse entourant la vidéo de démonstration du modèle Gemini de Google, et plus encore…
En 2022, nous avons assisté à l’essor du puissant ChatGPT. Mais cette année, l’IA ne se limite plus aux mots : elle touche au son, aux images et à tout un nouvel univers de possibilités ! Préparez-vous, parce que l’IA arrive dans nos vies et est là pour rester.
Allons-y…
Regardez la vidéo récapitulative :
Dans cette vidéo, nous abordons tous les articles et toutes les nouvelles les plus importants de l’année. Vous trouverez une liste détaillée ci-dessous. Vous pouvez consulter une liste encore plus détaillée ici, avec les liens vers une vidéo et un article détaillés pour chaque nouvelle et recherche.
Janvier
- VALL-E peut imiter la voix d’une personne à partir d’un échantillon de seulement 3 secondes. Cette nouvelle technologie fait beaucoup progresser la synthèse vocale et atteint des niveaux de réalisme et de naturel sans précédent. Ce développement pourrait révolutionner notre façon de produire les médias numériques et d’interagir avec eux, en combinant la génération de texte et de voix pour créer des représentations humaines entièrement synthétiques, mais réalistes.
- InstructPix2Pix, une création de Tim Brooks et de son équipe, modifie les images à partir d’instructions textuelles. Ce modèle d’IA, entraîné avec un jeu de données généré par GPT et Stable Diffusion, permet de modifier précisément les images avec du texte. Il combine la compréhension du contexte textuel et visuel pour produire des modifications rapides et exactes.
- MusicLM crée de la musique à partir de descriptions textuelles avec des modèles basés sur les Transformers, comme l’approche de GPT. Il transforme les descriptions textuelles en riches pièces musicales générées par l’IA. Cette innovation est aussi soutenue par MusicCaps, un jeu de données publié avec 5 500 paires musique-texte, ce qui améliore la performance du modèle et la future génération de musique par l’IA.
Février
- GEN-1, la plus récente innovation des créateurs de Stable Diffusion, stylise des vidéos selon des prompts textuels ou visuels. Il modifie intelligemment des éléments précis d’une vidéo, comme l’apparence d’un chien, tout en préservant sa structure générale. La capacité de GEN-1 à combiner compréhension structurelle et adaptation du contenu représente une avancée importante dans l’édition vidéo propulsée par l’IA.
Mars
- PaLM-E combine la compréhension des images et du texte à la robotique, ce qui permet à un robot d’exécuter des tâches à partir de commandes textuelles et visuelles. Il intègre des Transformers de vision et des modèles de langage pour interpréter son environnement et y réagir, montrant la capacité croissante de l’IA à comprendre le monde réel et à interagir avec lui.
- Le 14 mars 2023, OpenAI a tout changé en lançant GPT-4. GPT-4 est reconnu comme plus fiable et créatif que son prédécesseur, GPT-3.5, et peut traiter des instructions plus nuancées. Sa performance s’est améliorée dans plusieurs domaines, dont l’aide à la programmation et les tests standardisés. GPT-4 conserve toutefois certaines limites des versions précédentes, comme les hallucinations et l’absence de logique ou d’intelligence véritable.
- Puis, un peu plus tard, Google a officiellement lancé Bard, sa réponse à ChatGPT. Bard repose sur LaMDA, le grand modèle de langage avancé de Google, et se veut un collaborateur créatif qui génère des idées et offre de l’aide sur différents sujets. C’est pas mal la même chose que ChatGPT. Il a eu accès à Internet plus tôt, ainsi qu’à d’autres fonctionnalités que Google développe constamment. C’est certainement une excellente solution de rechange à essayer.
Avril
- Le modèle Segment Anything de Meta, ou SAM, révolutionne la segmentation d’images avec son approche basée sur les prompts. Entraîné sur un immense jeu de données, SAM peut segmenter efficacement des objets dans des images ou des vidéos à partir de prompts textuels ou spatiaux. Ce modèle simplifie les tâches de segmentation et devient très efficace pour différentes applications, surtout celles qui exigent une adaptation rapide à de nouveaux objets sans réentraînement. C’est une première tentative extraordinaire de modèle généraliste ou fondamental pour la segmentation.
- LLaVA est un modèle innovant de vision et de langage qui utilise GPT-4 pour générer son jeu de données. Il comprend à la fois les instructions visuelles et langagières, combinant les forces de LLaMA pour traiter le langage et de CLIP pour comprendre les images. Grâce au fine-tuning sur les instructions visuelles, LLaVA apprend à répondre aux questions sur les images sans dépendre des légendes.
Mai
- Le modèle Perfusion de NVIDIA offre un contrôle supérieur sur la génération d’images. Il excelle à intégrer avec exactitude des objets précis dans de nouvelles images, améliorant ainsi la fidélité du contenu généré. Ce modèle représente un grand pas pour la création de contenu visuel personnalisé et pertinent dans son contexte.
- « Drag Your GAN » présente une nouvelle méthode d’édition d’images qui permet aux utilisateurs de manipuler les images de façon réaliste en déplaçant des points à l’intérieur de celles-ci. Ce modèle d’IA, basé sur une architecture GAN, améliore l’édition en permettant de changer la position des objets tout en maintenant le réalisme de l’image. Cette innovation simplifie les tâches d’édition complexes et les rend plus accessibles et intuitives.
- Geoffrey Hinton, un pionnier de l’apprentissage profond souvent appelé le parrain de l’IA, a annoncé son départ de l’entreprise après une décennie. Il a exprimé ses inquiétudes concernant la technologie qu’il a aidé à créer et souhaitait pouvoir discuter ouvertement de ces enjeux.
Juin
- Neuralangelo de NVIDIA s’appuie sur le modèle Instant NeRF pour créer des scènes 3D avec des détails de surface améliorés et un plus grand réalisme. Il corrige les limites d’Instant NeRF liées aux textures et aux structures fines, ce qui rend les modèles 3D générés plus réalistes et détaillés.
- TryOnDiffusion améliore l’essayage virtuel. Il utilise une IA avancée pour superposer de façon réaliste des vêtements sur l’image d’une personne, en corrigeant les limites des précédents systèmes d’essayage virtuel. Ce modèle améliore énormément la création de représentations exactes et réalistes des vêtements sur différents types de corps, ce qui offre des applications commerciales potentielles pour le magasinage en ligne et la mode.
Juillet
- StyleGANEX, une évolution du modèle StyleGAN de NVIDIA, permet de manipuler plus librement les visages dans les images, peu importe leur résolution. Cette innovation améliore énormément la capacité de manipuler et de générer des visages dans différentes résolutions, simplifiant le processus et élargissant les applications possibles du modèle.
- 3D-LLM marque une avancée importante de l’IA en comprenant notre monde en trois dimensions et avec le langage. Il traite des nuages de points 3D et du texte, offrant une compréhension plus complète des environnements et des objets du monde réel. Il représente un grand pas vers des applications plus interactives et réalistes, reliant les mondes numérique et physique.
- LLaMA-2 de Meta, qui succède au premier modèle LLaMA, a été largement adopté, avec plus de 30 millions de téléchargements de modèles basés sur LLaMA. C’est une version open source des modèles GPT à laquelle tout le monde peut accéder et qui offre d’excellentes capacités, même si elle n’est pas vraiment comparable à GPT-4.
Août
- MetaGPT innove en utilisant de grands modèles de langage comme agents dans un processus structuré, ce qui réduit les risques d’hallucinations et améliore l’efficacité des tâches. Cette approche permet de gérer précisément les tâches complexes et ouvre la voie à des systèmes d’IA plus avancés et automatisés.
- MVDream fait passer la génération de modèles 3D à partir de texte à un nouveau niveau de réalisme et de complexité. En comprenant les attributs physiques à partir de l’entrée textuelle, il crée des modèles 3D de haute qualité qui représentent avec exactitude les objets du monde réel.
Septembre
- DALL·E 3, une grande avancée comparativement à DALL·E 2, excelle à transformer des prompts complexes en images détaillées grâce à son générateur de légendes amélioré. Cette innovation produit des visualisations plus exactes et riches en contexte. Le modèle éprouve toutefois encore des difficultés avec la compréhension spatiale et la génération de texte dans les images. Vous pouvez maintenant l’essayer avec ChatGPT Plus, et il en vaut la peine.
Novembre
- Distil-Whisper, une version simplifiée de Whisper d’OpenAI, offre une transcription audio efficace. Il est 6 fois plus rapide et 49 % plus petit tout en conservant une exactitude de 99 %. Réalisé au moyen de la distillation des connaissances de Whisper, il réduit énormément les besoins en données d’entraînement. Il s’agit d’un pas important pour rendre la conversion de la voix en texte plus accessible et pratique au quotidien.
- Stable Video Diffusion, un nouveau modèle de Stability AI, applique la technologie de Stable Diffusion à la génération vidéo. Il génère des séquences vidéo réalistes à partir d’entrées textuelles ou visuelles grâce à l’ajout de couches temporelles. Même s’il est efficace avec les vidéos courtes, il éprouve encore des difficultés avec les séquences plus longues. Ce modèle représente un pas important pour la création vidéo propulsée par l’IA.
- Elon Musk a annoncé « Grok », un chatbot d’IA développé par sa jeune entreprise xAI. Ce chatbot, conçu pour X, anciennement Twitter, possède un sens de l’humour sarcastique semblable à celui de Musk. Si vous aimez Elon, vous aimerez Grok. Grok vise à concurrencer les autres chatbots d’IA comme ChatGPT et est décrit comme un peu rebelle, avec moins de garde-fous et une position favorable à la liberté d’expression.
- Lors de la première conférence des développeurs d’OpenAI, les lancements importants comprenaient GPT-4 Turbo, qui prend en charge une fenêtre de contexte de 128K jetons pour traiter de longs textes, ainsi que l’API Assistants pour construire des applications d’IA complexes. La conférence a aussi dévoilé une place de marché pour partager et monétiser des modèles GPT personnalisés, ainsi que des modèles d’IA adaptés aux organisations, forçant de nombreuses jeunes entreprises à pivoter ou à fermer leurs portes.
- La controverse chez OpenAI a commencé par le congédiement inattendu du PDG Sam Altman, suivi du départ du directeur de l’apprentissage automatique Greg Brockman. Cette décision a provoqué l’indignation des employés et mené à une pétition pour réintégrer Altman. La pression des employés et des parties prenantes a entraîné le retour d’Altman et le congédiement subséquent du conseil d’administration, illustrant d’importants défis de gouvernance au sein de l’organisation, mais aussi un esprit d’équipe extraordinaire.
Décembre
- Google DeepMind a lancé Gemini pour concurrencer GPT-4. Malheureusement, Google a seulement publié une vidéo de son meilleur modèle, pas le modèle lui-même. Cette vidéo a été critiquée parce qu’elle induisait les spectateurs en erreur au sujet des capacités en temps réel du modèle. Il a été révélé qu’il ne s’agissait pas d’une démonstration en direct, mais d’une vidéo soigneusement produite avec des prompts textuels et des images fixes, ce qui a soulevé des questions sur la transparence de Google dans sa présentation de ses technologies d’IA.
- Channel 1, une station de nouvelles de Los Angeles dont le lancement est prévu en 2024, compte utiliser des présentateurs générés par l’IA. Elle offrira une expérience de nouvelles personnalisée qui s’adapte aux préférences des spectateurs grâce à la traduction automatique, aux résumés de nouvelles et à d’autres fonctionnalités basées sur l’IA visant à révolutionner l’industrie des nouvelles, tout en s’engageant à assurer la transparence et l’exactitude de ses reportages générés par l’IA.
FAQ
Sur quoi porte ce résumé de l’IA en 2023 ?
Il passe en revue les articles importants et les nouvelles sur les produits d’IA de l’année, avec une vidéo plus longue pour les lecteurs qui souhaitent une explication détaillée de chaque avancée.
Quelles limites touchaient encore les modèles d’image en 2023 ?
Même les modèles puissants pouvaient avoir du mal avec les relations spatiales et la génération de texte lisible dans les images.
Pourquoi la démonstration Gemini de Google a-t-elle suscité la controverse ?
La vidéo publiée semblait montrer une interaction en direct, mais elle avait été assemblée à partir de prompts textuels et d’images fixes, ce qui a soulevé des questions sur sa présentation.
À qui s’adresse cette rétrospective annuelle sur l’IA ?
Elle s’adresse à toute personne qui a manqué une partie des mises à jour rapides de l’année ou souhaite revoir au même endroit les recherches et les nouvelles importantes.
Comment vérifier un résultat mentionné dans le résumé ?
Utilisez le résumé comme carte, puis consultez l’explication détaillée et l’article ou l’annonce d’origine avant de tirer des conclusions techniques d’une démonstration.
Qu’a apporté DragGAN à l’édition d’images ?
Il permettait aux utilisateurs de déplacer des points sur une image pour repositionner des objets tout en préservant un résultat réaliste.