vènement de smartphones, ki gen kamera, nouvo detèktè, ak kapasite nan pozisyon tèt yo nan mond lan 3D. Se pa sèlman yon kesyon ou pwan yon pakèt piksèl nan entènèt la epi eseye konnen si se yon chat oswa yon chen. Nou espere trete imaj sa yo kòm detèktè inivèsèl nan mond fizik la, ede nou konprann estrikti 3D ak 4D nan mond lan, tou de nan espas fizik ak jeneratif. Apre doktora mwen an, mwen te fè yon gwo chanjman epi mwen te antre nan domèn vizyon òdinatè 3D, travay ak kòlèg mwen yo sou kòman yo prevwa fòm nan 3D nan
o. Bjè yo. Apre sa, mwen te vin trè enterese nan lide pou aprann est
rikti 3D nan done 2D. Lè Fonksyon Job Imèl baz done nou pale sou done, nou souvan mansyone ke jwenn done 3D se difisil, men an reyalite yon imaj 2D se yon pwojeksyon nan mond lan 3D, e gen anpil estrikti matematik ki ka eksplwate isit la. Menm si ou gen anpil done 2D, ou ka derive estrikti mond 3D a atravè estrikti matematik sa yo. 2020 se yon moman dekouvèt. Ko-fondatè nou an, . Ben Mildenhall, te vini ak apwòch Nerf (Neural Radiation Field). Se te yon fason trè senp epi klè pou dedui estrikti 3D nan o. Bsèvasyon 2D, ki te deklanche tout jaden vizyon òdinatè 3D. An menm tan an, LLM tou te
kòmanse parèt. Yon anpil nan travay modèl lang aktyèlman te devlope
nan inivèsite pou yon tan long. Menm pan Спротивно на тоа, Chat GPT користи архитектура dan doktora mwen an, mwen te fè kèk travay modèl lang ak Andrej Karpathy nan 2014. Sa a aktyèlman te rive anvan Transformer, men nan epòk GPT-2, li difisil pou ou fè modèl sa yo nan inivèsite ankò paske yo mande twòp resous enfòmatik. Enteresan, sepandan, metòd Nerf . Ben a mande sèlman kèk èdtan nan fòmasyon sou yon sèl GPU. Sa a te mennen anpil chèchè akademik yo rekonsantre sou pwo. Blèm sa yo, paske gen kèk pwo. Blèm algoritm de. Baz yo ka rezoud ak resous enfòmatik limite, epi ou ka jwenn rezilta eta-of-atizay la sou y
on sèl GPU. Se konsa, anpil chèchè akademik nan epòk sa a te panse:
Ki jan nou ka ankouraje devlopman nan jad usa lists en sa a atravè algoritm de. Baz? Fei-Fei ak mwen te pale anpil epi nou tou de trè konvenki nan sa. Wi, nou jwenn ke direksyon rechèch nou yo ap deplase nan direksyon o. Bjektif menm jan an nan yon sèten mezi. Mwen vle tou rakonte yon pwo. Blèm teknik trè enteresan, oswa yon istwa teknik sou piksèl. Anpil moun ki angaje nan rechèch lang ka pa konnen ke anvan epòk jeneratif la, moun nan nou ki angaje nan domèn vizyon òdinatè aktyèlman gen yon istwa long nan rechèch ki rele rekonstriksyon 3D. Sa a tounen nan ane 1970 yo, epi ou ta ka pran foto – paske moun gen de je – ou ta ka itilize foto stereo pou eseye triyangile ak . Bati fòm 3D. Sepandan, sa a se yon