AI WORLD HQ
Valószínűleg te is rövid mondatokban beszélsz a telefonodhoz — egy gyors hangkeresés, egy „állíts be 10 perces időzítőt", egy „milyen idő lesz holnap". Hamarosan ugyanazzal a hangoddal egy MI megnézheti az imént készített fotódat, meghallgathatja a háttérben szóló zenét, és asztalt foglalhat a közelben lévő étteremben úgy, hogy neked nem kell hat különböző alkalmazásban matatnod.
Ez az Alibaba legújabb Qwen-kiadásának az ígérete, amely két szóból álló szlogent kapott: Omni Senses és Agentic Delivery. Mindkettő szakkifejezés. Mindkettő valódi változásra utal. Szétszálazzuk őket.
Mit jelent valójában az „omni-modal"?
Egy modalitás egyszerűen csak a bemenet típusa — a szöveg egyfajta, a kép egy másik, a hang egy harmadik, a videó pedig egy negyedik. A legtöbb MI, amit eddig használtál (a korai ChatGPT, a klasszikus Google-keresés), csak szöveget kezelt. Még amikor a ChatGPT megkapta a „látást", az is csak rá volt építve — a modell valójában egy szövegmotor volt, ami néha ránézett egy képre.
Az omni-modal azt jelenti, hogy az MI-t a kezdetektől fogva úgy építették, hogy mindezeket a típusokat együtt kezelje, ahogy a füled, a szemed és az olvasásod is egyetlen agyat táplálnak. Megmutathatsz neki egy 10 másodperces videót, hangosan feltehetsz egy kérdést, miközben a képernyőre mutatsz, és ő az egész pillanatot kontextusban érti meg.
A hétköznapokban ez így nézhet ki:
- Megmutatod neki a fotót a törött bicikli-alkatrészről, miközben elmondod, milyen hangot ad — és kapsz egy használható választ.
- Odaadsz neki egy 30 másodperces hangüzenetet egy megbeszélésről, és kéred a három legfontosabb teendőt.
- Bemasolod egy zavaros űrlap képernyőképét, és megkérdezed: „mit töltssek ide?".
Mit jelent valójában az „agentic"?
Egy ágens (agent) olyan MI, amely nemcsak válaszol — hanem cselekszik. Ahelyett, hogy begépelnéd, hogy „keress nekem egy járatot Chicagóba jövő keddre 200 dollár alatt", aztán magad foglalnád le, az agentic MI a te engedélyeddel kereshet, összehasonlíthat, és akár végig is viheti a foglalást.
Ez a nagyobb váltás. Évekig az MI egy okos keresődoboz volt. Az agentic MI inkább egy személyi asszisztenshez hasonlít, aki megnyitja az alkalmazásokat, kitölti az űrlapokat, üzeneteket küld, és több lépésből álló feladatokat végez el helyetted — közben pedig megmutatja, mit csinál, hogy megállíthasd, ha elromlik valami.
A szlogen „delivery" része arra utal, hogy a modell úgy van hangolva, hogy tényleg végig is vigye a feladatokat, ne csak beszéljen róluk.
Az őszinte korlátok
Az omni-modal MI még mindig küszködik a hosszú, zajos hanganyagokkal és a zsúfolt képekkel. Az agentic MI még mindig hibázik a több lépésből álló feladatoknál, és könnyen letérhet a megadott útról. Mindkettőnek világos engedélyekre van szüksége, és mindkettő akkor működik a legjobban, ha pontosan megmondod, mit jelent a siker. Kezeljük őket úgy, mint egy vadonatúj gyakornokot — alkalmasak, de érdemes ellenőrizni a munkájukat.
Összegzés
Az „omni-modal" és az „agentic" nem üres szakkifejezések — ezek az MI-asszisztensek következő rétegét jelentik, és az Alibaba Qwen csapata csak egy a sok labor közül, amelyek versenyeznek a megépítésükért. Válassz egy asszisztenst, amit amúgy is használsz a telefonodon vagy a gépeden, és kérd meg, hogy csináljon valamit, amit hat hónappal ezelőtt még nem tudott. Figyeld meg, mi működik, mi nem, és hol látod még a varratokat. Pontosan ez az a rés, ahol most ez a technológia épül.