DeepMind, Yapay Zekânın Dünya Algısını DönüştürdüDeepMind Just Changed How AI Sees The World

ÖzetSummary

DeepMind'in Gemma 4 modeli (12 milyar parametre), ayrı görüntü ve ses kodlayıcılarını ortadan kaldırarak çok modlu algı yeteneği kazanıyor. Model, ham görüntü yamalarını ve 40 milisaniyelik ses parçacıklarını doğrudan tek bir transformer'a aktarıyor; bu sayede aynı anda görme, işitme ve akıl yürütme öğreniyor. Model bir dizüstü bilgisayarda yerel olarak çalışıyor ve mimari detayları kamuoyuyla paylaşıldı.DeepMind's Gemma 4 model (12 billion parameters) gains multimodal perception capabilities by eliminating separate image and audio encoders. The model feeds raw image patches and 40-millisecond audio fragments directly into a single transformer, enabling it to learn vision, hearing, and reasoning simultaneously. The model runs locally on a laptop, and its architectural details have been shared with the public.

Neden ÖnemliWhy it matters

Uzman kodlayıcı ağlarını kaldırmak ve tek bir transformer'a hem algıyı hem akıl yürütmeyi birlikte üstlenmek, çok modlu iş akışlarından yüz milyonlarca parametreyi azaltabilir. Bu durum, bulut ölçeğinde donanım gerektirmeden yetkin görüntü/ses yapay zekâsına erişimi mümkün kılabilir. Mimarinin yayınlanması, açık kaynak topluluğuna daha verimli yerel modeller geliştirmek için bir yol haritası sunuyor. Bu da düşük kaynaklı ortamlarda araştırmaları hızlandırabilir.Removing specialized encoder networks and having a single transformer handle both perception and reasoning could reduce hundreds of millions of parameters from multimodal workflows. This may enable access to capable image/audio AI without requiring cloud-scale hardware. Publishing the architecture offers a roadmap for the open-source community to develop more efficient local models, potentially accelerating research in resource-constrained environments.

Öne ÇıkanlarHighlights

• Yamaların ana transformer'a doğrudan aktarılması, ayrı görüntü/ses kodlayıcılarını devre dışı bırakıyor; bu durum algı ile akıl yürütme arasındaki sınırı bulanıklaştırıyorDirectly feeding patches into the main transformer bypasses separate image/audio encoders, blurring the line between perception and reasoning
• 12 milyar parametreli model, standart bir dizüstü bilgisayarda çalışırken görüntü, ses ve metni işliyorThe 12-billion-parameter model processes image, audio, and text while running on a standard laptop
• DeepMind, mimariyi yayınlayarak diğer açık model geliştiricilerine yeniden kullanılabilir bir şablon sunuyorDeepMind provides a reusable template for other open-model developers by publishing the architecture

EleştiriCritical take

'%99 daha küçük' ifadesi, 12 milyar parametreli yerel bir model ile 1,6 trilyon parametreli sınır modelini karşılaştıran yanıltıcı bir benzetme. Bu iki model temelde farklı kullanım senaryolarına hizmet ediyor. Ayrıca 'gizli formül' anlatısı, paradigmayı değiştiren bir devrimden çok kademeli bir mimari iyileştirme olan durumu abartıyor. Video, Lambda reklamı içeren Two Minute Papers'ın sponsorlu bir açıklama videosu. 300 milyon indirme rakamı ise tüm Gemma sürümlerini mi yoksa yalnızca Gemma 4'ü mü kapsadığı açıklanmadan sunuluyor.The phrase '99% smaller' is a misleading comparison between a 12-billion-parameter local model and a 1.6-trillion-parameter frontier model. These two models serve fundamentally different use cases. Additionally, the 'secret formula' narrative exaggerates the situation, which is an incremental architectural improvement rather than a paradigm-shifting revolution. The video is a sponsored explainer by Two Minute Papers, featuring a Lambda ad. The 300 million download figure is presented without clarifying whether it covers all Gemma versions or only Gemma 4.