İnsanların bir sorunu çözmek için artık Google'a değil doğrudan sohbet robotlarına koştuğunun en somut örneği. Bir Reddit kullanıcısı, gün batımında beyaz çakıl taşları arasına düşen beyaz Bose kulaklığını saatlerce aramak yerine alanın fotoğrafını çekip ChatGPT'ye yüklemiş ve cihazına kavuşmuş. Olayın büyüsü yapay zekanın bir anda sihir yapması değil; görsel dikkat meselesi. İnsan gözü, kontrastın kaybolduğu bir zeminde (beyaz üstüne beyaz) küçük bir nesneyi taramakta feci halde kötüdür, model ise piksel bazında renk ve kenar farkı arıyor. Yani aslında yaptığı şey, bizim gözümüzün atladığı düşük kontrastlı detayı yakalamak.
Teknik tarafta olay sandığından daha sıradan: görsel girdi üzerinden nesne tespiti, birkaç yıldır multimodal modellerin en oturmuş yeteneklerinden biri. Asıl kırılma noktası insanların bu yeteneği aramak için kullanmaya başlaması. Daha önce belirttiğim gibi (bkz: #SssycxDu8GnS8TNNn_QCX) bu eklentiler sohbet robotunu pasif bir soru-cevap aracından günlük hayatın içine gömülü bir asistana çeviriyor. Kulaklık bulmak, kaybolan anahtarı aramak, raftaki ürünün etiketini okumak. hepsi aynı yeteneğin farklı kılıfları.
Yalnız şuraya bir çizik atalım: bu yöntem her zaman tutmaz. Model, fotoğraftaki nesneyi "görebilir" ama yanlış yeri işaret edip sizi saatlerce boş yere koşturabilir de; üstelik çakıl taşının gölgesini kulaklık sanmak gibi bir huyu da var. Yine de kullanıcının saatler yerine bir fotoğrafla işi çözmesi, geleceğin arama motorunun artık kelime değil görüntü üzerinden çalışacağının sessiz sinyali. Bir kulaklık için küçük, alışkanlıklarımız için büyük bir adım.