


La vérité derrière les célèbres tableaux de Raphaël révélée : l'intervention de l'intelligence artificielle ne vient pas simplement du maître
Selon les dernières nouvelles, une étude du réseau de neurones d'intelligence artificielle a découvert une anomalie dans un célèbre tableau de Raphaël. Dans ce tableau, un visage apparaît effectivement, et ce visage n'a pas été peint par Raphaël lui-même. Cette découverte a suscité une large attention et de nombreuses discussions.
Connue sous le nom de Madonna della Rosa, la peinture est controversée depuis des années, les chercheurs se disputant pour savoir s'il s'agit d'un original de Raphaël. Bien que déterminer la provenance d’une œuvre d’art nécessite une combinaison de preuves, une nouvelle méthode d’analyse basée sur des algorithmes d’intelligence artificielle conforte l’idée que le tableau a été au moins partiellement créé par un autre artiste.
Une équipe de chercheurs britanniques et américains a développé un algorithme d'intelligence artificielle personnalisé pour analyser les coups de pinceau, les couleurs, les ombres et d'autres détails des œuvres connues de Raphaël. Le Dr Hassan Uqair, mathématicien et informaticien, a expliqué qu'ils ont utilisé une technologie d'analyse approfondie des caractéristiques pour permettre à l'ordinateur d'apprendre à identifier les styles subtils propres aux œuvres de Raphaël, qu'il s'agisse des coups de pinceau, des tons, des ombres ou de la disposition générale. Par conséquent, on peut dire que les capacités visuelles des ordinateurs ont largement dépassé celles de l’œil humain et peuvent pénétrer dans les micro-détails.
Pour un artiste comme Raphaël avec un nombre d'œuvres limité, l'apprentissage automatique nécessite généralement une grande quantité de données pour la formation, ce qui constitue un défi. Afin de résoudre ce problème, l'équipe de recherche a modifié l'architecture de pré-formation ResNet50 développée par Microsoft et l'a combinée avec la machine à vecteurs de support de la technologie d'apprentissage automatique traditionnelle. De cette manière, ils ont appliqué avec succès des techniques d’apprentissage automatique pour étudier et analyser les œuvres de Raphaël.
Cette méthode s'est déjà avérée précise à 98 % pour identifier les peintures de Raphaël. Cette fois, ils ont non seulement demandé à l’IA d’analyser l’ensemble du tableau, mais également d’étudier individuellement les visages individuels qui s’y trouvent. Les résultats des recherches montrent que les visages de la Vierge, du Saint Enfant et de saint Jean peuvent tous être confirmés comme étant l'œuvre de Raphaël lui-même, mais le style du visage de saint Joseph dans le coin supérieur gauche est évidemment différent des autres parties.
Les chercheurs notent que lors de précédentes controverses sur l'authenticité du tableau, le visage de Saint-Joseph était considéré comme moins raffiné que les autres personnages du cadre.
Le Dr Ugel a déclaré qu'aucune conclusion unanime n'a été atteinte sur l'analyse de l'ensemble du tableau. Cependant, lorsqu'ils ont analysé chaque visage du tableau individuellement, ils ont constaté qu'à l'exception de Saint Joseph, le reste du visage était très similaire au style de l'œuvre de Raphaël.
Les chercheurs pensent que le visage de Saint Joseph pourrait avoir été peint par l'un des étudiants de Raphaël, Giulio Romano. Bien que cette spéculation nécessite encore des recherches plus approfondies, il ne fait aucun doute que la technologie de l'IA fournit un nouvel outil pour révéler des peintures classiques. .
Selon notre compréhension, "La Madone à la Rose" a été réalisée entre 1518 et 1520. Dès le milieu du XIXe siècle, certains critiques d'art mettaient en doute le fait que le tableau n'était pas entièrement de Raphaël.
Il convient de mentionner que l’équipe de recherche a souligné que l’IA n’est pas destinée à remplacer les experts en art, mais à devenir leur bras droit. Le Dr Ugel a déclaré : « L'évaluation d'œuvres d'art est un processus complexe qui nécessite la prise en compte de divers facteurs, tels que la source, le pigment, l'état de conservation, etc. L'IA n'est qu'un des outils auxiliaires, et le jugement final est toujours porté par des experts.
Les résultats de la recherche ont été publiés dans le magazine Heritage Science.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
