搭載生成式人工智慧技術的視覺人工智慧代理人

傳統的影像分析應用和其開發工作流程通常建立於固定功能的有限模型，這些模型設計僅可偵測和辨識一組特定的預先定義物件。透過生成式 AI 和基礎模型，您可以以更少的模型來開發應用，而這些模型將具備極複雜且廣泛的感知功能和豐富的情境理解能力。新一代的視覺語言模型 (Vision Language Model, VLM)，正在催生智慧且強大的視覺人工智慧代理人。

視覺人工智慧代理人可結合視覺和語言模態，理解自然語言提示，並執行視覺問答。例如，用自然語言回答各類型的問題，並可將回答應用於錄製或直播影片串流。深入瞭解影片內容，生成更加準確且有意義的判讀，提升影片分析應用的功能以及實際情境的解讀能力。這些代理人可望能解鎖全新產業應用的發展前景。

高感知、準確的互動式視覺人工智慧代理人將部署在我們的工廠、倉庫、零售商店、機場、交通路口等各處。對於希望運用自然互動產生更加豐富的見解，進而做出更好決策的營運團隊來說，將產生巨大影響。管理者和營運團隊將與自然語言人工智慧的代理人進行交流，這些人工智慧均透過生成式人工智慧和大型視覺語言模型提供支援，核心則採用 NVIDIA NIM™ 微服務。