قابلیت‌های چندوجهی ChatGPT-5 : دلیل اصلی اهمیت ارتقای جدید OpenAI

به گزارش زوم تک به نقل از تامز گاید (Tom’s Guide)، ارتقای جدید ChatGPT-5 باعث افزایش چشمگیر سرعت و عملکرد این چت‌بات در زمینه‌هایی مانند کدنویسی، ریاضیات و دقت پاسخ‌ها شده است. اما شاید مهم‌ترین پیشرفت آن در قابلیت‌های چندوجهی باشد.

منظور از «چندوجهی» (Multimodality)، توانایی یک هوش مصنوعی در درک و تعامل با ورودی‌های فراتر از متن است؛ یعنی کار با صدا، تصویر و حتی ویدیو. یک چت‌بات چندوجهی می‌تواند با انواع مختلفی از ورودی و خروجی کار کند و تعاملات بسیار طبیعی‌تری را فراهم سازد.

قابلیت‌های چندوجهی ChatGPT-5

ChatGPT-5 با بهبود حالت صوتی و توانایی بهتر در پردازش اطلاعات بصری، گامی بزرگ در این مسیر برداشته است. سم آلتمن، مدیرعامل OpenAI، پیش از این در پادکست بیل گیتس تأیید کرده بود که هدف این شرکت حرکت به سمت هوش مصنوعی‌ای است که بتواند «صدا بگیرد و صدا تحویل دهد، تصویر و در نهایت ویدیو را پردازش کند.»

حالت صوتی بهبودیافته در GPT-5 اکنون با GPTهای سفارشی نیز کار می‌کند و می‌تواند لحن و سبک صحبت خود را بر اساس دستورالعمل کاربر تغییر دهد. به عنوان مثال، می‌توانید از آن بخواهید که آرام‌تر صحبت کند یا لحن خود را دوستانه‌تر کند. OpenAI همچنین اعلام کرده است که حالت صوتی استاندارد در تمامی مدل‌ها طی ۳۰ روز آینده حذف خواهد شد.

گرچه بیشتر تعاملات با ChatGPT از طریق متن انجام می‌شود، اما با تبدیل شدن هوش مصنوعی به بخشی از زندگی روزمره، نیاز به ورودی‌های چندوجهی بیشتر می‌شود. همانطور که شبکه‌های اجتماعی با انتقال از کامپیوتر به گوشی‌های هوشمند و امکان آپلود تصاویر و ویدیوها رشد کردند، هوش مصنوعی نیز برای موفقیت باید بتواند دنیای اطراف را درک کند و با آن تعامل داشته باشد.

GPT-5 طوری طراحی شده است که به طور بومی انواع مختلف داده را در یک مدل واحد پردازش و تولید کند. این رویکرد جدید که جایگزین روش مبتنی بر پلاگین نسخه‌های قبلی شده، منجر به تعاملات یکپارچه‌تر و سریع‌تر خواهد شد. این پیشرفت‌ها مزایای زیادی به همراه دارند، از جمله برای کاربران با اختلالات شنوایی یا بینایی، که دسترسی به فناوری را بسیار آسان‌تر می‌کند. همچنین، درک بهتر تصاویر باعث می‌شود هوش مصنوعی در تحلیل نمودارها و تصاویر دقیق‌تر عمل کند و کمتر دچار “توهم” (Hallucination) شود.

این مدل جدید می‌تواند اطلاعات را در طول مکالمات طولانی‌تری به خاطر بسپارد و به تصاویر ارجاع داده شده در بخش‌های قبلی گفتگو نیز توجه کند. این قابلیت در زمینه‌های آموزشی بسیار مفید خواهد بود. در نهایت، با توجه به رقابت فشرده در دنیای هوش مصنوعی، باید دید که گوگل با مدل Gemini خود چگونه به این پیشرفت‌های GPT-5 پاسخ خواهد داد.