Neon ha continuado su notable racha de victorias consecutivas en la Palma de Oro con dramas en inglés y francés. anatomía de una caída.

La película de Justine Triet se convierte en la cuarta ganadora consecutiva de la Palma de Oro de la distribuidora estadounidense tras adquisiciones anteriores Triángulo De Tristeza, Titane y Parásito.

Anatomía de una caída sigue a Sandra (Sandra Hüller), una escritora alemana, su marido francés Samuel y su hijo Daniel, de once años, que viven una vida aislada en un pueblo remoto de los Alpes franceses. Cuando encuentran a Samuel muerto en la nieve debajo de su chalet, la policía se pregunta si se suicidó o si lo mataron. La muerte de Samuel se trata como un presunto asesinato sospechoso, y Sandra se convierte en la principal sospechosa.

El presidente del jurado, Ruben Östlund, dijo esta noche en la conferencia de prensa del jurado: “Esta es una película que todos en el jurado respaldan. Una cosa que salió [of our deliberations] fue que estas películas crearon una experiencia colectiva. El ganador de la Palma de Oro fue una experiencia intensa, es lo que debería ser el cine”.

Neon adquirió ambos anatomía de una caída y triangulo de tristeza durante sus momentos del festival de Cannes. Ambos Parásito y titán fueron precomprados con una previsión impresionante el año anterior a sus plazas para el festival. Parásito obtuvo cuatro premios Oscar, incluido el de Mejor Película, mientras que triangulo de tristeza (dirigida por el presidente del jurado Östlund) obtuvo el año pasado tres nominaciones al Oscar.

anatomía de una caída fue adquirida la semana pasada al vendedor francés mk2 films. Pic está producida por Les Films Pelleas y Les Films de Pierre, con los productores Marie-Ange Luciani y David Thion. Arthur Harari es coguionista con Triet, que se convierte en la tercera mujer ganadora de la Palma de Oro. titán la directora Julie Ducournau (que también formó parte del jurado de este año) fue la segunda después de que Jane Campion abriera camino con El piano.

Puede consultar nuestra reseña de la película aquí, nuestra entrevista con Triet aquí y la lista completa de ganadores de la noche aquí.

Neon adquirió dos películas de Competencia este festival. El otro era de Wim Wenders. dias perfectosque esta noche se llevó el premio a mejor actor para Koji Yakusho.

Puede suscribirse a la descarga periódica de un archivo de audio. Puede mantener el programa descargado de esta manera en su computadora, llevarlo a su walkman digital o grabarlo en un CD.

• – Si elige Apple Podcasts, simplemente haga clic en el siguiente enlace: el software admite todas las operaciones de suscripción.
  
  Antena de fin de semana gratis – Yann Moix
  

• – Si opta por otro software, copie y pegue el siguiente enlace, luego siga sus instrucciones para continuar con la suscripción.
  
  https://www.europe1.fr/rss/podcasts/libre-antenne-week-end.xml
  

El lunes, un grupo de investigadores de IA de Google y la Universidad Técnica de Berlín dieron a conocer PaLM-E, un modelo de lenguaje visual (VLM) multimodal incorporado con 562 mil millones de parámetros que integra visión y lenguaje para el control robótico. Afirman que es el VLM más grande jamás desarrollado y que puede realizar una variedad de tareas sin necesidad de volver a capacitarse.

Según Google, cuando se le da un comando de alto nivel, como «tráeme los chips de arroz del cajón», PaLM-E puede generar un plan de acción para una plataforma de robot móvil con un brazo (desarrollado por Google Robotics) y ejecutar las acciones por sí mismo.

PaLM-E hace esto mediante el análisis de datos de la cámara del robot sin necesidad de una representación de escena preprocesada. Esto elimina la necesidad de que un ser humano preprocese o anote los datos y permite un control robótico más autónomo.

También es resistente y puede reaccionar a su entorno. Por ejemplo, el modelo PaLM-E puede guiar a un robot para obtener una bolsa de papas fritas de una cocina, y con PaLM-E integrado en el circuito de control, se vuelve resistente a las interrupciones que pueden ocurrir durante la tarea. En un ejemplo de video, un investigador agarra las fichas del robot y las mueve, pero el robot localiza las fichas y las toma nuevamente.

En otro ejemplo, el mismo modelo PaLM-E controla de forma autónoma un robot a través de tareas con secuencias complejas que antes requerían la guía humana. El trabajo de investigación de Google explica cómo PaLM-E convierte las instrucciones en acciones:

Demostramos el rendimiento de PaLM-E en tareas de manipulación móvil desafiantes y diversas. Seguimos en gran medida la configuración de Ahn et al. (2022), donde el robot necesita planificar una secuencia de acciones de navegación y manipulación basadas en una instrucción de un humano. Por ejemplo, dada la instrucción «Derramé mi bebida, ¿puedes traerme algo para limpiarla?», el robot necesita planificar una secuencia que contenga «1. Encuentra una esponja, 2. Recoge la esponja, 3. Tráela al usuario, 4. Deje la esponja». Inspirándonos en estas tareas, desarrollamos 3 casos de uso para probar las capacidades de razonamiento incorporadas de PaLM-E: predicción de disponibilidad, detección de fallas y planificación a largo plazo. Las políticas de bajo nivel son de RT-1 (Brohan et al., 2022), un modelo de transformador que toma imágenes RGB e instrucción en lenguaje natural, y genera comandos de control de efectores finales.

PaLM-E es un predictor del siguiente token y se llama «PaLM-E» porque se basa en el modelo de lenguaje grande (LLM) existente de Google llamado «PaLM» (que es similar a la tecnología detrás de ChatGPT). Google ha «incorporado» PaLM al agregar información sensorial y control robótico.

Dado que se basa en un modelo de lenguaje, PaLM-E toma observaciones continuas, como imágenes o datos de sensores, y las codifica en una secuencia de vectores que tienen el mismo tamaño que los tokens de lenguaje. Esto permite que el modelo «entienda» la información sensorial de la misma manera que procesa el lenguaje.

Además del transformador robótico RT-1, PaLM-E se basa en el trabajo anterior de Google en ViT-22B, un modelo de transformador de visión revelado en febrero. ViT-22B ha sido entrenado en varias tareas visuales, como clasificación de imágenes, detección de objetos, segmentación semántica y subtítulos de imágenes.

Google Robotics no es el único grupo de investigación que trabaja en control robótico con redes neuronales. Este trabajo en particular se parece al reciente artículo «ChatGPT for Robotics» de Microsoft, que experimentó con la combinación de datos visuales y modelos de lenguaje grandes para el control robótico de una manera similar.

Dejando a un lado la robótica, los investigadores de Google observaron varios efectos interesantes que aparentemente provienen del uso de un modelo de lenguaje grande como núcleo de PaLM-E. Por un lado, exhibe una «transferencia positiva», lo que significa que puede transferir el conocimiento y las habilidades que ha aprendido de una tarea a otra, lo que resulta en un «rendimiento significativamente mayor» en comparación con los modelos de robots de una sola tarea.

Además, ellos observado una tendencia con la escala del modelo: «Cuanto más grande es el modelo de lenguaje, más mantiene sus capacidades de lenguaje cuando se entrena en tareas de lenguaje visual y robótica; cuantitativamente, el modelo 562B PaLM-E casi conserva todas sus capacidades de lenguaje».

Y los investigadores afirmar que PaLM-E exhibe capacidades emergentes como razonamiento de cadena de pensamiento multimodal (permitiendo que el modelo analice una secuencia de entradas que incluyen lenguaje e información visual) e inferencia de múltiples imágenes (usando múltiples imágenes como entrada para hacer una inferencia o predicción ) a pesar de haber sido entrenado solo en indicaciones de una sola imagen. En ese sentido, PaLM-E parece continuar con la tendencia de sorpresas emergentes a medida que los modelos de aprendizaje profundo se vuelven más complejos con el tiempo.

Los investigadores de Google planean explorar más aplicaciones de PaLM-E para escenarios del mundo real, como la automatización del hogar o la robótica industrial. Y esperan que PaLM-E inspire más investigaciones sobre el razonamiento multimodal y la IA incorporada.

«Multimodal» es una palabra de moda que escucharemos cada vez más a medida que las empresas recurran a la inteligencia artificial general que aparentemente podrá realizar tareas generales como un ser humano.

Para un tipo cuya entrada principal en la realización de películas fue una serie de documentales de esquí, Ruben Östlund lo ha hecho muy bien. En un período de solo ocho años, ha arrasado en el Festival de Cine de Cannes y, posteriormente, en el mundo cinematográfico internacional, todo lo cual ha llevado a la primera película en inglés del nativo sueco. triangulo de tristeza, lo que le valió su segunda Palma de Oro en solo cinco años. Ahora tiene un gran revuelo de Oscar.

Su primera Palma vino por La plaza en 2017, que también le valió una nominación al Oscar a la Mejor Película Extranjera. En 2014, ganó un premio del jurado por la obra Un Certain Regard. Fuerza mayor, una película que desató tal conversación que Searchlight tomó los derechos de remake y se convirtió en la base para Cuesta abajo protagonizada por Julia Louis-Dreyfus y Will Ferrell.

Östlund se une a mí para la edición de esta semana de mi serie de videos Deadline Detrás de la lente, donde discutimos su increíble éxito en Cannes y todo lo que lo ha llevado, incluida esta primera película que no está en su idioma nativo. Con triangulo de tristeza ha abierto muchas puertas nuevas, y habla sobre la inspiración para ello y el ímpetu socialmente significativo que impulsa su realización cinematográfica.

Para ver nuestra conversación, haga clic en el video de arriba.

Acompáñame todos los viernes durante la temporada de los Oscar para ver otro episodio de Behind the Lens.