近日，以“共創(chuàng)產業(yè)智能新高度”為主題的多模態(tài)人工智能產業(yè)聯(lián)合體第二次會議在武漢召開，會上發(fā)布了由中國科學院自動化研究所、武漢人工智能研究院、華為技術有限公司牽頭的《多模態(tài)基礎大模型技術白皮書》。

“當前，人工智能正從單模態(tài)、有監(jiān)督學習，邁向多模態(tài)、自監(jiān)督學習的時代。”中國科學院自動化研究所研究員、武漢人工智能研究院院長王金橋表示，“多模態(tài)人工智能的未來必將風光無限。”

對數(shù)據(jù)標注的依賴性降低了一個數(shù)量級以上

要了解多模態(tài)人工智能，首先需要明白何為模態(tài)，“一般來說，每一種信息的來源或者形式，都可以稱為一種模態(tài)。”王金橋說。

人類在信息獲取、環(huán)境感知、知識學習與表達等方面都是采用多模態(tài)的輸入、輸出方式。比如，如果一個人要在一片草坪上找到一朵盛開的花朵，既可以通過視覺這一模態(tài)來尋找，也就是直接用眼睛看；也可以通過嗅覺這一模態(tài)來搜索，也就是用鼻子聞；還可以通過觸覺這一模態(tài)來探尋，也就是用手觸摸。面對尋找花朵這個問題，一般來說，人們會采取視覺、嗅覺等多模態(tài)的方式來進行。“某種程度上說，多模態(tài)的輸入、輸出方式正是人類智慧的重要體現(xiàn)之一。”王金橋表示。

目前的網(wǎng)絡數(shù)據(jù)包括圖像、視頻、文字、音頻等不同模態(tài)。對于人工智能來說，要想更好地掌握、分析、利用網(wǎng)絡上的數(shù)據(jù)，就需要能夠對這些多模態(tài)的數(shù)據(jù)進行系統(tǒng)的統(tǒng)籌和分析。

王金橋表示：“技術創(chuàng)新是推動多模態(tài)人工智能產業(yè)發(fā)展的重要動力之一。自20世紀70年代多模態(tài)學習起步以來，伴隨著近年來生成式預訓練、基于Transformer的雙向編碼器表達等大規(guī)模預訓練模型的快速涌現(xiàn)，人工智能研究領域正在經歷一場有監(jiān)督學習向無監(jiān)督學習條件下‘大數(shù)據(jù)+大模型’的大規(guī)模預訓練范式轉變，多模態(tài)人工智能發(fā)展迎來了新的巔峰。”

近年來，多模態(tài)人工智能在場景泛化性、對數(shù)據(jù)的依賴性等方面都取得了巨大的技術突破。

“多模態(tài)人工智能通過自監(jiān)督的學習方式對海量無標注數(shù)據(jù)進行學習，同時面向特定任務場景進行小數(shù)據(jù)的標注學習和微調。相對于單模態(tài)人工智能，其對數(shù)據(jù)標注的依賴性降低了一個數(shù)量級以上。”王金橋說。

“多模態(tài)大模型+小模型”模式或成主流

2017年，國務院制發(fā)《新一代人工智能發(fā)展規(guī)劃》，由人工智能技術引發(fā)的產業(yè)變革正在加速演進。目前，各行各業(yè)利用人工智能技術打造的產業(yè)新應用、新業(yè)態(tài)、新模式不斷涌現(xiàn)，我國的人工智能產業(yè)化勢頭迅猛，多模態(tài)人工智能產業(yè)也取得了許多突破。

如今，多模態(tài)人工智能產業(yè)正大步走向場景化、實用化。“目前，模型參數(shù)與數(shù)據(jù)規(guī)模不再是各研發(fā)機構的比拼重點，多模態(tài)人工智能產業(yè)正在走向場景應用的新階段。”王金橋表示。

“例如，‘全媒體多模態(tài)大模型’就是基于中國科學院自動化研究所‘聞海’多模態(tài)媒體大數(shù)據(jù)和‘紫東太初’三模態(tài)大模型的技術積累，結合新華社全媒體的海量數(shù)據(jù)積累和媒體融合業(yè)務場景而建立的。‘全媒體多模態(tài)大模型’將加速推動人工智能在視頻配音、語音播報、標題摘要、海報創(chuàng)作等多元媒體業(yè)務場景的應用。”王金橋說。

此外，在智慧城市、金融科技、民生服務等許多領域，多模態(tài)人工智能也有著廣闊的應用場景。

王金橋表示，未來“多模態(tài)大模型+小模型”的模式或將成為多模態(tài)人工智能的主流，該模式可以有效解決需求碎片化、多樣化等問題。

王金橋表示，我國應該打造工業(yè)化范式的多模態(tài)大模型生態(tài)，持續(xù)完善國產基礎軟硬件支撐體系，加大人工智能與醫(yī)學、材料、氣候等科學研究領域的結合力度，健全人工智能產業(yè)應用政策標準，大力培養(yǎng)人工智能復合型人才。（實習記者 李詔宇）