據(jù)外媒報道，上周四，Google、微軟、OpenAI 幾家公司的 CEO 受邀去白宮，共論關(guān)于人工智能發(fā)展的一些重要問題。然而，讓人有些想不通的是，深耕 AI 多年的 Meta 公司（前身為 Facebook）卻沒有在受邀之列。

沒多久，更讓 Meta CEO 扎克伯格扎心的是，一位官員對此解釋稱，本次會議“側(cè)重的是目前在 AI 領(lǐng)域，尤其是面向消費(fèi)者的產(chǎn)品方面，處于領(lǐng)先地位的公司?！?/p>

顯然對于這樣的解釋，并不能讓人信服，畢竟這一次受邀名單中還有一家由 OpenAI 的前成員創(chuàng)立的美國人工智能初創(chuàng)和公益公司 Anthropic。

似乎是為了出一口“氣”，也為證明自家的實(shí)力，相比 OpenAI、Google 推出閉源的 GPT-4、Bard 模型，Meta 在開源大模型的路上一騎絕塵，繼兩個月前開源 LLaMA大模型之后，再次于5 月 9 日開源了一個新的 AI 模型——ImageBind（https://github.com/facebookresearch/ImageBind），短短一天時間，收獲了 1.6k 個 Star。

這個模型與眾不同之處便是可以將多個數(shù)據(jù)流連接在一起，包括文本、圖像/視頻和音頻、視覺、IMU、熱數(shù)據(jù)和深度（Depth）數(shù)據(jù)。這也是業(yè)界第一個能夠整合六種類型數(shù)據(jù)的模型。

ImageBind 用圖像對齊六模態(tài)，旨在實(shí)現(xiàn)感官大一統(tǒng)

簡單來看，相比 Midjourney、Stable Diffusion 和 DALL-E 2 這樣將文字與圖像配對的圖像生成器，ImageBind 更像是廣撒網(wǎng)，可以連接文本、圖像/視頻、音頻、3D 測量（深度）、溫度數(shù)據(jù)（熱）和運(yùn)動數(shù)據(jù)（來自 IMU），而且它無需先針對每一種可能性進(jìn)行訓(xùn)練，直接預(yù)測數(shù)據(jù)之間的聯(lián)系，類似于人類感知或者想象環(huán)境的方式。

對此，Meta 在其官方博客中也說道，“ImageBind 可以勝過之前為一種特定模式單獨(dú)訓(xùn)練的技術(shù)模型。但最重要的是，它能使機(jī)器更好地一起分析許多不同形式的信息，從而有助于推進(jìn)人工智能?！?/p>

打個比喻，人類可以聽或者閱讀一些關(guān)于描述某個動物的文本，然后在現(xiàn)實(shí)生活中看到就能認(rèn)識。

你站在繁忙的城市街道等有刺激性環(huán)境中，你的大腦會（很大程度上應(yīng)該是無意識地）吸收景象、聲音和其他感官體驗(yàn)，以此推斷有關(guān)來往的汽車、行人、高樓、天氣等信息。

在很多場景中，一個單一的聯(lián)合嵌入空間包含許多不同種類的數(shù)據(jù)，如聲音、圖像、視頻等等。

如今，基于 ImageBind 這樣的模型可以讓機(jī)器學(xué)習(xí)更接近人類學(xué)習(xí)。

在官方博客中，Meta 分享 ImageBind 是通過圖像的綁定屬性，只要將每個模態(tài)的嵌入與圖像嵌入對齊，即圖像與各種模式共存，可以作為連接這些模式的橋梁，例如利用網(wǎng)絡(luò)數(shù)據(jù)將文本與圖像連接起來，或者利用從帶有 IMU 傳感器的可穿戴相機(jī)中捕獲的視頻數(shù)據(jù)將運(yùn)動與視頻連接起來。

ImageBind 整體概覽

從大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)中學(xué)到的視覺表征可以作為目標(biāo)來學(xué)習(xí)不同模態(tài)的特征。這使得 ImageBind 能夠?qū)R與圖像共同出現(xiàn)的任何模式，自然地將這些模式相互對齊。與圖像有強(qiáng)烈關(guān)聯(lián)的模態(tài)，如熱學(xué)和深度，更容易對齊。非視覺的模態(tài)，如音頻和 IMU，具有較弱的關(guān)聯(lián)性。

ImageBind 顯示，圖像配對數(shù)據(jù)足以將這六種模式綁定在一起。該模型可以更全面地解釋內(nèi)容，使不同的模式可以相互 "對話"，并在不觀察它們的情況下找到聯(lián)系。

例如，ImageBind 可以在沒有看到它們在一起的情況下將音頻和文本聯(lián)系起來。這使得其他模型能夠 "理解 "新的模式，而不需要任何資源密集型的訓(xùn)練。

不過，該模型目前只是一個研究項目，沒有直接的消費(fèi)者和實(shí)際應(yīng)用，但是它展現(xiàn)了生成式 AI 在未來能夠生成沉浸式、多感官內(nèi)容的方式，也表明了 Meta 正在以與 OpenAI、Google 等競爭對手不同的方式，趟出一條屬于開源大模型的路。

ImageBind 強(qiáng)大的背后

與此同時，作為一種多模態(tài)的模型，ImageBind 還加入了 Meta近期開源的一系列 AI 工具，包括DINOv2計算機(jī)視覺模型，這是一種不需要微調(diào)訓(xùn)練高性能計算機(jī)視覺模型的新方法；以及 Segment Anything（SAM），這是一種通用分割模型，可以根據(jù)任何用戶的提示，對任何圖像中的任何物體進(jìn)行分割。

ImageBind 是對這些模型的補(bǔ)充，因?yàn)樗鼘Ｗ⒂诙嗄B(tài)表示學(xué)習(xí)。它試圖為多種模式學(xué)習(xí)提供一個統(tǒng)一的特征空間，包括但不限于圖像和視頻。在未來， ImageBind 可以利用 DINOv2 的強(qiáng)大視覺特征來進(jìn)一步提高其能力。

ImageBind 的性能

針對 ImageBind 性能，Meta 研究科學(xué)家還發(fā)布了一篇《IMAGEBIND: One Embedding Space To Bind Them All》（https://dl.fbaipublicfiles.com/imagebind/imagebind_final.pdf）論文，分享了技術(shù)細(xì)則。

通過分析表明，ImageBind 模型的性能實(shí)際上可以通過使用很少的訓(xùn)練實(shí)例來提高。這個模型有新的出現(xiàn)的能力，或者說是擴(kuò)展行為--也就是說，在較小的模型中不存在的能力，但在較大的版本中出現(xiàn)。這可能包括識別哪種音頻適合某張圖片或從照片中預(yù)測場景的深度。

而 ImageBind 的縮放行為隨著圖像編碼器的強(qiáng)度而提高。

換句話說，ImageBind 對準(zhǔn)各種模式的能力隨著視覺模型的強(qiáng)度和大小而增加。這表明，較大的視覺模型有利于非視覺任務(wù)，如音頻分類，而且訓(xùn)練這種模型的好處超出了計算機(jī)視覺任務(wù)。

在實(shí)驗(yàn)中，研究人員使用了 ImageBind 的音頻和深度編碼器，并將其與之前在 zero-shot 檢索以及音頻和深度分類任務(wù)中的工作進(jìn)行了比較。

結(jié)果顯示，ImageBind 可以用于少量樣本的音頻和深度分類任務(wù)，并且優(yōu)于之前定制的方法。

最終，Meta 認(rèn)為ImageBind 這項技術(shù)最終會超越目前的六種“感官”，其在博客上說道，“雖然我們在當(dāng)前的研究中探索了六種模式，但我們相信引入連接盡可能多的感官的新模式——如觸覺、語音、嗅覺和大腦 fMRI 信號——將使更豐富的以人為中心的人工智能模型成為可能。”

ImageBind 可以用來干什么？

如果說 ChatGPT 可以充當(dāng)搜索引擎、問答社區(qū)，Midjourney 可以被用來當(dāng)畫畫工具，那么用 ImageBind 可以做什么？

根據(jù)官方發(fā)布的 Demo 顯示，它可以直接用圖片生成音頻：

也可以音頻生成圖片：

亦或者直接給一個文本，就可以檢索相關(guān)的圖片或者音頻內(nèi)容：

當(dāng)然，基于 ImageBind 也可以給出一個音頻+一張圖，如“狗叫聲”+海景圖：

可以直接得到一張“狗在看海”的圖：

也可以給出音頻，生成相應(yīng)的圖像：

正如上文所述， ImageBind 給出了未來生成式 AI 系統(tǒng)可以以多模態(tài)呈現(xiàn)的方式，同時，結(jié)合 Meta 內(nèi)部的虛擬現(xiàn)實(shí)、混合現(xiàn)實(shí)和元宇宙等技術(shù)和場景結(jié)合。

可以想象一下未來的頭顯設(shè)備，它不僅可以生成音頻和視頻輸入，也可以生成物理舞臺上的環(huán)境和運(yùn)動，即可以動態(tài)構(gòu)建 3D 場景（包括聲音、運(yùn)動等）。

亦或者，虛擬游戲開發(fā)人員也許最終可以使用它來減少設(shè)計過程中的大量跑腿工作。

同樣，內(nèi)容創(chuàng)作者可以僅基于文本、圖像或音頻輸入制作具有逼真的音頻和動作的沉浸式視頻。

也很容易想象，用 ImageBind 這樣的工具會在無障礙空間打開新的大門，譬如，生成實(shí)時多媒體描述來幫助有視力或聽力障礙的人更好地感知他們的直接環(huán)境。

“在典型的人工智能系統(tǒng)中，每個模態(tài)都有特定的嵌入（即可以表示數(shù)據(jù)及其在機(jī)器學(xué)習(xí)中的關(guān)系的數(shù)字向量），”Meta 說?！癐mageBind 表明可以跨多種模態(tài)創(chuàng)建聯(lián)合嵌入空間，而無需使用每種不同模態(tài)組合對數(shù)據(jù)進(jìn)行訓(xùn)練。這很重要，因?yàn)檠芯咳藛T無法創(chuàng)建包含例如來自繁忙城市街道的音頻數(shù)據(jù)和熱數(shù)據(jù)，或深度數(shù)據(jù)和海邊文本描述的樣本的數(shù)據(jù)集。”

當(dāng)前，外界可以通過大約 30 行 Python 代碼就能使用這個多模式嵌入 API：

開源大模型是好事還是壞事？

ImageBind 一經(jīng)官宣，也吸引了很多 AI 專家的關(guān)注。如卷積網(wǎng)絡(luò)之父 Yann LeCun 也在第一時間分享了關(guān)于 ImageBind 的資料：

NVIDIA AI 科學(xué)家 Jim Fan 在 Twitter 上表示：

自從 LLaMA 以來，Meta 就在開源領(lǐng)域大放異彩。

ImageBind：Meta 最新的多模態(tài)嵌入，不僅涵蓋了常規(guī)數(shù)據(jù)類型（文本、圖像、音頻），還包括深度、熱量（紅外）和 IMU 信號！

OpenAI Embedding 是 AI 驅(qū)動搜索和長期記憶的基礎(chǔ)。ImageBind 是 Meta 的 Embedding API，用于豐富的多媒體搜索、虛擬現(xiàn)實(shí)甚至機(jī)器人技術(shù)。元宇宙將建立在向量的基礎(chǔ)上。

通過對齊 6 種模態(tài)，你可以實(shí)現(xiàn)一些僅靠文本的 GPT-4 無法實(shí)現(xiàn)的花式功能：

跨模態(tài)檢索：將其視為多媒體谷歌搜索

嵌入空間算術(shù)：無縫地組合不同的數(shù)據(jù)格式。

生成：通過擴(kuò)散將任何模態(tài)映射到其他任何模態(tài)。

當(dāng)然，這種通用的多模態(tài)嵌入在性能上優(yōu)于領(lǐng)域特定的特征。

ImageBind：將它們?nèi)拷壎ǖ揭粋€嵌入空間。

也有網(wǎng)友評價道，「這項創(chuàng)新為增強(qiáng)搜索、沉浸式 VR 體驗(yàn)和高級機(jī)器人技術(shù)鋪平了道路。對于 AI 愛好者和專業(yè)人士來說，激動人心的時刻即將到來！」。

不過，對于 Meta 采取開源的做法，也有人提出了質(zhì)疑。

據(jù) The Verge 報道，那些反對開源的人，如 OpenAI，表示這種做法對創(chuàng)作者有害，因?yàn)楦偁帉κ挚梢詮?fù)制他們的作品，并且可能具有潛在的危險，允許惡意行為者利用最先進(jìn)的人工智能模型。

與之形成對比的是，支持開源的人則認(rèn)為，像 Meta 開源 ImageBind 的做法有利于生態(tài)的快速建立與發(fā)展，也能集結(jié)全球的力量，幫助 AI 模型快速迭代和捕捉 Bug。

早些時候，Meta開源的LLaMA 模型只能用于研究用途，但是期間LLaMA 模型在 4chan 上被泄露，有匿名用戶通過 BT 種子公開了 LLaMA-65B—— 有650 億個參數(shù)的 LLaMA，容量為 220GB。

隨著 LLaMA “被公開”，一大批基于這款大模型的衍生品，號稱是 ChatGPT 開源替代品的工具在短時間內(nèi)快速涌現(xiàn)，如跟著LLaMA（美洲駝）名字走的“駝類”家族包含了：斯坦福大學(xué)發(fā)布的Alpaca（羊駝，https://github.com/tatsu-lab/stanford_alpaca），伯克利、卡內(nèi)基梅隆大學(xué)等高校研究人員開源的Vicuna（駱馬），還有基于 LLaMA 7B 的多語言指令跟隨語言模型 Guanaco（原駝，https://guanaco-model.github.io/）等等。

面對這股新興的力量，近日，在一位谷歌內(nèi)部的研究人員泄露的一份文件中顯示，在大模型時代，「Google 沒有護(hù)城河，OpenAI 也沒有」。其主要原因就是第三股——開源大模型的力量與生態(tài)正在崛起。

所以，OpenAI 和 Google 兩家在 AI 大模型上你追我趕的競爭中，誰能笑到最后，也未必就不會是 Meta，我們也將拭目以待。對此，你是否看好開源大模型的發(fā)展？

審核編輯 ：李倩