以下是專訪實錄：

觀察者網(wǎng)：我們看到，中國目前在人工智能技術(shù)研發(fā)投入上可謂是不遺余力，作為人工智能行業(yè)專家，您認為持續(xù)探索人工智能技術(shù)創(chuàng)新之路，對整個產(chǎn)業(yè)和社會發(fā)展的意義是什么？

徐波：人工智能在本質(zhì)上是一種賦能技術(shù)。隨著社會的持續(xù)發(fā)展和進步，人工智能作為社會經(jīng)濟生活的“發(fā)動機”，無處不在的推動著多個行業(yè)的智能化發(fā)展。人工智能在不斷與行業(yè)進行融合創(chuàng)新的同時，會出現(xiàn)多種形態(tài)的變化，呈現(xiàn)出百花齊放的現(xiàn)象。

人工智能作為新一輪技術(shù)革命和產(chǎn)業(yè)變革的重要驅(qū)動力，已經(jīng)改變很多現(xiàn)有的流程、理念、生產(chǎn)方式、組織形式，將進一步解放和發(fā)展社會生產(chǎn)力，深度改變?nèi)藗兊乃枷胗^念。當前，人工智能正在全方位賦能商業(yè)、教育、醫(yī)療、制造、交通和社會治理，成為不可或缺的發(fā)展引擎。但人工智能發(fā)展創(chuàng)新絕非一帆風順，短時間內(nèi)，相關(guān)技術(shù)還將經(jīng)歷一個艱難爬坡、臨界點突破、再遇到新的瓶頸這樣螺旋式的發(fā)展上升過程。

觀察者網(wǎng)：自從國外OpenAI公司的GPT3、華為公司的盤古等人工智能模型出現(xiàn)以來，無監(jiān)督學習迅速發(fā)展，目前預訓練大模型已經(jīng)發(fā)展到了什么階段？

徐波：圖靈獎獲得者Yann Lecun曾經(jīng)說過，如果智能是一塊蛋糕，那么蛋糕的主體是無監(jiān)督學習，蛋糕上的糖衣是監(jiān)督學習，蛋糕上的櫻桃是強化學習。人類對世界的理解主要來自于大量未標記的信息。

“蛋糕主體”指的是無監(jiān)督學習，現(xiàn)在很多人工智能碰到的落地上的可信和魯棒性難題，其本質(zhì)問題是現(xiàn)有AI缺乏語義級的認知。認知如同浮在海平面上的冰山。自然語言是冰山浮出水面的部分，而理解自然語言的基礎(chǔ)是大量的人類常識、背景知識、領(lǐng)域知識等世界知識，這是冰山水面以下看不到的部分。把這些合起來統(tǒng)稱為“語義空間”?，F(xiàn)有的AI系統(tǒng)很難把這些語義空間加以全面準確的表達。

例如，“張三吃大碗”、“張三吃食堂”、“張三吃面條”這三句話?！皬埲源笸搿辈⒉皇钦f張三把大碗吃掉，“張三吃食堂”也不是要把食堂吃掉，這種表述背后的邏輯可能是食堂是吃飯的地方，很多人都在食堂吃飯，張三家里可能沒做飯，所以在食堂吃飯。對人工智能來說，必須有這些相關(guān)的背景知識，才能理解“張三吃食堂”這句對人來講很容易理解的話。

人工智能需要學習很多背景知識才能理解自然語言。這就是“認知冰山”問題，冰山海平面之下才是獲得認知的關(guān)鍵。有的人工智能專家把這些大量的背景知識稱作人工智能的“暗物質(zhì)”。怎么把這些“暗物質(zhì)”挖掘出來放在一個系統(tǒng)里？無監(jiān)督學習是一條路徑。

這些“暗物質(zhì)”隱含存在于我們的圖片、日常對話和海量文本中。但是，目前的預訓練大多數(shù)還是單模態(tài)?！鞍俾劜蝗缫灰姟?，可能很復雜的語義表述只需要看一張圖片就能理解。

同時，人類的聲音還蘊藏著情緒和感情，只有準確捕獲這些細節(jié)信息，才有可能懂得語言背后真正的含義，而不僅僅是文字表面的意思。那么，我們?nèi)绾尾拍芡瑫r有效把聲音、圖片和文字這些信息都整合起來呢？

這次，我們在武漢人工智能計算中心算力支持下研發(fā)的全球首個三模態(tài)大模型“紫東太初”，在實現(xiàn)圖、文、音的統(tǒng)一表達方面取得重要進展。已有多模態(tài)預訓練模型通常僅考慮兩個模態(tài)，如圖像和文本，或者視頻和文本，不但忽視了周圍環(huán)境中普遍存在的語音信息，并且模型不好兼具理解與生成能力，難以在生成任務與理解類任務中同時取得良好表現(xiàn)。

我們首次將語音信息引入，并通過一個統(tǒng)一語義空間網(wǎng)絡表達生成三模態(tài)模型，可以把剛才提到的“認知冰山”或“暗物質(zhì)”的龐大語義空間學習出來，能更加接近人類真正的感情和思考。特別地，由于側(cè)重交互功能的語音的加入，使我們的大模型一下子變“活”了，使人工智能邁向更高層次的通用型人工智能方向發(fā)展。

“紫東太初”三模態(tài)訓練模型采用了多層次、多任務、自監(jiān)督、預訓練的學習方式，論文已經(jīng)公開發(fā)表。最重要的是提出來三模態(tài)數(shù)據(jù)的語義統(tǒng)一表達，可同時支持三種或者任兩種模態(tài)的若干數(shù)據(jù)預訓練。這個模型不僅可以實現(xiàn)跨模態(tài)理解，還能實現(xiàn)跨模態(tài)生成，做到理解和生成兩個最重要的認知能力的平衡，首次實現(xiàn)以圖生音，以音來生圖的功能。

三模態(tài)大模型可能把更多人類許多與生俱來的東西學習出來，把“認知冰山”水面以下的東西能進行挖掘和表達。另外，單模態(tài)預訓練模型無疑越大越好，但三模態(tài)模型的重點更在于探索如何讓它更“巧”。三模態(tài)大模型要做好還要下很多功夫，但我們已經(jīng)在正確的方向上邁出了重要的一步。

觀察者網(wǎng)：多模態(tài)大模型“紫東太初”名稱的內(nèi)涵，是不是包涵了某種開天辟地的意義？

徐波：可以這么理解，就是相當于人工智能走向類人智能的一個混沌初開之際，也是感知智能走向通用智能重要的第一步。

一個比較有意思的話題是，人工智能領(lǐng)域之外的人，比如哲學、科幻領(lǐng)域，特別喜歡討論人工智能的一些終極問題，例如機器人可能統(tǒng)治人類，同時涉及一些更高層面的倫理問題。但絕大多數(shù)人工智能領(lǐng)域的科學家非常清楚地認知到現(xiàn)有人工智能距離真正的人類智能相差甚遠。

在成功研發(fā)“紫東太初”三模態(tài)模型后，我們似乎感受到比現(xiàn)有人工智能更為強大的通用型人工智能大門正在打開。有時候，我們甚至在思考怎么讓人工智能依附一個好的軀體，更好地感知到自然和社會環(huán)境中的信息，把類似情緒和情感的信息做進一步的處理，AI將會有更大的發(fā)展和比較好的靈活性。這種門檻一旦突破，人工智能的發(fā)展很可能會出現(xiàn)指數(shù)型的增長。這是一個即將呈現(xiàn)爆發(fā)式增長的領(lǐng)域。

觀察者網(wǎng)：這個多模態(tài)大模型的技術(shù)水平，跟國外同行相比怎么樣？

徐波： “紫東太初”是全球首個三模態(tài)大模型。目前，全世界研究單模態(tài)大模型（圖像、文本）的人比較多，研究語音大模型的相對少一些。我們是少有的同時具備圖、文、音研究儲備和基礎(chǔ)的研究機構(gòu)。這次自動化研究所系統(tǒng)整理收集了積累多年的多模態(tài)數(shù)據(jù)庫，并把圖、文、音三個模態(tài)統(tǒng)一起來，在一個共同的語義空間去做相互的轉(zhuǎn)換和統(tǒng)一表述，這在全球是首次。

通過巧妙地構(gòu)建一個多模態(tài)大模型，我們的圖像技術(shù)、語音技術(shù)和文本技術(shù)都超越了現(xiàn)有最好水平。過去業(yè)界習慣用有監(jiān)督的學習，而我們的技術(shù)對有標注數(shù)據(jù)的依賴性較小，改變了人工智能訓練需要標注好的大數(shù)據(jù)的固有模式。

首先，性能業(yè)界領(lǐng)先的中文預訓練模型、語音預訓練模型、視覺預訓練模型是我們?nèi)B(tài)模型的基礎(chǔ)。比如，視覺的預訓練模型，首次實現(xiàn)超越有監(jiān)督學習的性能，速度比其他的方法提高8倍，在語義分割的結(jié)果上，也超越了有監(jiān)督學習的水平。在中文預訓練模型里面提出來任務感知和推理增強的模型，性能相比比GPT-3明顯提升。語音預訓練模型，針對語音領(lǐng)域語種多樣、標注成本高的問題，實現(xiàn)了基于語音預訓練的多語言、多任務、低資源關(guān)鍵技術(shù)的突破，使我們用很少的有標注數(shù)據(jù)就可以實現(xiàn)語音識別的性能大幅度提升。

然后，我們在統(tǒng)一的語義空間網(wǎng)絡表達上實現(xiàn)了模態(tài)之間的高效協(xié)同和相互轉(zhuǎn)換，在多任務上取得了更卓越的性能。在跨模態(tài)檢索和圖文語義轉(zhuǎn)換方面，都比兩個模態(tài)具有更豐富的表達跟生成能力。語音加速加入后，使得我們的大模型可以跟人類做自然流暢的交互。這意味著，我們?nèi)斯ぶ悄芗夹g(shù)在共性的語義空間表征方面取得了重要進展。

觀察者網(wǎng)：AI應用場景的碎片化需求，正在成為AI算法落地面臨的最大挑戰(zhàn)。而三模態(tài)大模型能夠?qū)崿F(xiàn)多模態(tài)對話，視頻播報，以音生圖，以圖生音，非常有意思，未來是否有可能所有問題都會通過統(tǒng)一的大模型來解決？

徐波：我覺得非常有可能。我們?nèi)祟愔饕袃煞N能力，一種是與生俱來的能力，到了一定的年齡，通過基本的學習就能自然地學會說話、走路。另外一種是專業(yè)技能，如果要學會彈鋼琴、水墨畫等，仍然需要長時間的專業(yè)訓練才能實現(xiàn)，因為這改變了人的特定知識結(jié)構(gòu)。

多模態(tài)大模型為通用人工智能的研究奠定了非常好的基座。人類基本的知識、常識，看到的一些場景、物體，以及從物理世界看到的很多東西，都可以隱藏在這個大模型里面。比如要做語音識別，現(xiàn)在用很小的數(shù)據(jù)量可以了，甚至可以逐漸做到不需要有監(jiān)督的數(shù)據(jù)學習。

預訓練模型作為基座模型雖然不是萬能的，但是人工智能的研究范式和產(chǎn)業(yè)范式也會出現(xiàn)一些變化。比如說，現(xiàn)在產(chǎn)業(yè)都在講算法開源，但算法的維護成本很高，尤其是現(xiàn)在人工智能的人才很稀缺，未來人工智能領(lǐng)域開放的可能是模型，客戶獲得大模型的接口再稍微加一點數(shù)據(jù)就能解決問題，即“大模型+小數(shù)據(jù)”，這是我們未來希望看到的大模型對產(chǎn)業(yè)帶來的賦能。

這個大模型技術(shù)從學術(shù)成果向產(chǎn)業(yè)轉(zhuǎn)化可能還需要一個過程，但我認為不會太久，未來2-4年之內(nèi)這些新技術(shù)都會逐漸得到應用。