觀察者網(wǎng)：這個多模態(tài)大模型的技術水平，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、音研究儲備和基礎的研究機構。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換和統(tǒng)一表述，這在全球是首次。通過巧妙的構建一個多模態(tài)大模型，我們的圖像技術、語音技術和文本技術都超越了現(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。

首先業(yè)界領先性能的中文預訓練模型、語音預訓練模型、視覺預訓練模型是我們三模態(tài)模型的基礎。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、低資源關鍵技術的突破，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，我們人工智能技術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)大模型能夠實現(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。我們人類主要有兩種能力，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的學會說話、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構。

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)量就可以了，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業(yè)范式也會出現(xiàn)一些變化。比如說，現(xiàn)在產業(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業(yè)帶來的賦能。這個大模型技術從學術成果向產業(yè)轉化可能還需要一個過程，但我認為不會太久，未來2-4年之內這些新技術都會逐漸得到應用。

觀察者網(wǎng)：能不能具體講一下紫東太初這個多模態(tài)大模型以音聲圖、以圖生音的應用案例？

徐波：以圖生音為例?？梢圆唤?jīng)過文本，直接在一個共通語義空間做轉換，就是語義到語音的直接合成。以音生圖，它不是先識別語音，再做文本的檢索，而是直接在一個語義空間里面把這個聲音轉換成圖像。所以我們?yōu)槭裁凑f這個是通用人工智能路徑的探索，就是通過圖文音三個模態(tài)固化出一個人類非常模糊但是非常有用，只是不知道人類大腦是怎么表達的一個語義空間的表征。

生成語音：一架大型飛機在天空中飛翔

輸入語音：一個人在滑雪板上翻轉在空中

除此之外，我們還可以給出一個多模態(tài)大模型的互動演示，涉及到很多的語音識別，語音合成，包括對圖像的描述，中文的續(xù)寫等等，通過語義空間直接的轉換來完成。

這一系列的展示，是非常類人的多模態(tài)交互。它可以任意輸入語音、圖像或者文字，去輸出語音，圖像和文字的任意一種，真正實現(xiàn)三個模態(tài)之間的關聯(lián)跟協(xié)同。它們中間就是我們講的“統(tǒng)一的語義空間”。

這里主要表達三個觀點，一是大數(shù)據(jù)+大模型+多模態(tài)，將改變當前單一模型與單一任務人工智能的研發(fā)模式，多模態(tài)大模型將成為不同領域的共性平臺技術。其次，在目前的研究當中，有一種慣性思維是做人工智能都要用大數(shù)據(jù)，而當知識與數(shù)據(jù)混合驅動，增強模型的可信、可理解能力后，我相信隨著這些技術的發(fā)展，人工智能學習對有標注的數(shù)據(jù)的依賴性會越來越小。

此外，國產化通用人工智能具有很高的技術門檻，需要大量的資金與數(shù)據(jù)的支撐，將使得人工智能的研究規(guī)則發(fā)生重大變革，對我國實現(xiàn)人工智能領域科技創(chuàng)新，占領核心技術高地具有重要戰(zhàn)略意義。以圖生音，以音生圖，效果甚至出乎我們自己的想象，這也帶給我們一項啟發(fā)，讓我們對未來的人工智能又增加的無窮的想象力。所以，多模態(tài)大模型人工智能值得我們進一步去探索，值得我們進一步探索更巧結構、更大規(guī)模、更強理解能力的模型以及相應的評估標準，也值得我們把這樣的技術跟產業(yè)需求更好的結合起來。

再舉一些生活化的例子。比如說，利用大模型可以實現(xiàn)歐洲杯轉播的人工智能自動解說；在影視拍攝領域，可以根據(jù)劇本的文字自動生成畫面和場景，供導演再加工；在教育領域可以根據(jù)語義內涵，自動生成畫面和聲音、甚至生成全新的音樂（而非在既有樂庫中選?。愃茖崿F(xiàn)媽媽給孩子講故事等功能，讓人工智能具備初步的想象力和藝術創(chuàng)作力。其實這與人類大腦工作機制是比較類似的。