Meta 開源 ImageBind 新模型，超越 GPT-4，對齊文本、音頻等 6 種模態(tài)?。?）

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 模型的性能實際上可以通過使用很少的訓(xùn)練實例來提高。這個模型有新的出現(xiàn)的能力，或者說是擴展行為--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視覺任務(wù)。

在實驗中，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?！钡膱D：

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、混合現(xiàn)實和元宇宙等技術(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)境和運動，即可以動態(tài)構(gòu)建 3D 場景（包括聲音、運動等）。

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)及其在機器學(xué)習(xí)中的關(guān)系的數(shù)字向量），”Meta 說。“ImageBind 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)進行訓(xùn)練。這很重要，因為研究人員無法創(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?！?/span>

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)實甚至機器人技術(shù)。元宇宙將建立在向量的基礎(chǔ)上。

通過對齊 6 種模態(tài)，你可以實現(xiàn)一些僅靠文本的 GPT-4 無法實現(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)新為增強搜索、沉浸式 VR 體驗和高級機器人技術(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，因為競爭對手可以復(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？

相關(guān)閱讀

論文地址：https://dl.fbaipublicfiles.com/imagebind/imagebind_final.pdf

GitHub 地址：https://github.com/facebookresearch/ImageBind

Demo：https://imagebind.metademolab.com/

參考

https://ai.facebook.com/blog/imagebind-six-modalities-binding-ai/

https://www.theverge.com/2023/5/9/23716558/meta-imagebind-open-source-multisensory-modal-ai-model-research