以下是專(zhuān)訪實(shí)錄：

觀察者網(wǎng)：我們看到，中國(guó)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(zhuān)家，您認(rèn)為持續(xù)探索人工智能技術(shù)創(chuàng)新之路，對(duì)整個(gè)產(chǎn)業(yè)和社會(huì)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(huì)的持續(xù)發(fā)展和進(jìn)步，人工智能作為社會(huì)經(jīng)濟(jì)生活的“發(fā)動(dòng)機(jī)”，無(wú)處不在的推動(dòng)著多個(gè)行業(yè)的智能化發(fā)展。人工智能在不斷與行業(yè)進(jìn)行融合創(chuàng)新的同時(shí)，會(huì)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(dòng)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(jìn)一步解放和發(fā)展社會(huì)生產(chǎn)力，深度改變?nèi)藗兊乃枷胗^念。當(dāng)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(huì)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(fēng)順，短時(shí)間內(nèi)，相關(guān)技術(shù)還將經(jīng)歷一個(gè)艱難爬坡、臨界點(diǎn)突破、再遇到新的瓶頸這樣螺旋式的發(fā)展上升過(guò)程。

觀察者網(wǎng)：自從國(guó)外OpenAI公司的GPT3、華為公司的盤(pán)古等人工智能模型出現(xiàn)以來(lái)，無(wú)監(jiān)督學(xué)習(xí)迅速發(fā)展，目前預(yù)訓(xùn)練大模型已經(jīng)發(fā)展到了什么階段？

徐波：圖靈獎(jiǎng)獲得者Yann Lecun曾經(jīng)說(shuō)過(guò)，如果智能是一塊蛋糕，那么蛋糕的主體是無(wú)監(jiān)督學(xué)習(xí)，蛋糕上的糖衣是監(jiān)督學(xué)習(xí)，蛋糕上的櫻桃是強(qiáng)化學(xué)習(xí)。人類(lèi)對(duì)世界的理解主要來(lái)自于大量未標(biāo)記的信息。

“蛋糕主體”指的是無(wú)監(jiān)督學(xué)習(xí)，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(wèn)題是現(xiàn)有AI缺乏語(yǔ)義級(jí)的認(rèn)知。認(rèn)知如同浮在海平面上的冰山。自然語(yǔ)言是冰山浮出水面的部分，而理解自然語(yǔ)言的基礎(chǔ)是大量的人類(lèi)常識(shí)、背景知識(shí)、領(lǐng)域知識(shí)等世界知識(shí)，這是冰山水面以下看不到的部分。把這些合起來(lái)統(tǒng)稱為“語(yǔ)義空間”?，F(xiàn)有的AI系統(tǒng)很難把這些語(yǔ)義空間加以全面準(zhǔn)確的表達(dá)。

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(shuō)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(méi)做飯，所以在食堂吃飯。對(duì)人工智能來(lái)說(shuō)，必須有這些相關(guān)的背景知識(shí)，才能理解“張三吃食堂”這句對(duì)人來(lái)講很容易理解的話。

人工智能需要學(xué)習(xí)很多背景知識(shí)才能理解自然語(yǔ)言。這就是“認(rèn)知冰山”問(wèn)題，冰山海平面之下才是獲得認(rèn)知的關(guān)鍵。有的人工智能專(zhuān)家把這些大量的背景知識(shí)稱作人工智能的“暗物質(zhì)”。怎么把這些“暗物質(zhì)”挖掘出來(lái)放在一個(gè)系統(tǒng)里？無(wú)監(jiān)督學(xué)習(xí)是一條路徑。

這些“暗物質(zhì)”隱含存在于我們的圖片、日常對(duì)話和海量文本中。但是，目前的預(yù)訓(xùn)練大多數(shù)還是單模態(tài)。“百聞不如一見(jiàn)”，可能很復(fù)雜的語(yǔ)義表述只需要看一張圖片就能理解。

同時(shí)，人類(lèi)的聲音還蘊(yùn)藏著情緒和感情，只有準(zhǔn)確捕獲這些細(xì)節(jié)信息，才有可能懂得語(yǔ)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(shí)有效把聲音、圖片和文字這些信息都整合起來(lái)呢？

這次，我們?cè)谖錆h人工智能計(jì)算中心算力支持下研發(fā)的全球首個(gè)三模態(tài)大模型“紫東太初”，在實(shí)現(xiàn)圖、文、音的統(tǒng)一表達(dá)方面取得重要進(jìn)展。已有多模態(tài)預(yù)訓(xùn)練模型通常僅考慮兩個(gè)模態(tài)，如圖像和文本，或者視頻和文本，不但忽視了周?chē)h(huán)境中普遍存在的語(yǔ)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(wù)與理解類(lèi)任務(wù)中同時(shí)取得良好表現(xiàn)。

我們首次將語(yǔ)音信息引入，并通過(guò)一個(gè)統(tǒng)一語(yǔ)義空間網(wǎng)絡(luò)表達(dá)生成三模態(tài)模型，可以把剛才提到的“認(rèn)知冰山”或“暗物質(zhì)”的龐大語(yǔ)義空間學(xué)習(xí)出來(lái)，能更加接近人類(lèi)真正的感情和思考。特別地，由于側(cè)重交互功能的語(yǔ)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(xùn)練模型采用了多層次、多任務(wù)、自監(jiān)督、預(yù)訓(xùn)練的學(xué)習(xí)方式，論文已經(jīng)公開(kāi)發(fā)表。最重要的是提出來(lái)三模態(tài)數(shù)據(jù)的語(yǔ)義統(tǒng)一表達(dá)，可同時(shí)支持三種或者任兩種模態(tài)的若干數(shù)據(jù)預(yù)訓(xùn)練。這個(gè)模型不僅可以實(shí)現(xiàn)跨模態(tài)理解，還能實(shí)現(xiàn)跨模態(tài)生成，做到理解和生成兩個(gè)最重要的認(rèn)知能力的平衡，首次實(shí)現(xiàn)以圖生音，以音來(lái)生圖的功能。

三模態(tài)大模型可能把更多人類(lèi)許多與生俱來(lái)的東西學(xué)習(xí)出來(lái)，把“認(rèn)知冰山”水面以下的東西能進(jìn)行挖掘和表達(dá)。另外，單模態(tài)預(yù)訓(xùn)練模型無(wú)疑越大越好，但三模態(tài)模型的重點(diǎn)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(kāi)天辟地的意義？

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

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

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(qiáng)大的通用型人工智能大門(mén)正在打開(kāi)。有時(shí)候，我們甚至在思考怎么讓人工智能依附一個(gè)好的軀體，更好地感知到自然和社會(huì)環(huán)境中的信息，把類(lèi)似情緒和情感的信息做進(jìn)一步的處理，AI將會(huì)有更大的發(fā)展和比較好的靈活性。這種門(mén)檻一旦突破，人工智能的發(fā)展很可能會(huì)出現(xiàn)指數(shù)型的增長(zhǎng)。這是一個(gè)即將呈現(xiàn)爆發(fā)式增長(zhǎng)的領(lǐng)域。

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

徐波： “紫東太初”是全球首個(gè)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(yǔ)音大模型的相對(duì)少一些。我們是少有的同時(shí)具備圖、文、音研究?jī)?chǔ)備和基礎(chǔ)的研究機(jī)構(gòu)。這次自動(dòng)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(kù)，并把圖、文、音三個(gè)模態(tài)統(tǒng)一起來(lái)，在一個(gè)共同的語(yǔ)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(guò)巧妙地構(gòu)建一個(gè)多模態(tài)大模型，我們的圖像技術(shù)、語(yǔ)音技術(shù)和文本技術(shù)都超越了現(xiàn)有最好水平。過(guò)去業(yè)界習(xí)慣用有監(jiān)督的學(xué)習(xí)，而我們的技術(shù)對(duì)有標(biāo)注數(shù)據(jù)的依賴性較小，改變了人工智能訓(xùn)練需要標(biāo)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(yù)訓(xùn)練模型、語(yǔ)音預(yù)訓(xùn)練模型、視覺(jué)預(yù)訓(xùn)練模型是我們?nèi)B(tài)模型的基礎(chǔ)。比如，視覺(jué)的預(yù)訓(xùn)練模型，首次實(shí)現(xiàn)超越有監(jiān)督學(xué)習(xí)的性能，速度比其他的方法提高8倍，在語(yǔ)義分割的結(jié)果上，也超越了有監(jiān)督學(xué)習(xí)的水平。在中文預(yù)訓(xùn)練模型里面提出來(lái)任務(wù)感知和推理增強(qiáng)的模型，性能相比比GPT-3明顯提升。語(yǔ)音預(yù)訓(xùn)練模型，針對(duì)語(yǔ)音領(lǐng)域語(yǔ)種多樣、標(biāo)注成本高的問(wèn)題，實(shí)現(xiàn)了基于語(yǔ)音預(yù)訓(xùn)練的多語(yǔ)言、多任務(wù)、低資源關(guān)鍵技術(shù)的突破，使我們用很少的有標(biāo)注數(shù)據(jù)就可以實(shí)現(xiàn)語(yǔ)音識(shí)別的性能大幅度提升。

然后，我們?cè)诮y(tǒng)一的語(yǔ)義空間網(wǎng)絡(luò)表達(dá)上實(shí)現(xiàn)了模態(tài)之間的高效協(xié)同和相互轉(zhuǎn)換，在多任務(wù)上取得了更卓越的性能。在跨模態(tài)檢索和圖文語(yǔ)義轉(zhuǎn)換方面，都比兩個(gè)模態(tài)具有更豐富的表達(dá)跟生成能力。語(yǔ)音加速加入后，使得我們的大模型可以跟人類(lèi)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(yǔ)義空間表征方面取得了重要進(jìn)展。

觀察者網(wǎng)：AI應(yīng)用場(chǎng)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(duì)話，視頻播報(bào)，以音生圖，以圖生音，非常有意思，未來(lái)是否有可能所有問(wèn)題都會(huì)通過(guò)統(tǒng)一的大模型來(lái)解決？

徐波：我覺(jué)得非常有可能。我們?nèi)祟?lèi)主要有兩種能力，一種是與生俱來(lái)的能力，到了一定的年齡，通過(guò)基本的學(xué)習(xí)就能自然地學(xué)會(huì)說(shuō)話、走路。另外一種是專(zhuān)業(yè)技能，如果要學(xué)會(huì)彈鋼琴、水墨畫(huà)等，仍然需要長(zhǎng)時(shí)間的專(zhuān)業(yè)訓(xùn)練才能實(shí)現(xiàn)，因?yàn)檫@改變了人的特定知識(shí)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(lèi)基本的知識(shí)、常識(shí)，看到的一些場(chǎng)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(gè)大模型里面。比如要做語(yǔ)音識(shí)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(xué)習(xí)。

預(yù)訓(xùn)練模型作為基座模型雖然不是萬(wàn)能的，但是人工智能的研究范式和產(chǎn)業(yè)范式也會(huì)出現(xiàn)一些變化。比如說(shuō)，現(xiàn)在產(chǎn)業(yè)都在講算法開(kāi)源，但算法的維護(hù)成本很高，尤其是現(xiàn)在人工智能的人才很稀缺，未來(lái)人工智能領(lǐng)域開(kāi)放的可能是模型，客戶獲得大模型的接口再稍微加一點(diǎn)數(shù)據(jù)就能解決問(wèn)題，即“大模型+小數(shù)據(jù)”，這是我們未來(lái)希望看到的大模型對(duì)產(chǎn)業(yè)帶來(lái)的賦能。

這個(gè)大模型技術(shù)從學(xué)術(shù)成果向產(chǎn)業(yè)轉(zhuǎn)化可能還需要一個(gè)過(guò)程，但我認(rèn)為不會(huì)太久，未來(lái)2-4年之內(nèi)這些新技術(shù)都會(huì)逐漸得到應(yīng)用。

以下是專(zhuān)訪實(shí)錄：

觀察者網(wǎng)：我們看到，中國(guó)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(zhuān)家，您認(rèn)為持續(xù)探索人工智能技術(shù)創(chuàng)新之路，對(duì)整個(gè)產(chǎn)業(yè)和社會(huì)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(huì)的持續(xù)發(fā)展和進(jìn)步，人工智能作為社會(huì)經(jīng)濟(jì)生活的“發(fā)動(dòng)機(jī)”，無(wú)處不在的推動(dòng)著多個(gè)行業(yè)的智能化發(fā)展。人工智能在不斷與行業(yè)進(jìn)行融合創(chuàng)新的同時(shí)，會(huì)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(dòng)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(jìn)一步解放和發(fā)展社會(huì)生產(chǎn)力，深度改變?nèi)藗兊乃枷胗^念。當(dāng)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(huì)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(fēng)順，短時(shí)間內(nèi)，相關(guān)技術(shù)還將經(jīng)歷一個(gè)艱難爬坡、臨界點(diǎn)突破、再遇到新的瓶頸這樣螺旋式的發(fā)展上升過(guò)程。

觀察者網(wǎng)：自從國(guó)外OpenAI公司的GPT3、華為公司的盤(pán)古等人工智能模型出現(xiàn)以來(lái)，無(wú)監(jiān)督學(xué)習(xí)迅速發(fā)展，目前預(yù)訓(xùn)練大模型已經(jīng)發(fā)展到了什么階段？

徐波：圖靈獎(jiǎng)獲得者Yann Lecun曾經(jīng)說(shuō)過(guò)，如果智能是一塊蛋糕，那么蛋糕的主體是無(wú)監(jiān)督學(xué)習(xí)，蛋糕上的糖衣是監(jiān)督學(xué)習(xí)，蛋糕上的櫻桃是強(qiáng)化學(xué)習(xí)。人類(lèi)對(duì)世界的理解主要來(lái)自于大量未標(biāo)記的信息。

“蛋糕主體”指的是無(wú)監(jiān)督學(xué)習(xí)，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(wèn)題是現(xiàn)有AI缺乏語(yǔ)義級(jí)的認(rèn)知。認(rèn)知如同浮在海平面上的冰山。自然語(yǔ)言是冰山浮出水面的部分，而理解自然語(yǔ)言的基礎(chǔ)是大量的人類(lèi)常識(shí)、背景知識(shí)、領(lǐng)域知識(shí)等世界知識(shí)，這是冰山水面以下看不到的部分。把這些合起來(lái)統(tǒng)稱為“語(yǔ)義空間”。現(xiàn)有的AI系統(tǒng)很難把這些語(yǔ)義空間加以全面準(zhǔn)確的表達(dá)。

例如，“張三吃大碗”、“張三吃食堂”、“張三吃面條”這三句話。“張三吃大碗”并不是說(shuō)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(méi)做飯，所以在食堂吃飯。對(duì)人工智能來(lái)說(shuō)，必須有這些相關(guān)的背景知識(shí)，才能理解“張三吃食堂”這句對(duì)人來(lái)講很容易理解的話。

人工智能需要學(xué)習(xí)很多背景知識(shí)才能理解自然語(yǔ)言。這就是“認(rèn)知冰山”問(wèn)題，冰山海平面之下才是獲得認(rèn)知的關(guān)鍵。有的人工智能專(zhuān)家把這些大量的背景知識(shí)稱作人工智能的“暗物質(zhì)”。怎么把這些“暗物質(zhì)”挖掘出來(lái)放在一個(gè)系統(tǒng)里？無(wú)監(jiān)督學(xué)習(xí)是一條路徑。

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

同時(shí)，人類(lèi)的聲音還蘊(yùn)藏著情緒和感情，只有準(zhǔn)確捕獲這些細(xì)節(jié)信息，才有可能懂得語(yǔ)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(shí)有效把聲音、圖片和文字這些信息都整合起來(lái)呢？

這次，我們?cè)谖錆h人工智能計(jì)算中心算力支持下研發(fā)的全球首個(gè)三模態(tài)大模型“紫東太初”，在實(shí)現(xiàn)圖、文、音的統(tǒng)一表達(dá)方面取得重要進(jìn)展。已有多模態(tài)預(yù)訓(xùn)練模型通常僅考慮兩個(gè)模態(tài)，如圖像和文本，或者視頻和文本，不但忽視了周?chē)h(huán)境中普遍存在的語(yǔ)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(wù)與理解類(lèi)任務(wù)中同時(shí)取得良好表現(xiàn)。

我們首次將語(yǔ)音信息引入，并通過(guò)一個(gè)統(tǒng)一語(yǔ)義空間網(wǎng)絡(luò)表達(dá)生成三模態(tài)模型，可以把剛才提到的“認(rèn)知冰山”或“暗物質(zhì)”的龐大語(yǔ)義空間學(xué)習(xí)出來(lái)，能更加接近人類(lèi)真正的感情和思考。特別地，由于側(cè)重交互功能的語(yǔ)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(xùn)練模型采用了多層次、多任務(wù)、自監(jiān)督、預(yù)訓(xùn)練的學(xué)習(xí)方式，論文已經(jīng)公開(kāi)發(fā)表。最重要的是提出來(lái)三模態(tài)數(shù)據(jù)的語(yǔ)義統(tǒng)一表達(dá)，可同時(shí)支持三種或者任兩種模態(tài)的若干數(shù)據(jù)預(yù)訓(xùn)練。這個(gè)模型不僅可以實(shí)現(xiàn)跨模態(tài)理解，還能實(shí)現(xiàn)跨模態(tài)生成，做到理解和生成兩個(gè)最重要的認(rèn)知能力的平衡，首次實(shí)現(xiàn)以圖生音，以音來(lái)生圖的功能。

三模態(tài)大模型可能把更多人類(lèi)許多與生俱來(lái)的東西學(xué)習(xí)出來(lái)，把“認(rèn)知冰山”水面以下的東西能進(jìn)行挖掘和表達(dá)。另外，單模態(tài)預(yù)訓(xùn)練模型無(wú)疑越大越好，但三模態(tài)模型的重點(diǎn)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(kāi)天辟地的意義？

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

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

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(qiáng)大的通用型人工智能大門(mén)正在打開(kāi)。有時(shí)候，我們甚至在思考怎么讓人工智能依附一個(gè)好的軀體，更好地感知到自然和社會(huì)環(huán)境中的信息，把類(lèi)似情緒和情感的信息做進(jìn)一步的處理，AI將會(huì)有更大的發(fā)展和比較好的靈活性。這種門(mén)檻一旦突破，人工智能的發(fā)展很可能會(huì)出現(xiàn)指數(shù)型的增長(zhǎng)。這是一個(gè)即將呈現(xiàn)爆發(fā)式增長(zhǎng)的領(lǐng)域。

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

徐波： “紫東太初”是全球首個(gè)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(yǔ)音大模型的相對(duì)少一些。我們是少有的同時(shí)具備圖、文、音研究?jī)?chǔ)備和基礎(chǔ)的研究機(jī)構(gòu)。這次自動(dòng)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(kù)，并把圖、文、音三個(gè)模態(tài)統(tǒng)一起來(lái)，在一個(gè)共同的語(yǔ)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(guò)巧妙地構(gòu)建一個(gè)多模態(tài)大模型，我們的圖像技術(shù)、語(yǔ)音技術(shù)和文本技術(shù)都超越了現(xiàn)有最好水平。過(guò)去業(yè)界習(xí)慣用有監(jiān)督的學(xué)習(xí)，而我們的技術(shù)對(duì)有標(biāo)注數(shù)據(jù)的依賴性較小，改變了人工智能訓(xùn)練需要標(biāo)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(yù)訓(xùn)練模型、語(yǔ)音預(yù)訓(xùn)練模型、視覺(jué)預(yù)訓(xùn)練模型是我們?nèi)B(tài)模型的基礎(chǔ)。比如，視覺(jué)的預(yù)訓(xùn)練模型，首次實(shí)現(xiàn)超越有監(jiān)督學(xué)習(xí)的性能，速度比其他的方法提高8倍，在語(yǔ)義分割的結(jié)果上，也超越了有監(jiān)督學(xué)習(xí)的水平。在中文預(yù)訓(xùn)練模型里面提出來(lái)任務(wù)感知和推理增強(qiáng)的模型，性能相比比GPT-3明顯提升。語(yǔ)音預(yù)訓(xùn)練模型，針對(duì)語(yǔ)音領(lǐng)域語(yǔ)種多樣、標(biāo)注成本高的問(wèn)題，實(shí)現(xiàn)了基于語(yǔ)音預(yù)訓(xùn)練的多語(yǔ)言、多任務(wù)、低資源關(guān)鍵技術(shù)的突破，使我們用很少的有標(biāo)注數(shù)據(jù)就可以實(shí)現(xiàn)語(yǔ)音識(shí)別的性能大幅度提升。

然后，我們?cè)诮y(tǒng)一的語(yǔ)義空間網(wǎng)絡(luò)表達(dá)上實(shí)現(xiàn)了模態(tài)之間的高效協(xié)同和相互轉(zhuǎn)換，在多任務(wù)上取得了更卓越的性能。在跨模態(tài)檢索和圖文語(yǔ)義轉(zhuǎn)換方面，都比兩個(gè)模態(tài)具有更豐富的表達(dá)跟生成能力。語(yǔ)音加速加入后，使得我們的大模型可以跟人類(lèi)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(yǔ)義空間表征方面取得了重要進(jìn)展。

觀察者網(wǎng)：AI應(yīng)用場(chǎng)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(duì)話，視頻播報(bào)，以音生圖，以圖生音，非常有意思，未來(lái)是否有可能所有問(wèn)題都會(huì)通過(guò)統(tǒng)一的大模型來(lái)解決？

徐波：我覺(jué)得非常有可能。我們?nèi)祟?lèi)主要有兩種能力，一種是與生俱來(lái)的能力，到了一定的年齡，通過(guò)基本的學(xué)習(xí)就能自然地學(xué)會(huì)說(shuō)話、走路。另外一種是專(zhuān)業(yè)技能，如果要學(xué)會(huì)彈鋼琴、水墨畫(huà)等，仍然需要長(zhǎng)時(shí)間的專(zhuān)業(yè)訓(xùn)練才能實(shí)現(xiàn)，因?yàn)檫@改變了人的特定知識(shí)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(lèi)基本的知識(shí)、常識(shí)，看到的一些場(chǎng)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(gè)大模型里面。比如要做語(yǔ)音識(shí)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(xué)習(xí)。

預(yù)訓(xùn)練模型作為基座模型雖然不是萬(wàn)能的，但是人工智能的研究范式和產(chǎn)業(yè)范式也會(huì)出現(xiàn)一些變化。比如說(shuō)，現(xiàn)在產(chǎn)業(yè)都在講算法開(kāi)源，但算法的維護(hù)成本很高，尤其是現(xiàn)在人工智能的人才很稀缺，未來(lái)人工智能領(lǐng)域開(kāi)放的可能是模型，客戶獲得大模型的接口再稍微加一點(diǎn)數(shù)據(jù)就能解決問(wèn)題，即“大模型+小數(shù)據(jù)”，這是我們未來(lái)希望看到的大模型對(duì)產(chǎn)業(yè)帶來(lái)的賦能。

這個(gè)大模型技術(shù)從學(xué)術(shù)成果向產(chǎn)業(yè)轉(zhuǎn)化可能還需要一個(gè)過(guò)程，但我認(rèn)為不會(huì)太久，未來(lái)2-4年之內(nèi)這些新技術(shù)都會(huì)逐漸得到應(yīng)用。

以下是專(zhuān)訪實(shí)錄：

觀察者網(wǎng)：我們看到，中國(guó)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(zhuān)家，您認(rèn)為持續(xù)探索人工智能技術(shù)創(chuàng)新之路，對(duì)整個(gè)產(chǎn)業(yè)和社會(huì)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(huì)的持續(xù)發(fā)展和進(jìn)步，人工智能作為社會(huì)經(jīng)濟(jì)生活的“發(fā)動(dòng)機(jī)”，無(wú)處不在的推動(dòng)著多個(gè)行業(yè)的智能化發(fā)展。人工智能在不斷與行業(yè)進(jìn)行融合創(chuàng)新的同時(shí)，會(huì)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(dòng)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(jìn)一步解放和發(fā)展社會(huì)生產(chǎn)力，深度改變?nèi)藗兊乃枷胗^念。當(dāng)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(huì)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(fēng)順，短時(shí)間內(nèi)，相關(guān)技術(shù)還將經(jīng)歷一個(gè)艱難爬坡、臨界點(diǎn)突破、再遇到新的瓶頸這樣螺旋式的發(fā)展上升過(guò)程。

觀察者網(wǎng)：自從國(guó)外OpenAI公司的GPT3、華為公司的盤(pán)古等人工智能模型出現(xiàn)以來(lái)，無(wú)監(jiān)督學(xué)習(xí)迅速發(fā)展，目前預(yù)訓(xùn)練大模型已經(jīng)發(fā)展到了什么階段？

徐波：圖靈獎(jiǎng)獲得者Yann Lecun曾經(jīng)說(shuō)過(guò)，如果智能是一塊蛋糕，那么蛋糕的主體是無(wú)監(jiān)督學(xué)習(xí)，蛋糕上的糖衣是監(jiān)督學(xué)習(xí)，蛋糕上的櫻桃是強(qiáng)化學(xué)習(xí)。人類(lèi)對(duì)世界的理解主要來(lái)自于大量未標(biāo)記的信息。

“蛋糕主體”指的是無(wú)監(jiān)督學(xué)習(xí)，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(wèn)題是現(xiàn)有AI缺乏語(yǔ)義級(jí)的認(rèn)知。認(rèn)知如同浮在海平面上的冰山。自然語(yǔ)言是冰山浮出水面的部分，而理解自然語(yǔ)言的基礎(chǔ)是大量的人類(lèi)常識(shí)、背景知識(shí)、領(lǐng)域知識(shí)等世界知識(shí)，這是冰山水面以下看不到的部分。把這些合起來(lái)統(tǒng)稱為“語(yǔ)義空間”?，F(xiàn)有的AI系統(tǒng)很難把這些語(yǔ)義空間加以全面準(zhǔn)確的表達(dá)。

例如，“張三吃大碗”、“張三吃食堂”、“張三吃面條”這三句話。“張三吃大碗”并不是說(shuō)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(méi)做飯，所以在食堂吃飯。對(duì)人工智能來(lái)說(shuō)，必須有這些相關(guān)的背景知識(shí)，才能理解“張三吃食堂”這句對(duì)人來(lái)講很容易理解的話。

人工智能需要學(xué)習(xí)很多背景知識(shí)才能理解自然語(yǔ)言。這就是“認(rèn)知冰山”問(wèn)題，冰山海平面之下才是獲得認(rèn)知的關(guān)鍵。有的人工智能專(zhuān)家把這些大量的背景知識(shí)稱作人工智能的“暗物質(zhì)”。怎么把這些“暗物質(zhì)”挖掘出來(lái)放在一個(gè)系統(tǒng)里？無(wú)監(jiān)督學(xué)習(xí)是一條路徑。

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

同時(shí)，人類(lèi)的聲音還蘊(yùn)藏著情緒和感情，只有準(zhǔn)確捕獲這些細(xì)節(jié)信息，才有可能懂得語(yǔ)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(shí)有效把聲音、圖片和文字這些信息都整合起來(lái)呢？

這次，我們?cè)谖錆h人工智能計(jì)算中心算力支持下研發(fā)的全球首個(gè)三模態(tài)大模型“紫東太初”，在實(shí)現(xiàn)圖、文、音的統(tǒng)一表達(dá)方面取得重要進(jìn)展。已有多模態(tài)預(yù)訓(xùn)練模型通常僅考慮兩個(gè)模態(tài)，如圖像和文本，或者視頻和文本，不但忽視了周?chē)h(huán)境中普遍存在的語(yǔ)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(wù)與理解類(lèi)任務(wù)中同時(shí)取得良好表現(xiàn)。

我們首次將語(yǔ)音信息引入，并通過(guò)一個(gè)統(tǒng)一語(yǔ)義空間網(wǎng)絡(luò)表達(dá)生成三模態(tài)模型，可以把剛才提到的“認(rèn)知冰山”或“暗物質(zhì)”的龐大語(yǔ)義空間學(xué)習(xí)出來(lái)，能更加接近人類(lèi)真正的感情和思考。特別地，由于側(cè)重交互功能的語(yǔ)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(xùn)練模型采用了多層次、多任務(wù)、自監(jiān)督、預(yù)訓(xùn)練的學(xué)習(xí)方式，論文已經(jīng)公開(kāi)發(fā)表。最重要的是提出來(lái)三模態(tài)數(shù)據(jù)的語(yǔ)義統(tǒng)一表達(dá)，可同時(shí)支持三種或者任兩種模態(tài)的若干數(shù)據(jù)預(yù)訓(xùn)練。這個(gè)模型不僅可以實(shí)現(xiàn)跨模態(tài)理解，還能實(shí)現(xiàn)跨模態(tài)生成，做到理解和生成兩個(gè)最重要的認(rèn)知能力的平衡，首次實(shí)現(xiàn)以圖生音，以音來(lái)生圖的功能。

三模態(tài)大模型可能把更多人類(lèi)許多與生俱來(lái)的東西學(xué)習(xí)出來(lái)，把“認(rèn)知冰山”水面以下的東西能進(jìn)行挖掘和表達(dá)。另外，單模態(tài)預(yù)訓(xùn)練模型無(wú)疑越大越好，但三模態(tài)模型的重點(diǎn)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(kāi)天辟地的意義？

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

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

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(qiáng)大的通用型人工智能大門(mén)正在打開(kāi)。有時(shí)候，我們甚至在思考怎么讓人工智能依附一個(gè)好的軀體，更好地感知到自然和社會(huì)環(huán)境中的信息，把類(lèi)似情緒和情感的信息做進(jìn)一步的處理，AI將會(huì)有更大的發(fā)展和比較好的靈活性。這種門(mén)檻一旦突破，人工智能的發(fā)展很可能會(huì)出現(xiàn)指數(shù)型的增長(zhǎng)。這是一個(gè)即將呈現(xiàn)爆發(fā)式增長(zhǎng)的領(lǐng)域。

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

徐波： “紫東太初”是全球首個(gè)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(yǔ)音大模型的相對(duì)少一些。我們是少有的同時(shí)具備圖、文、音研究?jī)?chǔ)備和基礎(chǔ)的研究機(jī)構(gòu)。這次自動(dòng)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(kù)，并把圖、文、音三個(gè)模態(tài)統(tǒng)一起來(lái)，在一個(gè)共同的語(yǔ)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(guò)巧妙地構(gòu)建一個(gè)多模態(tài)大模型，我們的圖像技術(shù)、語(yǔ)音技術(shù)和文本技術(shù)都超越了現(xiàn)有最好水平。過(guò)去業(yè)界習(xí)慣用有監(jiān)督的學(xué)習(xí)，而我們的技術(shù)對(duì)有標(biāo)注數(shù)據(jù)的依賴性較小，改變了人工智能訓(xùn)練需要標(biāo)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(yù)訓(xùn)練模型、語(yǔ)音預(yù)訓(xùn)練模型、視覺(jué)預(yù)訓(xùn)練模型是我們?nèi)B(tài)模型的基礎(chǔ)。比如，視覺(jué)的預(yù)訓(xùn)練模型，首次實(shí)現(xiàn)超越有監(jiān)督學(xué)習(xí)的性能，速度比其他的方法提高8倍，在語(yǔ)義分割的結(jié)果上，也超越了有監(jiān)督學(xué)習(xí)的水平。在中文預(yù)訓(xùn)練模型里面提出來(lái)任務(wù)感知和推理增強(qiáng)的模型，性能相比比GPT-3明顯提升。語(yǔ)音預(yù)訓(xùn)練模型，針對(duì)語(yǔ)音領(lǐng)域語(yǔ)種多樣、標(biāo)注成本高的問(wèn)題，實(shí)現(xiàn)了基于語(yǔ)音預(yù)訓(xùn)練的多語(yǔ)言、多任務(wù)、低資源關(guān)鍵技術(shù)的突破，使我們用很少的有標(biāo)注數(shù)據(jù)就可以實(shí)現(xiàn)語(yǔ)音識(shí)別的性能大幅度提升。

然后，我們?cè)诮y(tǒng)一的語(yǔ)義空間網(wǎng)絡(luò)表達(dá)上實(shí)現(xiàn)了模態(tài)之間的高效協(xié)同和相互轉(zhuǎn)換，在多任務(wù)上取得了更卓越的性能。在跨模態(tài)檢索和圖文語(yǔ)義轉(zhuǎn)換方面，都比兩個(gè)模態(tài)具有更豐富的表達(dá)跟生成能力。語(yǔ)音加速加入后，使得我們的大模型可以跟人類(lèi)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(yǔ)義空間表征方面取得了重要進(jìn)展。

觀察者網(wǎng)：AI應(yīng)用場(chǎng)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(duì)話，視頻播報(bào)，以音生圖，以圖生音，非常有意思，未來(lái)是否有可能所有問(wèn)題都會(huì)通過(guò)統(tǒng)一的大模型來(lái)解決？

徐波：我覺(jué)得非常有可能。我們?nèi)祟?lèi)主要有兩種能力，一種是與生俱來(lái)的能力，到了一定的年齡，通過(guò)基本的學(xué)習(xí)就能自然地學(xué)會(huì)說(shuō)話、走路。另外一種是專(zhuān)業(yè)技能，如果要學(xué)會(huì)彈鋼琴、水墨畫(huà)等，仍然需要長(zhǎng)時(shí)間的專(zhuān)業(yè)訓(xùn)練才能實(shí)現(xiàn)，因?yàn)檫@改變了人的特定知識(shí)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(lèi)基本的知識(shí)、常識(shí)，看到的一些場(chǎng)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(gè)大模型里面。比如要做語(yǔ)音識(shí)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(xué)習(xí)。

預(yù)訓(xùn)練模型作為基座模型雖然不是萬(wàn)能的，但是人工智能的研究范式和產(chǎn)業(yè)范式也會(huì)出現(xiàn)一些變化。比如說(shuō)，現(xiàn)在產(chǎn)業(yè)都在講算法開(kāi)源，但算法的維護(hù)成本很高，尤其是現(xiàn)在人工智能的人才很稀缺，未來(lái)人工智能領(lǐng)域開(kāi)放的可能是模型，客戶獲得大模型的接口再稍微加一點(diǎn)數(shù)據(jù)就能解決問(wèn)題，即“大模型+小數(shù)據(jù)”，這是我們未來(lái)希望看到的大模型對(duì)產(chǎn)業(yè)帶來(lái)的賦能。

這個(gè)大模型技術(shù)從學(xué)術(shù)成果向產(chǎn)業(yè)轉(zhuǎn)化可能還需要一個(gè)過(guò)程，但我認(rèn)為不會(huì)太久，未來(lái)2-4年之內(nèi)這些新技術(shù)都會(huì)逐漸得到應(yīng)用。

文章來(lái)源：觀察者網(wǎng)