多模態(tài)大模型，終于迎來 " 大一統(tǒng) " 時刻！

(相關(guān)資料圖)

從聲音、文字、圖像到視頻，所有模態(tài)被徹底打通，如同人腦一般，實現(xiàn)了真正意義上的任意輸入，任意輸出。

要知道，多模態(tài)一直是學(xué)術(shù)界公認要達到更強智能的必經(jīng)之路，連GPT-4都在往這個方向發(fā)展。

也正是因此，這項來自微軟、北卡羅來納大學(xué)教堂山分校的新研究一經(jīng) po 出，立即在社交媒體上爆火，有網(wǎng)友驚嘆：

這是我最近見過最不可思議的一篇論文！

究竟有多不可思議？

只需告訴大模型，想要 " 一只玩滑板的泰迪熊 "，并輸入一張照片 + 一段聲音：

它立刻就能精準 get 要點，生成一段在下雨天在城市里玩滑板的心碎小熊錄像，仔細聽還會發(fā)現(xiàn)配上了新的雨聲：

效果太過于鵝妹子嚶，以至于不少網(wǎng)友表示 " 有被嚇到 "：

還有網(wǎng)友感嘆 " 新時代的到來 "：

等不及看到創(chuàng)作者們用這些 AI 工具制作各種沉浸式故事體驗了。這簡直給 RPG 角色扮演游戲賦予了全新的意義。

值得一提的是，一作 Zineng Tang 雖然本科還沒畢業(yè)，但他已經(jīng)在 CVPR、發(fā)了 6 篇頂會論文，其中5 篇都是一作。

所以，這個號稱能夠 " 轉(zhuǎn)一切 "（any-to-any）的大一統(tǒng)大模型，實現(xiàn)效果究竟如何？

4 種模態(tài)隨意選，打出 " 組合拳 "

大模型 CoDi，具有任意輸入和輸出圖、文、聲音、視頻 4 種模態(tài)的能力。

無論是單模態(tài)生成單模態(tài)（下圖黃）、多模態(tài)生成單模態(tài)（下圖紅）、還是多模態(tài)生成多模態(tài)（下圖紫），只要指定輸入和輸出的模態(tài)，CoDi 就能理解并生成想要的效果：

先來看單模態(tài)生成單模態(tài)。

輸入任意一種模態(tài)，CoDi 都能聯(lián)想并輸出指定的模態(tài)，例如，輸入一張風(fēng)景圖像，就能輸出 " 山景，日出 " 這樣的文字提示詞：

或是輸入一段鐵軌碰撞聲，就能生成一張地鐵圖像：面對多模態(tài)生成單模態(tài)時，CoDi 威力同樣不減。

輸入一張 " 熊貓吃竹子 " 圖像，加上一段 " 在咖啡桌上吃 " 的文字要求：

CoDi 就能生成一段大熊貓坐在咖啡桌旁吃竹子的視頻：或是輸入一組文字提示詞 " 油畫，恐怖畫風(fēng)，優(yōu)雅復(fù)雜的概念藝術(shù)，克雷格 · 穆林斯（CG 繪畫之父）風(fēng)格 "，加上一段拍打木板的水聲：

CoDi 在經(jīng)過聯(lián)想后，就能輸出一張精致的、氣勢恢宏的黃昏時分海盜船畫像：

最后來看看多模態(tài)生成多模態(tài)的效果。

給 CoDi 提供一段鋼琴聲，加上一張森林中的照片：

CoDi 就能想象出一段 " 在森林中彈鋼琴 " 的文字，并配上對應(yīng)的插圖：要知道在這之前，AI 生成的視頻不少都沒有配音，停留在老式的 " 無聲電影 " 階段。

然而 CoDi 不僅能生成視頻，還能生成搭配視頻食用的聲音。

例如根據(jù)一個 " 天空中的花火 " 文字提示詞 + 一段對應(yīng)的音頻，就能生成一個帶有爆炸聲音的煙花錄像：

所以，CoDi 究竟是如何做到理解不同的模態(tài)，并 " 打出組合拳 " 的？

用 " 對齊 " 來節(jié)省大模型訓(xùn)練數(shù)據(jù)

事實上，CoDi 的打造面臨兩個難點。

首先是缺少訓(xùn)練數(shù)據(jù)的問題，以作者們能收集到的數(shù)據(jù)集為例：

無論是像 Laion400M 這樣的文圖數(shù)據(jù)集、還是像 AudioSet 之類的音頻文字數(shù)據(jù)集，或是油管上的圖像音視頻數(shù)據(jù)集，以及 Webvid10M 之類的視頻數(shù)據(jù)集，都屬于 " 單模態(tài)生成單個或兩個模態(tài) " 的類型。

然而，多模態(tài)大模型的訓(xùn)練數(shù)據(jù)需求，隨著模態(tài)數(shù)量的增加呈指數(shù)級增長，許多輸入輸出組合，往往缺少對應(yīng)的訓(xùn)練數(shù)據(jù)集。

其次，已有的擴散模型大多是 1v1 的類型，如何設(shè)計并訓(xùn)練模型，確保多模態(tài)輸入輸出的效果，同樣是個問題。

針對這兩個問題，作者們決定分兩個階段打造 CoDi，讓它不僅能實現(xiàn)單模態(tài) " 完美輸出 "、還能做到多模態(tài) "1+1>2"。

在階段一，組合條件訓(xùn)練，給每個模態(tài)都打造一個潛在擴散模型（LDM），進行組合訓(xùn)練。

針對 A 模態(tài)生成 B 模態(tài)數(shù)據(jù)集缺失的問題，作者們提出了一種名為橋接對齊（Bridging Alignment）的策略。

具體來說，就是以帶文本模態(tài)的數(shù)據(jù)集為 " 中介 "，對齊另外幾種模態(tài)的訓(xùn)練效果。

以音頻生成圖像為例。

雖然音頻生成圖像數(shù)據(jù)集不多，但文本生成音頻、文本生成圖像的數(shù)據(jù)集卻有不少，因此可以將這兩類數(shù)據(jù)集合并起來，用于訓(xùn)練文本 + 音頻生成圖像的效果。

在此期間，文本和音頻輸入經(jīng)過模型處理，會被 " 放置 " 進一個共享特征空間，并用輸出 LDM 來處理輸入輸入的組合特征，輸出對應(yīng)的圖像結(jié)果。

階段二，進一步增加生成的模態(tài)數(shù)量。

在階段一的基礎(chǔ)上，給每個潛在擴散模型和環(huán)境編碼器上增加一個交叉注意力模塊，就能將潛在擴散模型的潛變量投射到共享空間中，使得生成的模態(tài)也進一步多樣化。

最終訓(xùn)練出來的模型，雖然訓(xùn)練數(shù)據(jù)類型不是 " 全能的 "，但也具備了多模態(tài)輸入、多模態(tài)輸出的能力。值得一提的是，可別以為這種方法會降低模型生成的質(zhì)量。

事實上，在多種評估方法上，CoDi 均超越了現(xiàn)有多模態(tài)大模型的生成效果。

華人本科生，5 篇頂會論文一作

一作Zineng Tang，本科就讀于北卡羅來納大學(xué)教堂山分校，也是微軟研究院的實習(xí)生，今年 6 月將進入加州大學(xué)伯克利分校讀博。

他的研究興趣在于多模態(tài)學(xué)習(xí)、機器學(xué)習(xí)和 NLP 領(lǐng)域，而從大一開始，他就在 NeurIPS、CVPR、ACL 和 NAACL 等頂會上相繼發(fā)了 6 篇文章，其中 5 篇一作。

就在今年 1 月，Zineng Tang 還獲得了 2023 年的美國計算機研究學(xué)會（CRA）設(shè)立的優(yōu)秀本科生研究員獎。

每年全美國能獲得這個獎項的本科生，只有 4 人。

這一獎項旨在表彰在計算機研究領(lǐng)域有杰出研究潛力的本科生，包括 MIT、斯坦福、哈佛和耶魯大學(xué)等不少北美名校在內(nèi)，每年都會提名一些優(yōu)秀學(xué)生，經(jīng)過層層篩選后決定獲獎?wù)摺?p>通訊作者Ziyi Yang，目前是微軟 Azure 認知服務(wù)研究團隊（CSR）的高級研究員，研究方向是多模態(tài)理解和生成，文檔智能和 NLP 等。

在加入微軟之前，他本科畢業(yè)于南京大學(xué)物理系，并于斯坦福大學(xué)獲得電氣工程碩士和機械工程博士學(xué)位。

通訊作者Mohit Bansal，是北卡羅來納大學(xué)教堂山分校計算機系教授。他于加州大學(xué)伯克利分校獲得博士學(xué)位，目前研究方向是 NLP 和多模態(tài)機器學(xué)習(xí)，尤其側(cè)重語言生成問答和對話、以及可解釋深度學(xué)習(xí)等。

你感覺多模態(tài)大模型發(fā)展的下一階段，會是什么樣子？

論文地址：

https://arxiv.org/abs/2305.11846

項目地址：

https://github.com/microsoft/i-Code/tree/main/i-Code-V3

參考鏈接：

[ 1 ] https://twitter.com/AviSchiffmann/status/1660771055676588033

[ 2 ] https://twitter.com/ZinengTang/status/1660726736642887681

[ 3 ] https://cra.org/2023-outstanding-undergraduate-researcher-award-recipients/

[ 4 ] https://codi-gen.github.io/