Meta开源多感官大模型，AI用6种模态体验虚拟世界，听引擎声就会画汽车｜CVPR2023

梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

Meta最新6模态大模型，让AI以更接近人类的方式理解这个世界。

比如当你听见倒水声的时候就会想到杯子，听到闹铃声会想到闹钟，现在AI也可以。

尽管画面中没有出现人类，AI听到掌声也能指出最有可能来自电脑。

这个大模型ImageBind以视觉为核心，结合文本、声音、深度、热量（红外辐射）、运动（惯性传感器），最终可以做到6个模态之间任意的理解和转换。

如果与其他AI结合，还可以做到跨模态的生成。

比如听到狗叫画出一只狗，同时给出对应的深度图和文字描述。

甚至做到不同模态之间的运算，如鸟的图像+海浪的声音，得到鸟在海边的图像。

团队在论文中写到，ImageBind为设计和体验身临其境的虚拟世界打开了大门。

也就是离Meta心心念念的元宇宙又近了一步。

网友看到后也表示，又是一个掉下巴的进展。

ImageBind代码已开源，相关论文也被CVPR 2023选为Highlight。

生成理解检索都能干

对于声音-图像生成，论文中透露了更多细节。

并不是让AI听到声音后先生成文字的提示词，而是Meta自己复现了一个DALL·E 2，并把其中的文本嵌入直接替换成了音频嵌入。

结果就是AI听到雨声可以画出一张雨景，听到快艇发动机启动声可以画出一条船。

其中比较有意思的是，床上没有人，但AI也认为打呼噜声应该来自床。

ImageBind能做到这些，核心方法是把所有模态的数据放入统一的联合嵌入空间，无需使用每种不同模态组合对数据进行训练。

并且用这种方法，只需要很少的人类监督。

如视频天然就把画面与声音做了配对，网络中也可以收集到天然把图像和文字配对的内容等。

而以图像/视频为中心训练好AI后，对于原始数据中没有直接联系的模态，比如语音和热量，ImageBind表现出涌现能力，把他们自发联系起来。

在定量测试中，统一多模态的ImageBind在音频和深度信息理解上也超越了对应的专用模型。

Meta团队认为，当人类从世界吸收信息时，我们天生会使用多种感官，而且人仅用极少数例子就能学习新概念的能力也来自于次。

比如人类在书本中读到对动物的描述，之后就能在生活中认出这种动物，或看到一张不熟悉的汽车照片就能预测起发动机的声音。

过去AI没有掌握这个技能，一大障碍就是要把所有可能的模态两两组合做数据配对难以实现。

现在有了多模态联合学习的方法，就能规避这个问题。

团队表示未来还将加入触觉、语音、嗅觉和大脑 fMRI，进一步探索多模态大模型的可能性

对于目前版本，Meta也放出了一个简单的在线Demo，感兴趣的话可以去试试。

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

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

论文：
https://dl.fbaipublicfiles.com/imagebind/imagebind_final.pdf

参考链接：
[1]https://ai.facebook.com/blog/imagebind-six-modalities-binding-ai/