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
离元宇宙又近一步?
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/
- AI音乐战火升级!三路国产大军全面对决Suno2024-12-11
- o1满血版最鲜测!这¥1500花得值吗?2024-12-06
- 谷歌邀马斯克联手做AI游戏!DeepMind版Sora是个3D游戏引擎 profile-avatar2024-12-05
- 揭秘注意力机制真正起源!10年前3项研究几乎同时独立提出,背后故事细节被Karpathy晒邮件公开了2024-12-04