對話悟道·文瀾團(tuán)隊：像人類一樣認(rèn)識世界，AI需要哪些底層思維？

本文作者：我在思考中

2021-07-26 09:50

導(dǎo)語：僅依靠“煉大模型”仍不足以解決通用人工智能（AGI）的常識問題。

對話悟道·文瀾團(tuán)隊：像人類一樣認(rèn)識世界，AI需要哪些底層思維？

作者 | 琰琰

近幾年，多模態(tài)已經(jīng)成為自然語言處理（NLP）領(lǐng)域的熱點研究方向之一。得益于深度學(xué)習(xí)的興起，大數(shù)據(jù)+大模型的雙輪模式推動人工智能實現(xiàn)了跨越式發(fā)展。但大量實驗證明，僅依靠“煉大模型”仍不足以解決通用人工智能（AGI）的常識問題。

此外，計算機(jī)視覺、自然語言處理、語音識別等技術(shù)日益成熟，使“多模態(tài)”信息融合的優(yōu)勢進(jìn)一步凸顯。去年年初，OpenAI發(fā)布多模態(tài)大規(guī)模預(yù)訓(xùn)練模型CLIP和DALL·E，在語言理解和圖像生成方面刷新SOTA，驗證了多模態(tài)在處理NLP任務(wù)中潛力。

在國內(nèi)，北京智源研究院近日發(fā)布全球最大規(guī)模預(yù)訓(xùn)練語言模型“悟道2.0”，其1.75萬億參數(shù)在業(yè)內(nèi)引起不小的震撼。延續(xù)GPT-3的“暴力美學(xué)”，悟道2.0的效率更高，性能更佳，一舉拿下了9項Benchmark。

其中，以多模態(tài)為核心的預(yù)訓(xùn)練模型悟道·文瀾，在語義理解、視覺-語言檢索方面的能力同樣令人驚艷。據(jù)官方介紹，文瀾2.0實現(xiàn)7種不同語言的生成和理解，創(chuàng)下多語言預(yù)訓(xùn)練模型的最高記錄，同時，憑借更多的常識儲備，在圖文檢索、圖像問答等任務(wù)上達(dá)到了世界領(lǐng)先水平。

文瀾的定位是解決多模態(tài)之間的語義融合問題。“我們希望創(chuàng)造出世界上最大、性能最佳的通用多模態(tài)模型，為各種現(xiàn)實應(yīng)用場景賦能?！敝袊嗣翊髮W(xué)高瓴人工智能學(xué)院執(zhí)行院長、文瀾研發(fā)團(tuán)隊總負(fù)責(zé)人文繼榮教授告訴AI科技評論。

悟道·文瀾是中國人民大學(xué)高瓴人工智能學(xué)院與北京智源研究院合作，聯(lián)合中科院和清華大學(xué)共同開展的大規(guī)模預(yù)訓(xùn)練模型研究項目。目前有3位核心負(fù)責(zé)人、8位科研人員，27位高校學(xué)生參加整個項目的統(tǒng)籌與研發(fā)工作。

文繼榮教授與同為人大高瓴人工智能學(xué)院的宋睿華副教授和盧志武教授為團(tuán)隊的核心負(fù)責(zé)人。近日，AI科技評論有幸對話了三位專家，與他們聊了聊文瀾背后的技術(shù)與展望。

從左到右依次為：金琴、宋睿華、文繼榮、盧志武

1

仿人類認(rèn)知思維，多模態(tài)加速推進(jìn)AGI

2021年1月6日，OpenAI同時發(fā)布兩大多模態(tài)預(yù)訓(xùn)練模型DALL·E和CLIP——前者可基于文本生成圖像，后者能夠完成圖像與文本類別的匹配。殊不知，在人們驚呼自然語言與視覺的次元壁被打破時，在中國同步開發(fā)并在多項指標(biāo)上超過OpenAI的預(yù)訓(xùn)練語言模型——悟道.文瀾已經(jīng)誕生。

2020年10月，智源研究院與各大科研院所的AI專家們召開內(nèi)部會議，商討人工智能下一階段的研發(fā)方向，其中，研發(fā)文本與圖像互通的“多模態(tài)”模型以高票數(shù)勝出。同月，文瀾項目正式啟動。三個月后，在智源研究院提供算力、數(shù)據(jù)等資源的支持下，文瀾模型研發(fā)成功。

自GPT-3問世之后，國內(nèi)眾多AI專家已經(jīng)敏銳地察覺到，OpenAI下一步的目標(biāo)一定是多模態(tài)。類似于大模型，多模態(tài)將成為業(yè)內(nèi)下一個熱點研究方向。那么，文瀾的研發(fā)初衷只是為了與OpenAI一爭高下，或者在學(xué)術(shù)界占據(jù)高地嗎？

究竟為何要研究多模態(tài)，為何要研發(fā)文瀾模型？

自然語言處理是人工智能領(lǐng)域的基礎(chǔ)研究，也是實現(xiàn)通用人工智能的關(guān)鍵性挑戰(zhàn)，之所以在文瀾中融入多模態(tài)，實現(xiàn)文本與圖像的連接，文繼榮教授表示，

多模態(tài)不僅要解決NLP的問題。我們認(rèn)為，多模態(tài)更符合人類認(rèn)知世界的方式。人類通過視覺和聽覺感知物理世界的過程是多模態(tài)的，通過模仿這一過程有可能從根本上解決“AI學(xué)習(xí)智能行為，而非智能本身”的問題。

人工智能的終極目標(biāo)是：讓機(jī)器擁有和人一樣的理解與思考能力。要想達(dá)到這一目標(biāo)，需要無限接近于人類的認(rèn)知方式。我們生活在一個多模態(tài)的交互環(huán)境中，聽到的聲音、看到的實物、聞到的味道等，不同的模態(tài)信息讓我們更全面和高效地了解周圍的世界。

模態(tài)（Modality）是一個廣泛的概念，它代表每一種信息的來源或者形式，上述提到的聽覺、視覺、嗅覺代表不同的模態(tài)感知方式；信息的媒介中的語音、視頻、圖像、文字等代表不同的模態(tài)數(shù)據(jù)。

在自然語言理解任務(wù)中，融入圖像模態(tài)有助于AI像人類一樣學(xué)習(xí)和理解文本信息，反之亦然。

文繼榮教授舉例說，我們經(jīng)常用一些抽象的詞語來形容人或物，比如慈祥、俊朗、活力。如果只有純文字，一個呀呀學(xué)語的小孩子可能很難理解什么是慈祥，但如果給她看一張老奶奶的圖片，她可能很快就能理解。AI模型就是這樣一個小孩。

更重要的是，有了視覺模態(tài)的加持，AI模型還能極大地擴(kuò)展語義信息、增強(qiáng)圖文理解能力。

據(jù)悉，在文瀾1.0版時，研發(fā)團(tuán)隊已經(jīng)對多模態(tài)模型進(jìn)行了測試，看看它到底比單模態(tài)多了哪些信息。下面是兩張測試圖：左邊是用BERT文本預(yù)訓(xùn)練模型得到的結(jié)果，右邊是用UNITER多模態(tài)預(yù)訓(xùn)練模型得到的結(jié)果。

如果輸入“自行車”一詞，通過文本數(shù)據(jù)訓(xùn)練的AI，周圍出現(xiàn)了類似于自行車，摩托車，汽車等強(qiáng)相關(guān)詞匯。

而利用多模態(tài)數(shù)據(jù)進(jìn)行訓(xùn)練的AI，其周圍出現(xiàn)了一些，如“騎”、“男人、女人”、“頭盔”，“停車”一類更豐富的弱相關(guān)詞匯，甚至還出現(xiàn)了“on”表示“位于車上”的詞。

這里提到的強(qiáng)相關(guān)與弱相關(guān)的概念，是文瀾研發(fā)團(tuán)隊首次認(rèn)識到并明確提出的，也是文瀾2.0取得突破性進(jìn)展的本質(zhì)原因之一。

2

“弱相關(guān)”關(guān)系，文瀾模型的底層思維

多模態(tài)從2010年后開始進(jìn)入Deep Learning階段。

在此期間，業(yè)界和學(xué)術(shù)界推出的多模態(tài)預(yù)訓(xùn)練模型不在少數(shù)，且多出自國內(nèi)外頂級科研機(jī)構(gòu)。現(xiàn)階段，主流的多模態(tài)NLP模型，除了DALL·E和CLIP外，還有阿里與清華聯(lián)合研發(fā)的M6、百度研發(fā)的ERNIE-ViL等等。

眾多高性能模型中，后來居上的文瀾為何成了世界級“領(lǐng)跑者”？

文瀾模型結(jié)構(gòu)負(fù)責(zé)人盧志武教授對此介紹了三點，第一，文瀾是首創(chuàng)雙塔結(jié)構(gòu)（Bridging Vision and Language ，BriVL-2）進(jìn)行預(yù)訓(xùn)練的模型，與傳統(tǒng)單塔相比，BriVL-2在圖像和文本之間建立了一種“弱相關(guān)”假設(shè)。

如上，給定一張“生日蛋糕”的圖片，強(qiáng)相關(guān)模型可能會輸出——生日蛋糕的蠟燭在燃燒，本文內(nèi)容基本與圖片保持一致，而弱相關(guān)則可能輸出——今天的減肥計劃又泡湯了，它嘗試從更高的內(nèi)涵層次上理解圖像信息。

換言之，弱相關(guān)使文瀾模型對文本/圖像信息的理解不僅局限于“等價”關(guān)聯(lián)，而是進(jìn)一步擴(kuò)展到了“場景”關(guān)聯(lián)、“因果”關(guān)聯(lián)等。

事實上，多模態(tài)之間的語義融合問題一直是人工智能領(lǐng)域一項極具挑戰(zhàn)性的工作。2005年，《Nature》期刊曾發(fā)表一篇文章，表明人類對同一實體的圖像和文字兩種模態(tài)的認(rèn)知是在同一神經(jīng)元上激活的，二者會被映射到同一個空間。

類似地，為了模仿人腦的建模過程，AI模型在預(yù)訓(xùn)練過程中，通常會事先把數(shù)據(jù)集中的圖像編碼成一個高維向量，當(dāng)用戶輸入文字時，再將文字向量映射到同一個空間，最后通過向量檢索，獲取相應(yīng)的圖片。

該過程的關(guān)鍵在于，文本和圖像的語義信息是否實現(xiàn)對齊、融合。

文繼榮教授介紹稱，這項任務(wù)看似簡單，實則難度極高。而文瀾成功將兩種模態(tài)的語義映射到了同一空間，并獲得相同的表達(dá)。這項突破性進(jìn)展，攻克了計算機(jī)視覺研究長期以來無法解決的難題。

第二，文瀾2.0所使用的訓(xùn)練圖文數(shù)據(jù)集從3000萬升級到了6.5億，且數(shù)據(jù)全部抓取自互聯(lián)網(wǎng)。

據(jù)悉，DALL·E采用的是Image數(shù)據(jù)集，其文本數(shù)據(jù)多為一些名詞概念，相對固化，而文瀾的6.5億圖文數(shù)據(jù)來自現(xiàn)實世界，自然而真實。更重要是，文瀾的弱相關(guān)性假設(shè)，使數(shù)據(jù)無需標(biāo)注成為可能。

第三、文瀾支持整個句子的理解，而非關(guān)鍵詞。這是它與瀏覽器搜索最顯著的區(qū)別。比如，在《布靈的想象世界》中輸入“憂郁的蛋糕”，它會呈現(xiàn)一個以黑色調(diào)為背景的蛋糕圖片。宋睿華教授介紹稱，文瀾能夠通過抽象性文字呈現(xiàn)出一種氛圍，而不是僅focus一個關(guān)鍵詞。

基于以上核心能力，文瀾已經(jīng)具備文檢索圖、文生成圖、圖檢索文、圖生成文四種功能。目前研發(fā)團(tuán)隊利用圖檢索文、文檢索圖兩項核心功能開發(fā)了應(yīng)用小程序《AI心情電臺》和《布靈的想象世界》，首次實現(xiàn)了高效的跨模態(tài)檢索。

此外，中科院計算所團(tuán)隊還在文瀾多模態(tài)的基礎(chǔ)上開發(fā)了應(yīng)用《只言片語》，考察文瀾模型的語言理解能力與人類玩家的相似度。這個應(yīng)用包括“默契大考驗”和“看看誰懂我”兩種模式，是首個AI加持的在線桌游，也是一種新模式的圖靈測試。

在游戲的過程中，一名玩家隨機(jī)挑選一張圖片，并給出與之相關(guān)的文字描述。另一位玩家根據(jù)出題人玩家的描述從文瀾給出的干擾項中挑選出正確的圖片。如果兩位玩家的圖片不一致，說明文瀾對文本的精準(zhǔn)理解對人類產(chǎn)生了干擾，即通過了圖靈測試。

以往的圖靈測試都是以數(shù)據(jù)標(biāo)注的形式進(jìn)行，過程通常枯燥乏味；“只言片語“采用小游戲的形式，在給玩家?guī)順啡さ耐瑫r，通過測試模型檢索到的圖片是否能夠迷惑人類，從而評估了圖文匹配模型的能力。

3

逼近圖靈測試，探秘AI“潛意識”

沒有常識的AI，永遠(yuǎn)無法實現(xiàn)真正的智能。

2021北京智源大會，宋睿華教授在題為《我們賴以生存的意義和超大規(guī)模多模態(tài)預(yù)訓(xùn)練》的主旨演講中，提出“僅通過文字，AI很難像人類那樣將語言理解成意義”，她大膽預(yù)言：對多模態(tài)的研究可能會帶來自然語言理解的重大突破, 多模態(tài)將是AI開啟常識之門的鑰匙。

在邁向通用人工智能的路上，常識是AI必須要解決的基本問題。然而，以GPT-3為代表的超大規(guī)模預(yù)訓(xùn)練模型，并不足以解決這一問題。盡管“大模型”帶來了超乎想象的性能表現(xiàn)，但它與圖靈測試仍相距甚遠(yuǎn)。

其實，GPT-3并非完全不具備常識，而是受限于單模態(tài)的信息獲取方式，導(dǎo)致其常識性不足。眾所周知，大部分常識是不言而喻的，我們并不會直接表達(dá)出來，比如太陽有幾只眼睛？鉛筆與烤面包機(jī)哪一個更重？換言之，凡是沒有采用文本方式進(jìn)行表達(dá)的常識，都不能為GPT-3所學(xué)習(xí)。

毫無疑問，相比于單模態(tài)，文瀾能夠從圖文融合的多模態(tài)中獲取到更多的常識。文繼榮教授表示，常識是無窮無盡，文瀾從圖文模態(tài)學(xué)習(xí)到了哪些常識，不能學(xué)習(xí)哪些常識，目前仍在進(jìn)一步研究中。但可以確定的是，多模態(tài)為AI擁有常識提供了一條最富潛力的路徑。

區(qū)別于科學(xué)知識，常識主要來源于人們對一般日常生活的感性認(rèn)識和經(jīng)驗總結(jié)。由于未通過圖靈測試，GPT-3被認(rèn)為不具備人類的感知思維，它無法超越數(shù)據(jù)本身，也無法擁有組合性推理的能力，其生成能力不過是統(tǒng)計層面的“復(fù)制粘貼”能力。

為了測試文瀾是否學(xué)到了語義信息，并擁有了真正的理解能力。研發(fā)團(tuán)隊對文瀾的“潛意識”過程進(jìn)行了可視化，即告訴文瀾一個概念，讓它以圖像的形式呈現(xiàn)出“大腦”對這一概念最原始的理解與想象。例如，輸入夢境、科學(xué)、自然。

如上圖，經(jīng)過多模態(tài)預(yù)訓(xùn)練后的文瀾，基本能夠“看到”抽象的人類概念，并且不同于CLIP模型，這些可視化結(jié)果未經(jīng)人為干預(yù)和手工挑選，是模型對輸入概念的第一反應(yīng)。這說明，文瀾的生成能力并非基于單純的數(shù)據(jù)統(tǒng)計，而是對文字本身有了內(nèi)涵上的理解。

除了抽象概念，文瀾也能對句子、詩詞想象出意境。如輸入【大漠孤煙直，長河落日圓】，雖然沒有明顯的孤煙、長河、落日等意象，但整體棕黃色的氛圍確實體現(xiàn)了大漠的環(huán)境。

通過神經(jīng)元可視化，我們得以窺見文瀾的內(nèi)心世界，了解其最原始的、最真實的、在“潛意識”中對于輸入文本的獨特理解。文瀾團(tuán)隊介紹稱，不同于圖文檢索能力，神經(jīng)元可視化展現(xiàn)了文瀾在藝術(shù)生成方面的潛力，下一階段團(tuán)隊將重點培養(yǎng)其審美能力，使其創(chuàng)作出更好的藝術(shù)作品。

4

總結(jié)

遵循“煉大模型”的基本原則，文瀾使用6.5萬億真實的圖文對進(jìn)行預(yù)訓(xùn)練，參數(shù)量達(dá)到了10億。在此基礎(chǔ)上，它嘗試從多模態(tài)場景出發(fā)，模擬人類的認(rèn)知思維，獨創(chuàng)性地提出了基于跨模態(tài)對比學(xué)習(xí)的雙塔結(jié)構(gòu)。

該結(jié)構(gòu)利用圖-文的弱相關(guān)性假設(shè)，為文瀾提供了更豐富的語義信息和更強(qiáng)大的理解能力，并通過神經(jīng)元可視化得到了最佳驗證。此外，在公開VQA數(shù)據(jù)集Visual7W的視覺問答測試任務(wù)中，文瀾能額外帶來8%的增長，展示了多模態(tài)預(yù)訓(xùn)練的常識學(xué)習(xí)能力。

總結(jié)來看，悟道·文瀾在研發(fā)過程中重點關(guān)注三個方面，一是如何利用現(xiàn)有的單模態(tài)預(yù)訓(xùn)練大模型的研究成果；二是如何更好地刻畫互聯(lián)網(wǎng)上圖文弱相關(guān)的關(guān)系；三是如何讓模型學(xué)習(xí)到更多常識；針對以上問題，文瀾已經(jīng)揭開了答案的一角。