北京產大模型 給AI萬能學習法

近日，北京智源人工智慧研究院的一項突破性研究成果在國際頂級學術期刊《自然》（Nature）上線，這是中國大陸科研機構主導的大模型成果首次在《自然》正刊發表。

智源這項名為「通過預測下一個詞元進行多模態學習的多模態大模型」的成果，採用自回歸路線，可以統一多模態學習，訓練出優秀的原生多模態大模型，這對於確立自回歸成為生成式人工智慧統一路線具有重大意義。

據瞭解，長期以來，ＡＩ在學習不同類型的「感官」資訊時，往往需要「分科而治」，理解文字用一套方法，生成圖片用另一套，處理影像又需要不同的專業模型，過程複雜且協同起來較為困難。而智源研究院研發的Emu3模型，借鑒了ＧＰＴ成功的關鍵思路「預測下一個詞元」，成功統一了對文本、圖像及影像的理解與生成能力。打個比方，就如同給ＡＩ找到了一個「萬能學習法」，無論面對的是一段文字、一張照片，還是一段動態影像，ＡＩ都用同一種邏輯去分析和創造。

實驗表明，這種統一方法在圖片生成、圖文理解和視頻影像創作等多個任務上，達到了與當前各類專用模型相當的水準，且具備更強的擴展潛力和通用性。

《自然》編輯點評這項研究時表示，基於「預測下一個詞元」，Emu3實現了大規模文本、圖像和影像的統一學習，其在生成與感知任務上的性能可與使用專門路線相當，這一成果對構建可擴展、統一的多模態智慧系統具有重要意義。

此外，基於這一核心路徑的反覆運算版本Emu3.5模型，已展現出對物理世界運行規律的初步學習與模擬能力，能夠嘗試預測場景的下一步變化，為發展更通用、更接近人類認知方式的大模型與智慧體奠定了基礎。