ImageBind 的性能

針對(duì) ImageBind 性能，Meta 研究科學(xué)家還發(fā)布了一篇《IMAGEBIND: One Embedding Space To Bind Them All》（https://dl.fbaipublicfiles.com/imagebind/imagebind_final.pdf）論文，分享了技術(shù)細(xì)則。

通過分析表明，ImageBind 模型的性能實(shí)際上可以通過使用很少的訓(xùn)練實(shí)例來提高。這個(gè)模型有新的出現(xiàn)的能力，或者說是擴(kuò)展行為--也就是說，在較小的模型中不存在的能力，但在較大的版本中出現(xiàn)。這可能包括識(shí)別哪種音頻適合某張圖片或從照片中預(yù)測(cè)場(chǎng)景的深度。

而 ImageBind 的縮放行為隨著圖像編碼器的強(qiáng)度而提高。

換句話說，ImageBind 對(duì)準(zhǔn)各種模式的能力隨著視覺模型的強(qiáng)度和大小而增加。這表明，較大的視覺模型有利于非視覺任務(wù)，如音頻分類，而且訓(xùn)練這種模型的好處超出了計(jì)算機(jī)視覺任務(wù)。

在實(shí)驗(yàn)中，研究人員使用了 ImageBind 的音頻和深度編碼器，并將其與之前在 zero-shot 檢索以及音頻和深度分類任務(wù)中的工作進(jìn)行了比較。

結(jié)果顯示，ImageBind 可以用于少量樣本的音頻和深度分類任務(wù)，并且優(yōu)于之前定制的方法。

最終，Meta 認(rèn)為 ImageBind 這項(xiàng)技術(shù)最終會(huì)超越目前的六種“感官”，其在博客上說道，“雖然我們?cè)诋?dāng)前的研究中探索了六種模式，但我們相信引入連接盡可能多的感官的新模式——如觸覺、語音、嗅覺和大腦 fMRI 信號(hào)——將使更豐富的以人為中心的人工智能模型成為可能。” 

ImageBind 可以用來干什么？

如果說 ChatGPT 可以充當(dāng)搜索引擎、問答社區(qū)，Midjourney 可以被用來當(dāng)畫畫工具，那么用 ImageBind 可以做什么？

根據(jù)官方發(fā)布的 Demo 顯示，它可以直接用圖片生成音頻：

也可以音頻生成圖片：

亦或者直接給一個(gè)文本，就可以檢索相關(guān)的圖片或者音頻內(nèi)容：

當(dāng)然，基于 ImageBind 也可以給出一個(gè)音頻+一張圖，如“狗叫聲”+海景圖：

可以直接得到一張“狗在看海”的圖：

也可以給出音頻，生成相應(yīng)的圖像：

正如上文所述， ImageBind 給出了未來生成式 AI 系統(tǒng)可以以多模態(tài)呈現(xiàn)的方式，同時(shí)，結(jié)合 Meta 內(nèi)部的虛擬現(xiàn)實(shí)、混合現(xiàn)實(shí)和元宇宙等技術(shù)和場(chǎng)景結(jié)合。

可以想象一下未來的頭顯設(shè)備，它不僅可以生成音頻和視頻輸入，也可以生成物理舞臺(tái)上的環(huán)境和運(yùn)動(dòng)，即可以動(dòng)態(tài)構(gòu)建 3D 場(chǎng)景（包括聲音、運(yùn)動(dòng)等）。

亦或者，虛擬游戲開發(fā)人員也許最終可以使用它來減少設(shè)計(jì)過程中的大量跑腿工作。

同樣，內(nèi)容創(chuàng)作者可以僅基于文本、圖像或音頻輸入制作具有逼真的音頻和動(dòng)作的沉浸式視頻。

也很容易想象，用 ImageBind 這樣的工具會(huì)在無障礙空間打開新的大門，譬如，生成實(shí)時(shí)多媒體描述來幫助有視力或聽力障礙的人更好地感知他們的直接環(huán)境。

“在典型的人工智能系統(tǒng)中，每個(gè)模態(tài)都有特定的嵌入（即可以表示數(shù)據(jù)及其在機(jī)器學(xué)習(xí)中的關(guān)系的數(shù)字向量），”Meta 說。“ImageBind 表明可以跨多種模態(tài)創(chuàng)建聯(lián)合嵌入空間，而無需使用每種不同模態(tài)組合對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練。這很重要，因?yàn)檠芯咳藛T無法創(chuàng)建包含例如來自繁忙城市街道的音頻數(shù)據(jù)和熱數(shù)據(jù)，或深度數(shù)據(jù)和海邊文本描述的樣本的數(shù)據(jù)集?！?/span>

當(dāng)前，外界可以通過大約 30 行 Python 代碼就能使用這個(gè)多模式嵌入 API：

開源大模型是好事還是壞事？

ImageBind 一經(jīng)官宣，也吸引了很多 AI 專家的關(guān)注。如卷積網(wǎng)絡(luò)之父 Yann LeCun 也在第一時(shí)間分享了關(guān)于 ImageBind 的資料：

NVIDIA AI 科學(xué)家 Jim Fan 在 Twitter 上表示：

自從 LLaMA 以來，Meta 就在開源領(lǐng)域大放異彩。

ImageBind：Meta 最新的多模態(tài)嵌入，不僅涵蓋了常規(guī)數(shù)據(jù)類型（文本、圖像、音頻），還包括深度、熱量（紅外）和 IMU 信號(hào)！

OpenAI Embedding 是 AI 驅(qū)動(dòng)搜索和長(zhǎng)期記憶的基礎(chǔ)。ImageBind 是 Meta 的 Embedding API，用于豐富的多媒體搜索、虛擬現(xiàn)實(shí)甚至機(jī)器人技術(shù)。元宇宙將建立在向量的基礎(chǔ)上。

通過對(duì)齊 6 種模態(tài)，你可以實(shí)現(xiàn)一些僅靠文本的 GPT-4 無法實(shí)現(xiàn)的花式功能：

• 跨模態(tài)檢索：將其視為多媒體谷歌搜索

• 嵌入空間算術(shù)：無縫地組合不同的數(shù)據(jù)格式。

• 生成：通過擴(kuò)散將任何模態(tài)映射到其他任何模態(tài)。

當(dāng)然，這種通用的多模態(tài)嵌入在性能上優(yōu)于領(lǐng)域特定的特征。

ImageBind：將它們?nèi)拷壎ǖ揭粋€(gè)嵌入空間。

也有網(wǎng)友評(píng)價(jià)道，「這項(xiàng)創(chuàng)新為增強(qiáng)搜索、沉浸式 VR 體驗(yàn)和高級(jí)機(jī)器人技術(shù)鋪平了道路。對(duì)于 AI 愛好者和專業(yè)人士來說，激動(dòng)人心的時(shí)刻即將到來！」。

不過，對(duì)于 Meta 采取開源的做法，也有人提出了質(zhì)疑。

據(jù) The Verge 報(bào)道，那些反對(duì)開源的人，如 OpenAI，表示這種做法對(duì)創(chuàng)作者有害，因?yàn)楦?jìng)爭(zhēng)對(duì)手可以復(fù)制他們的作品，并且可能具有潛在的危險(xiǎn)，允許惡意行為者利用最先進(jìn)的人工智能模型。

與之形成對(duì)比的是，支持開源的人則認(rèn)為，像 Meta 開源 ImageBind 的做法有利于生態(tài)的快速建立與發(fā)展，也能集結(jié)全球的力量，幫助 AI 模型快速迭代和捕捉 Bug。

早些時(shí)候，Meta 開源的 LLaMA 模型只能用于研究用途，但是期間 LLaMA 模型在 4chan 上被泄露，有匿名用戶通過 BT 種子公開了 LLaMA-65B—— 有 650 億個(gè)參數(shù)的 LLaMA，容量為 220GB。

隨著 LLaMA “被公開”，一大批基于這款大模型的衍生品，號(hào)稱是 ChatGPT 開源替代品的工具在短時(shí)間內(nèi)快速涌現(xiàn)，如跟著  LLaMA（美洲駝）名字走的“駝類”家族包含了：斯坦福大學(xué)發(fā)布的 Alpaca（羊駝，https://github.com/tatsu-lab/stanford_alpaca），伯克利、卡內(nèi)基梅隆大學(xué)等高校研究人員開源的 Vicuna（駱馬），還有基于 LLaMA 7B 的多語言指令跟隨語言模型 Guanaco（原駝，https://guanaco-model.github.io/）等等。

面對(duì)這股新興的力量，近日，在一位谷歌內(nèi)部的研究人員泄露的一份文件中顯示，在大模型時(shí)代，「Google 沒有護(hù)城河，OpenAI 也沒有」。其主要原因就是第三股——開源大模型的力量與生態(tài)正在崛起。

所以，OpenAI 和 Google 兩家在 AI 大模型上你追我趕的競(jìng)爭(zhēng)中，誰能笑到最后，也未必就不會(huì)是 Meta，我們也將拭目以待。對(duì)此，你是否看好開源大模型的發(fā)展？

相關(guān)閱讀

論文地址：https://dl.fbaipublicfiles.com/imagebind/imagebind_final.pdf

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

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

參考

https://ai.facebook.com/blog/imagebind-six-modalities-binding-ai/

https://www.theverge.com/2023/5/9/23716558/meta-imagebind-open-source-multisensory-modal-ai-model-research