前段時間，帶著開源模型LlaMA“殺的”谷歌和微軟“措手不及”的Meta，又一次在AI戰場上丟下了一顆重磅炸彈。

(資料圖片僅供參考)

今天，Meta重磅開源了多感官AI模型ImageBind（https://github.com/facebookresearch/ImageBind）。以視覺為核心，結合文本、聲音、深度、熱量（紅外輻射）、運動（慣性傳感器），最終可以做到6個模態之間任意的理解和轉換。

這也是第一個能夠整合六種類型數據的AI模型。

如何讓AI以更接近人類的方式理解這個世界?——也讓AI擁有多種感官，學會“腦補”。

一張大海的照片可以讓我們的腦海里響起海浪的聲音，回憶起海邊腥咸的味道。當我們聽到瀑布聲，腦海里便會浮現恢弘的瀑布奇觀。

Meta指出，未來還將有其他可以被添加到模型中的感官輸入流，包括“觸摸、講話、氣味和大腦fMRI（功能性磁共振成像）信號”。與此同時，ImageBind還可以進行跨模態檢索，如火車喇叭音頻，文本、深度、圖片和視頻。

盡管目前ImageBind只是一個研究項目，但它展示了未來人工智能生成多感官感知的可能性，或許也使Meta的元宇宙夢更近了。

Meta在論文中解釋稱，他們把不同模態數據串聯在了一個嵌入空間（Embedding Space），讓其從多維度理解世界。

有網友評價道，imageBind的出現使AI發展過程中又迎來了激動人心的時刻：

“這項創新為AI搜索能力、沉浸式VR體驗和更高級的AI技術鋪平了道路。對于AI愛好者和專業人士來說，激動人心的時刻即將到來！”。

有網友評論稱，ImageBind的誕生就是為了模擬人類感知。ImageBind面世，賈維斯也不遠了。

英偉達科學家Jim Fan點評道：自LLaMA以來，Meta就在開源領域大放異彩。

不過，對于Meta開源大模型的做法，也有人提出了質疑。如OpenAI便表示，這種做法對創作者有害，競爭對手可以隨意復制且可能具有潛在的危險，允許惡意行為者利用最先進的人工智能模型。

更接近人類感知的元宇宙？

相比Midjourney、Stable Diffusion和DALL-E 2這樣簡單的將文字與圖像配對的生成器，ImageBind試圖讓AI更接近人類的思考和感知方式：

可以連接文本、圖像/視頻、音頻、3D 測量（深度）、溫度數據（熱）和運動數據（來自 IMU），且它無需先針對每一種可能性進行訓練，直接預測數據之間的聯系，類似于人類感知或想象的方式。

這個模型利用到了圖像的綁定（binding）屬性，只要將每個模態的嵌入與圖像嵌入對齊，就會實現所有模態的迅速對齊。

簡單來說就是圖像成為了連接這些模態的橋梁。

例如Meta利用網絡數據將文本與圖像連接起來，或者利用帶有IMU傳感器的可穿戴相機捕捉到的視頻數據將運動與視頻連接起來。

Meta在論文中指出，ImageBind的圖像配對數據足以將這六種模態綁定在一起。

模型可以更全面地解釋內容，使不同的模態相互“對話”，并找到它們之間的聯系。

例如，ImageBind可以在沒有一起觀察音頻和文本的情況下將二者聯系起來。這使得其他模型能夠“理解”新的模態，而不需要任何資源密集型的訓練。

具體而言，ImageBind利用網絡規模（圖像、文本）匹配數據，并將其與自然存在的配對數據（視頻、音頻、圖像、深度）相結合，以學習單個聯合嵌入空間。

這樣做使得ImageBind隱式地將文本嵌入與其他模態（如音頻、深度等）對齊，從而在沒有顯式語義或文本配對的情況下，能在這些模態上實現零樣本識別功能。

與此同時，Meta表示，ImageBind可以使用大規模視覺語言模型（如 CLIP）進行初始化，從而利用這些模型的豐富圖像和文本表示。因此，ImageBind只需要很少的訓練就可以應用于各種不同模態和任務。

如果與其他AI結合，還可以做到跨模態的生成。

比如聽到狗叫畫出一只狗，同時給出對應的深度圖和文字描述。

甚至還做到不同模態之間的運算，如鳥的圖像+海浪的聲音，得到鳥在海邊的圖像。

對此，Meta在其官方博客中也說道，“ImageBind 可以勝過之前為一種特定模式單獨訓練的技術模型。但最重要的是，它能更好地一起分析許多不同形式的信息，從而推進人工智能的發展。”

Meta團隊認為，ImageBind為設計和體驗身臨其境的虛擬世界打開了大門。或許也讓Meta離幻想中的元宇宙世界更近了一步。

可以怎么搜？

模型具體可以怎么用？Meta開放了模型演示，具體包括：

使用圖像檢索音頻

以圖像或視頻作為輸入，可以生成音頻。比如選擇一張小狗的圖片，就能夠檢索到狗吠的音頻。使用音頻檢索圖像

通過一個音頻片段，給出一張對應的圖。聽著鳥鳴，小鳥的圖片便出現了。

使用文本來檢索圖像和音頻

選擇下面的一個文本提示，ImageBind將檢索與該特定文本相關的一系列圖像和音頻片段。

使用音頻+圖像來檢索相關圖像

給一段狗叫聲再加一張海灘的圖片。ImageBind可以在幾分鐘內檢索出相關圖像。

得到了一張“狗望海”的圖：

使用音頻來生成圖像

要想實現音頻生圖像，ImageBind需要和其他模型一起結合用，比如 DALL-E 2等生成模型。

來個下雨嘩啦啦的聲音，身在其中的意境圖就來了。

ImageBind的性能有多卓越？——打敗專家模型

在Meta研究科學家于近期發布的題為《IMAGEBIND:一個嵌入空間綁定所有模態》（《IMAGEBIND： One Embedding Space To Bind Them All》https://dl.fbaipublicfiles.com/imagebind/imagebind_final.pdf）的論文中指出，ImageBind模型的第一大優勢在于，僅通過很少的樣本及訓練，模型性能便可提高：

此前，往往需要收集所有可能的配對數據組合，才能讓所有模態學習聯合嵌入空間。

ImageBind規避了這個難題，它利用最近的大型視覺語言模型，將零樣本能力擴展到新的模態。

Meta的模型具有小模型所不具備的出色能力，這些性能通常只會在大模型中才會呈現。比如：音頻匹配圖片、判斷照片中的場景深度等等。

Meta的研究表明，視覺模型越強，ImageBind對齊不同模態的能力就越強。

在實驗中，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中的工作進行了比較。

結果顯示，ImageBind可以用于少量樣本的音頻和深度分類任務，并且優于之前定制的方法。

而以圖像/視頻為中心訓練好AI后，對于原始數據中沒有直接聯系的模態，比如語音和熱量，ImageBind表現出涌現能力，把他們自發聯系起來。

在定量測試中，研究人員發現，ImageBind的特征可以用于少樣本音頻和深度分類任務，并且可以勝過專門針對這些模態的先前方法。

比方說，ImageBind在少于四個樣本分類的top-1準確率上，要比Meta的自監督AudioMAE模型和在音頻分類fine-tune上的監督AudioMAE模型提高了約40%的準確率。

Meta希望，AI開發者社區能夠探索ImageBind，來開發其可以應用的新途徑。

Meta認為，關于多模態學習仍有很多需要探索的地方。ImageBind這項技術最終會超越目前的六種“感官”，其在博客上說道，“雖然我們在當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——將使更豐富的以人為中心的人工智能模型成為可能。”?

風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。

關鍵詞：