Jina AI创始人肖涵博士解读多模态AI的范式变革
我们正处于人工智能新时代的风口浪尖，正从单模态大步迈向多模态 AI 时代。在 Jina AI，我们的 MLOps 平台帮助企业和开发者加速整个应用开发的过程，在这一范式变革中抢占先机，构建起着眼于未来的应用程序。
本文由 Jina AI 创始人肖涵为大家带来多模态 AI 技术的行业洞察分享。本文作者：肖涵博士，Jina AI 创始人兼 CEO
如果别人问到我们 Jina AI 是做什么的，我会有以下两种回答。1. 面对 AI 研究员时，我会说：Jina AI 是一个跨模态和多模态数据的 MLOps 平台；2. 面向从业者和合作伙伴时，我会说：Jina AI 是用于神经搜索和生成式 AI 应用的 MLOps 平台。
但无论用哪种方式来介绍 Jina AI，大多数人对于这几个词语都是比较陌生的。
跨模态、多模态
神经搜索、生成式 AI
你可能听说过”非结构化数据“，但什么是“多模态数据”呢？你可能也听说过“语义搜索”，那“神经搜索”是什么新鲜玩意儿呢？可能更加令你困惑的是，Jina AI 为什么要将这四个概念混在一起，开发一个 MLOps 框架来囊括所有这些概念呢？
在 Jina AI，我们的产品囊括了跨模态、多模态、神经搜索和生成式 AI，涵盖了未来 AI 应用的很大一部分。我们的 MLOps 平台帮助企业和开发者加速整个应用开发的过程，在这一范式转变中抢占先机，构建起着眼于未来的应用程序。
在接下来的文章里，我们将回顾单模态 AI 的发展历程，看看这种范式转变是如何在我们眼下悄然发生的。
单模态人工智能
在计算机科学中，“模态”大致意思是“数据类型”。所谓的单模态 AI，就是将 AI 应用于一种特定类型的数据。这在早期的机器学习领域非常普遍。直至今日，你在看机器学习相关的论文时，单模态 AI 依然占据着半壁江山。
自然语言处理
我们从自然语言处理（NLP）开始回顾。早在 2010 年，我就发表了一篇关于 Latent Dirichlet Allocation（LDA）模型的改进 Gibbs sampling(吉布斯抽样)算法的论文。
一些资深的机器学习研究人员可能还记得 LDA，这是一种用于建模文本语料库的参数贝叶斯模型。它将单词“聚类”成主题，并将每个文档表示为主题的组合。因此有人称其为“主题模型”
从 2008 年到 2012 年，主题模型一直是 NLP 社区中最有效和最受欢迎的模型之一——它的火热程度相当于当时的 BERT/Transformer。每年在顶级 ML/NLP 会议上，许多论文都会扩展或改进原始模型。但今天回过头来看，它是一个相当 "浅层学习"的模型，采用的是一次性的语言建模方法。它假定单词是由多叉分布的混合物生成的。这对某些特定的任务来说是有意义的，但对其他任务、领域或模式来说却不够通用。
早在 2010-2020 年，像这样的一次性方法是 NLP 研究的常态。研究人员和工程师开发了专门的算法，每种算法虽然都擅长解决一项任务，但是也仅仅只能解决一项任务：
计算机视觉
相较于 NLP 领域，我进入计算机视觉 (CV) 领域要晚一些。2017 年在 Zalando 时，我发表了一篇关于 Fashion-MNIST 数据集 的论文。该数据集是 Yann LeCun 1990 年原始 MNIST 数据集（一组简单的手写数字，用于对计算机视觉算法进行基准测试）的直接替代品。原始 MNIST 数据集对于许多算法来说过于简单 —— 逻辑回归、决策树等浅层学习算法树和支持向量机可以轻松达到 90% 的准确率，留给深度学习算法发挥的空间很小。
Fashion-mnist：用于基准机器学习算法的新型图像数据集示例，2017
Fashion-MNIST 提供了一个更具挑战性的数据集，使研究人员能够探索、测试和衡量其算法。时至今日，超过 5,000 篇学术论文在分类、回归、去噪、生成等方面的研究中都还引用了 Fashion-MNIST，可见其价值所在。
但正如主题模型只适用于 NLP，Fashion-MNIST 也只适用于计算机视觉。它的缺陷在于，数据集中几乎没有任何信息可以用来研究其他模式。如果梳理2010-2020年间最常见的20个CV任务，你会发现，几乎所有任务都是单一模式的。同样的，它们每一个都涵盖了一个特定的任务，但也仅仅涉及一项任务：
语音和音频
针对语音和音频机器学习遵循相同的模式：算法是为围绕音频模态的临时任务而设计的。他们各自执行一项任务，而且只执行一项任务，但现在都在一起执行：
我对多模态 AI 方面最早的尝试之一是我在 2010 年发表的一篇论文，当时我建立了一个贝叶斯模型，对视觉、文本和声音 3 种模态进行联合建模。经过训练后，它就能完成两项跨模式的检索任务：从声音片段中找到最匹配的图像，反之亦然。我给这两个任务起了一个很赛博朋克的名字：“Artificial Synesthesia，人机联觉”。
迈向多模态人工智能
从上面的例子中，我们可以看到所有的单模态 AI 算法都有两个共同的弊端：
任务只针对一种模态（例如文本、图像、音频等）。
知识只能从一种模态中学习，并应用在这一模式中（即视觉算法只能从图像中学习，并应用于图像）。
在上文中，我已经讨论了文本、图像、音频。还有其他模式，例如 3D、视频、时间序列，也应该被考虑在内。如果我们把来自不同模态的所有任务可视化，我们会得到一个下面立方体，其中各模态正交排列：
以一个立方体来表示单模态之间的关系，可以假定每个面代表一个单独模态的任务
然而，多模态 AI 就像将这个立方体重新粘合成一个球体，最重要的不同点在于它抹去了不同模态之间的界限，其中：
任务在多种模式之间共享和传输（因此一种算法可以处理图像，文本和音频）
知识是从多种模式中学习并应用于多种模式（因此一个算法可以从文本数据中学习并将其应用于视觉数据。
多模态人工智能
多模态 AI 的崛起可归功于两种机器学习技术的进步：表征学习和迁移学习。
表征学习：让模型为所有模态创建通用的表征。
迁移学习：让模型首先学习基础知识，然后在特定领域进行微调。
如果没有表征学习和迁移学习的进步，想在通用数据类型上实行多模态是非常难以落地的，就像我 2010 年的那篇关于声音-图像的论文一样，一切都是纸上谈兵。
2021 年，我们看到了 CLIP，这是一个关联图像和文本之间对应关系的模型；2022 年，我们看到 DALL·E 2 和 Stable Diffusion，根据 prompts 文本生成对应高质量的图像。
由此可见，范式的转变已然开启：未来我们必将看到越来越多的AI应用将超越单个模态，发展为多模态，并巧妙利用不同模态之间的关系。随着模态之间的界限变得模糊，一次性的方法也不再适用了。
搜索和生成的二元性
搜索和生成是多模态 AI 中的两项基本任务。在多模态 AI 领域，搜索是指神经搜索，即使用深度神经网络进行搜索。对于大多数人来说，这两个任务是完全孤立的，并且它们已经被分开研究了很多年。但是，搜索和生成是紧密相连的，并且具有共同的二元性。为了理解这一点，我们可以看看下面的例子。
有了多模态 AI，使用文本或图像来搜索图像数据集就非常简单：
创作是类似的。你从文本提示中创建一个新图像，或者通过丰富/修复现有图像来创建新图像：
当把这两个任务组合在一起并屏蔽掉它们的函数名时，你可以看到这两个任务没有区别。两者都接收和输出相同的数据类型。唯一的区别是，搜索是找到你需要的东西，而生成是制造你需要的东西。
DNA 是一个很好的类比：一旦你有了一个生物体的 DNA，就可以构建系统发生树，并寻找已知最古老、最原始的源头。另一方面，你可以将 DNA 注入卵子并创造新的东西。
右：《异形：契约》电影海报
类似于哆啦A梦和瑞克，他们都拥有令人羡慕的超能力。但他们的不同在于哆啦A梦在他的口袋里寻找现有的物品，而瑞克则从他的车间创造了新东西。
搜索和生成的二元性也带来了一个有趣的思想实验：想象一下，当生活在一个所有图像都由人工智能生成，而不是由人类构建的世界里。我们还需要（神经）搜索吗？或者说，我们还需要将图像嵌入到向量中，再使用向量数据库对其进行索引和排序吗？
答案是 NO。因为在观察图像之前，唯一代表图像的 seed 和 prompts 是已知的，后果现在变成了前因。与经典的表示法相比，学习图像是原因，表示法是结果。为了搜索图像，我们可以简单地存储 seed（一个整数）和 prompts（一个字符串），这不过是一个好的老式 BM25 或二分搜索。当然，我们作为人类还是更偏爱由人类自己创造的艺术品，所以平行宇宙暂时还不是真正的现实。至于为什么我们更应该关注生成式 AI 的进展 —— 因为处理多模态数据的老方法可能已经过时了。
总结
我们正处于人工智能新时代的前沿，多模态学习将很快占据主导地位。这种类型的学习结合了多种数据类型和模态的学习，有可能彻底改变我们与机器互动的方式。到目前为止，多模态 AI 已经在计算机视觉和自然语言处理等领域取得了巨大成功。在未来，毋庸置疑的是，多模态 AI 将产生更大的影响。例如，开发能够理解人类交流的细微差别的系统，或创造更逼真的虚拟助手。总而言之，未来拥有万种可能，而我们才只接触到冰山一角！
想在多模态 AI、神经搜索和生成式 AI 领域探索和尝试吗？
🚀 加入 Jina AI，引领多模态 AI 范式变革！