多模态预训练大模型

基于多模态的预训练大模型将实现图文音统一知识表示，成为

人工智能基础设施。

人工智能正在从文本、语音、视觉

等单模态智能，向着多种模态融合的通

用人工智能方向发展。多模态统一建模，

目的是增强模型的跨模态语义对齐能力，

打通各个模态之间的关系，使得模型逐

步标准化。目前，技术上的突出进展来

自于 CLIP （匹配图像和文本）和 BEiT-3

（通用多模态基础模型）。基于多领域知

识，构建统一的、跨场景、多任务的多

模态基础模型已成为人工智能的重点发

展方向。未来大模型作为基础设施，将

实现图像、文本、音频统一知识表示，

并朝着能推理、能回答问题、能总结、

做创作的认知智能方向演进。

基

于深度学习的多模态预训练是认

知智能快速发展的重要推动力。

构建多场景、多任务的预训练大模型将

加速模型标准化进程，为人工智能模型

成为基础设施创造条件。深度学习模型

的不断完善、互联网海量真实数据的积

累和生成式预训练的广泛应用，使得人

工智能模型在自然语言理解、语音处理、

计算机视觉等领域地交叉应用取得显著

进展。

2022 年，技术上的突出进展来自

于 BEiT-3 多模态基础模型，该模型在

视觉 - 语言任务处理上具备出色表现，

包括视觉问答、图片描述生成和跨模态

检索等。 BEiT-3 通过统一的模型框架和

骨干网络（ backbone ）建模，能够更加

轻松地完成多模态编码和处理不同的下

游任务。另一方面， CLIP （ Contrastive

Language-Image Pre-training ）的 广 泛

应用也促进了多模态模型的技术发展。

CLIP 作为基于对比学习的预训练模

型，负责从文本特征映射到图像特征，

能够指导 GAN 或扩散模型（ Diffusion

Model ）生 成 图 像。 在 文 生 图 领 域，

Stable Diffusion 也使用了 CLIP ，它能

够通过文本提示调整模型，并借助扩散

模型改善图像质量。与此同时，开源极

大的促进了多模态的融合和预训练模型

的发展。通过开源来降低模型使用门槛，

将大模型从一种新兴的 AI 技术转变为稳

健的基础设施，已成为许多大模型开发者

的共识。

多模态预训练模型的发展将重塑