“多模态大模型的终点就是“人”，人就是最完美的多模态模型”
多模态大模型是支持多种模态数据的深度学习模型，与之对应的是单模态模型；但因为单模态模型存在很多缺陷，因此多模态大模型应运而生。
人就是最完美的多模态模型，而大模型的发展方向也是让它越来越像“人”。
多模态大模型的思想与原理
—
多模态的思想是结合不同模态(文字，图片，声音等)的数据进行联合学习，从而提高模型的认知能力。
其主要表现在以下三个方面：
信息互补性：不同模态的数据携带不同的信息，联合学习能够补足单一模态的缺陷
关联性：多模态数据之间存在内在联系，学习这些联系有助于提升模型的表现
通用性：通过学习多模态数据的通用表示，可以提升模型在多个任务上的泛化能力
单模态文本处理模型小程序：
多模态模型的核心原理
表示学习
通过专门的编码器，将不同模态的数据转换成统一的特征表示
单模态的表示学习负责将信息表示为计算机可以处理的数值向量或者进一步抽象为更高层的特征向量，而多模态表示学习是指通过利用多种模态之间的互补性，剔除模态间的冗余性，从而学习到更好的特征表示。
多模态表示学习有两大方向：联合表示和协同表示
联合表示是将多个模态的信息一起映射到一个统一的多模态向量空间
协同表示负责将多模态中的每个模态分别映射到各自的表示空间，但映射后的向量之间满足一定的相关性约束(如线性相关)
跨模态映射
跨模态映射是需要实现模态之间的映射，如图像到文本的生成或者文本到图像的生成；当然还有其它很多种情况，如语音合成，机器翻译等。
模态间的转换主要有两个难点，一个是open-ended，即未知结束位；例如在实时翻译中，话还未说完的情况下， 必须实时的对句子进行翻译；另一个是subjective，即主观评判性，是指很多模态转换问题的效果没有一个客观的评判标准。
对齐与融合
将不同模态的数据对齐，确保它们的语义一致性，并通过各种融合方法将数据整合在一起。
多模态的对齐负责对来自同一个实例的不同模态信息的子分支/元素寻找对应关系；对齐可以是时间维度的也可以是空间维度的，比如图片的语义分割。
多模态的融合是将各模态的特征表示进行融合，常见的方法包括拼接，加权求和，注意力机制以及通过共享Transformer层进行联合编码
融合
多模态融合有四种不同的情况，分别是特征级融合，决策级融合，混合级融合和模型级融合。
特征级融合：也称为早起融合，是多模态识别系统最常用的策略。它表示在特征提取后把提取特征连接成单个高纬特征向量的方法，其主要用来剔除冗余信息。
决策级融合：也称为后期融合，是在获得基于每个模态的决策后，通过应用多个预测标签的代数组合规则，对这些决策执行集成步骤。
混合级融合：它是早起融合和后期融合两种方式的结合，通过早期融合和单个模态预测的输出相结合。混合级融合虽然解决了特征级与决策级融合的局限性，但本质上并没有解决问题。
模型级融合：该方法旨在获得三种模态的联合特征表示，它的实现主要取决于使用的融合模型。模型级融合是更深层次的融合方法，为分类和回归任务产生更优化的联合判别特征表示。
技术实现
多模态大模型的技术实现主要有以下步骤：
数据预处理：将不同模态(文本，图片，视频)的数据进行预处理，例如图像的像素归一化，文本的分词处理。
状态编码器：使用专门的神经网络模型处理不同模态的数据，例如使用CNN或Vision Transformer处理图像，用Transformer处理文本。类似于大模型知识库的文本解析模块，把文档解析成向量保存到向量数据中，也需要使用文档处理模型。
融合机制：将各模态的特征表示进行融合，原理就是上面的模型融，有多种方式。
训练过程：使用多模态数据进行联合训练，常见的损失函数包括分类损失，回归损失和对比学习损失等。
模型架构：比如openAI的CLIP模型通过同时处理图像和文本，学习它们之间的语义关系。
总结
多模态大模型是目前大模型厂商主要的研究方向，其实现过程困难且复杂；虽然具有很多优势，但同样也具有很多的问题。比如对计算资源的需求要远大于单模型的需求，其次多模态数据的对齐与标注同样是一个难题，最后就是跨模态的理解与生成，仍然是一个研究热点。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
扫一扫
2952
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
