通用人工智能（AGI）再往前一步：MetaAI发布新的能听会说的多模态AI大模型ImageBind
当前，大语言模型主要是基于生成式自然语言处理模型为主。少部分多模态模型可以处理文本、图片和视频信息。但是，AI模型目前还无法像人类一样接受周围的多模态信息进行处理，如图像、文本、声音等。但是，昨天MetaAI发布了一个可以听说读写的AI大模型ImageBind，它可以同时处理6种数据，并输出。本文将简单介绍一下这个模型。
ImageBind简介
AI模型在学习时，往往只能接受单一形式的信息，只不过如今这一情况正在改变。来自MetaAI团队的最新进展是，他们开发了一种名为ImageBind的AI模型，该模型可以同时将来自六个形态的信息进行绑定，从而使得机器在多种形式的数据中同时地、完整地、直接地进行学习，而不需要进行显式的监督。
ImageBind不仅可以处理文本、图片/视频和音频，还可以处理记录深度（3D）、热力学（红外线辐射）以及惯性测量单元（IMU，即能够计算物体的运动和位置）的传感器，从而从多重角度为机器提供全面的理解。
该技术比先前的专业模型有更好的表现，同时也能帮助AI技术更好地分析多种不同形式的信息。
ImageBind还为更准确地识别、连接和管控内容、更为扩展的多模态搜索功能等提供了可能性，以及在生成更丰富的媒体时又能更为自然地进行操作等方面，ImageBind都会有所作为。
ImageBind是Meta发展多模态AI系统的一部分。随着模态数量的增加，ImageBind也为研究人员提供了更多开发全面系统的机会。ImageBind的多模态能力可以使研究人员将其他形式的数据作为输入查询，并以其他格式检索输出，从而打通不同形式间的隔阂，进一步构建出类人智能的机器。
ImageBind模型技术解析
ImageBind作为MetaAI新发布的多模态模型，专注于多模态表示学习。从模型设计来说，ImageBind的目标是利用图像绑定（Image Bind）学习一个embedding空间，里面包含了所有模态的信息。
MetaAI将每种模态的embedding与图像embedding进行对齐，例如使用网络数据将文本对齐到图像，使用带有IMU的自我中心相机捕获的视频数据将IMU对齐到视频。
这种对其可以用(I,M)形式的对表示，其中，I表示图像，M表示其它模态的embedding。MetaAI将每个模态M的embedding对齐到图像的embedding中。实际训练中，他们观察到在嵌入空间中出现了一种涌现的行为，即使我们只使用(I,M1)和(I,M2)对进行训练，最后页可以将两个模态对(M1,M2)对齐。这种行为使我们能够执行各种zeor-shot和跨模态检索任务，而无需对它们进行训练。
这样做的好处是你不需要找到拥有所有模态的数据集就可以训练了。 具体来说，ImageBind的主要的步骤如下：
- 跨模态抽取（Cross-Modal Retrieval）：这是指显示出不同模态（例如音频、深度或文本）之间的涌现对齐（emergent alignment），尽管它们之间并没有被同时观察到。
- 将来自不同模态的嵌入加在一起可以自然地组合它们的语义。
- 通过使用音频嵌入和预先训练的DALLE-2解码器与CLIP文本嵌入配合使用，可以实现从音频到图像的生成。
在未来，ImageBind可以利用DINOv2的强大视觉特征进一步提高其功能。
DINOv2是MetaAI最新开源的计算机视觉领域的预训练大模型。相比较DINO的第一个版本，作者做了很多的修改，使得v2版本的DINO模型性能更加强大。具体信息可以参考DINOv2在DataLearner上的模型信息卡内容：https://www.datalearner.com/ai-models/pretrained-models/DINOv2
ImageBind通过使用图像对齐将六种模态的嵌入对齐到一个共同的空间来工作。这个联合嵌入空间可以实现跨模态检索、嵌入空间算术运算和音频到图像生成。
以音频生成图像为例，ImageBind使用音频嵌入和一个预训练的DALLE-2解码器来生成图像，该解码器设计用于与CLIP文本嵌入一起工作。这种能力使得可以从音频输入生成图像，这在音乐、电影和游戏等领域具有潜在的应用。例如，它可以用于生成声音效果或音乐作品的视觉表示。
在实践中，ImageBind 利用 web 规模的（图像，文本）配对数据，并将其与自然出现的配对数据（如（视频，音频），（图像，深度）等）结合使用，以学习一个单一的联合嵌入空间。这使得 ImageBind 能够将文本嵌入对齐到其他模态，如音频、深度等，从而实现了对该模态的零样本识别能力，而不需要显式的语义或文本配对。此外，MetaAI还展示了它可以用大规模的视觉语言模型（如 CLIP）进行初始化，从而利用这些模型的丰富的图像和文本表示。因此，ImageBind 可以应用于各种不同的模态和任务，只需要很少的训练。
ImageBind的实际测试效果
ImageBind的特征可用于少样本的音频和深度分类任务，并且可以胜过专门针对这些模态的先前方法。例如，ImageBind在四样本分类的top-1准确度上获得了大约40％的提升，显着优于在Audioset上进行自我监督训练和进行音频分类微调的Meta自我监督AudioMAE模型以及监督AudioMAE模型。
ImageBind还在跨模态的自发零样本识别任务上取得了新的最佳表现，甚至胜过了针对该模态的最近训练的概念识别模型。
ImageBind模型的代码、在线演示等资源
MetaAI开源了ImageBind的预训练结果和代码。同时还有一个在线演示地址，演示了ImageBind的多种能力，主要是：
- 图像生成音频
- 音频生成图像
- 文本生成图像&音频
- 音频&图像生成图像
- 音频生成图像
下图是官网中鸟叫音频生成的图像：
相关资源链接如下：
论文地址：https://facebookresearch.github.io/ImageBind/paper ImageBind官方介绍博客：https://ai.facebook.com/blog/imagebind-six-modalities-binding-ai/ ImageBind的在线演示地址：https://imagebind.metademolab.com/ ImageBind的演示视频：https://dl.fbaipublicfiles.com/imagebind/imagebind_video.mp4
