為應(yīng)對(duì)新一輪技術(shù)競(jìng)賽，谷歌還在不斷出后手。

【資料圖】

這兩天，一個(gè)名叫PaLM-E的大模型在AI學(xué)術(shù)圈瘋狂刷屏。

它能只需一句話，就讓機(jī)器人去廚房抽屜里拿薯片。

即便是中途干擾它，它也會(huì)堅(jiān)持執(zhí)行任務(wù)。

PaLM-E擁有5620億參數(shù)，是GPT-3的三倍多，號(hào)稱(chēng)史上最大規(guī)模視覺(jué)語(yǔ)言模型。而它背后的打造團(tuán)隊(duì)，正是谷歌和柏林工業(yè)大學(xué)。

作為一個(gè)能處理多模態(tài)信息的大模型，它還兼具非常強(qiáng)的邏輯思維。

比如能從一堆圖片里，判斷出哪個(gè)是能滾動(dòng)的。

還會(huì)看圖做算數(shù)：

有人感慨：

這項(xiàng)工作比ChatGPT離AGI更近一步?。?/p>

而另一邊，微軟其實(shí)也在嘗試ChatGPT指揮機(jī)器人干活。

這么看，谷歌是憑借PaLM-E一步到位了？

邏輯性更強(qiáng)的大模型

PaLM-E是將PaLM和ViT強(qiáng)強(qiáng)聯(lián)合。

5620億的參數(shù)量，其實(shí)就是如上兩個(gè)模型參數(shù)量相加而來(lái)（5400億+220億）。

PaLM是谷歌在22年發(fā)布的語(yǔ)言大模型，它是Pathways架構(gòu)訓(xùn)練出來(lái)的，能通過(guò)“思考過(guò)程提示”獲得更準(zhǔn)確的邏輯推理能力，減少AI生成內(nèi)容中的錯(cuò)誤和胡言亂語(yǔ)。

Pathways是一種稀疏模型架構(gòu)，是谷歌AI這兩年重點(diǎn)發(fā)展方向之一，目標(biāo)就是訓(xùn)練出可執(zhí)行成千上百種任務(wù)的通用模型。

ViT是計(jì)算機(jī)視覺(jué)領(lǐng)域的經(jīng)典工作了，即Vision Transformer。

兩者結(jié)合后，PaLM-E可以處理多模態(tài)信息。包括：

語(yǔ)言

圖像

場(chǎng)景表征

物體表征

通過(guò)加一個(gè)編碼器，模型可以將圖像或傳感器數(shù)據(jù)編碼為一系列與語(yǔ)言標(biāo)記大小相同的向量，將此作為輸入用于下一個(gè)token預(yù)測(cè)，進(jìn)行端到端訓(xùn)練。

具體能力方面，PaLM-E表現(xiàn)出了比較強(qiáng)的邏輯性。

比如給它一張圖片，然后讓它根據(jù)所看到的做出蛋糕。

模型能先判斷出圖像中都有什么，然后分成9步講了該如何制作蛋糕，從最初的磕雞蛋到最后洗碗都包括在內(nèi)。

有人還調(diào)侃說(shuō)，這機(jī)器人怎么在把蛋糕給我前先自己吃了？

還有根據(jù)圖片做判斷：我能在這條路上騎自行車(chē)嗎？

模型進(jìn)行一系列邏輯推斷：

1、不能進(jìn)入

2、除了自行車(chē)

3、除了自行車(chē)以外都不能進(jìn)入

4、答案是可以

這和人類(lèi)思考的過(guò)程確實(shí)很像了。

不僅如此，模型的最強(qiáng)大之處在于，它無(wú)需經(jīng)過(guò)預(yù)處理，即提前理解環(huán)境。

它做出判斷和回答，完全是基于它自己的“經(jīng)驗(yàn)”。

研究人員表示，這項(xiàng)成果表現(xiàn)出了很強(qiáng)的正向遷移（positive transfer）能力。

在多個(gè)領(lǐng)域任務(wù)的訓(xùn)練中，PaLM-E的表現(xiàn)都優(yōu)于單項(xiàng)任務(wù)機(jī)器人模型。

而且他們還發(fā)現(xiàn)，語(yǔ)言模型的規(guī)模越大，它最終能保持的語(yǔ)言理解能力越強(qiáng)。

比如使用5400億參數(shù)規(guī)模的PaLM時(shí)，PaLM-E在語(yǔ)言任務(wù)上的實(shí)際能力僅下降了3.9%。

從實(shí)驗(yàn)結(jié)果來(lái)看，PaLM-E在OK-VQA基準(zhǔn)上達(dá)到新SOTA。

在模擬環(huán)境下的任務(wù)完成度也都不錯(cuò)。

再次驗(yàn)證大力出奇跡

目前這項(xiàng)研究已引發(fā)非常廣泛的討論。

主要在于以下幾個(gè)方面：

1、一定程度上驗(yàn)證了“大力出奇跡”

2、比ChatGPT更接近AGI？

一方面，作為目前已知的規(guī)模最大的視覺(jué)語(yǔ)言模型，PaLM-E的表現(xiàn)已經(jīng)足夠驚艷了。

去年，DeepMind也發(fā)布過(guò)一個(gè)通才大模型Gota，在604個(gè)不同的任務(wù)上接受了訓(xùn)練。

但當(dāng)時(shí)有很多人認(rèn)為它并不算真正意義上的通用，因?yàn)檠芯繜o(wú)法證明模型在不同任務(wù)之間發(fā)生了正向遷移。

論文作者表示，這或許是因?yàn)槟Ｐ鸵?guī)模還不夠大。

如今，PaLM-E似乎完成了這一論證。

不過(guò)也有聲音擔(dān)心，這是不是把卷參數(shù)從NLP引到了CV圈？

另一方面，是從大趨勢(shì)上來(lái)看。

有人表示，這項(xiàng)工作看上去要比ChatGPT更接近AGI啊。

的確，用ChatGPT還只是提供文字建議，很多具體動(dòng)手的事還要自己來(lái)。

但PaLM-E屬于把大模型能力拉入到具象化層面，AI和物理世界之間的結(jié)界要被打破了。

而且這個(gè)趨勢(shì)顯然也是大家都在琢磨的，微軟前不久也發(fā)布了一項(xiàng)非常相似的工作——讓ChatGPT指揮機(jī)器人。

除此之外，還有很多人表示，這再一次驗(yàn)證了多模態(tài)是未來(lái)。

不過(guò)，這項(xiàng)成果現(xiàn)在只有論文和demo發(fā)布，真正能力有待驗(yàn)證。

此外還有人發(fā)現(xiàn)，模型驅(qū)動(dòng)的機(jī)器人，背后的開(kāi)發(fā)團(tuán)隊(duì)在幾周前被谷歌一鍋端了。。。

所以關(guān)于PaLM-E的更多后續(xù)，咱們還得再蹲蹲看。

關(guān)鍵詞：