多模態(tài)AI模型Unified-IO2：可理解和生成圖像、文本、音頻和動作

　　近期，由艾倫人工智能研究所、伊利諾伊大學(xué)厄巴納-香檳分校和華盛頓大學(xué)的研究人員聯(lián)合開發(fā)的“Unified-IO2”標(biāo)志著人工智能能力的一次巨大飛躍。

　　與之前只能處理雙模態(tài)的前輩不同，Unified-IO2是一款自回歸的多模態(tài)模型，能夠解釋和生成文本、圖像、音頻和視頻等多種數(shù)據(jù)類型。作為第一款在多模態(tài)數(shù)據(jù)上從零開始訓(xùn)練的模型，其架構(gòu)基于單一的編碼器-解碼器變壓器模型，獨特設(shè)計將各種輸入轉(zhuǎn)換為統(tǒng)一的語義空間。這種創(chuàng)新性的方法使得該模型能夠同時處理不同類型的數(shù)據(jù)，克服了以往模型在處理多模態(tài)數(shù)據(jù)時的限制。

　　Unified-IO2的方法復(fù)雜而創(chuàng)新。它采用共享表示空間來對各種輸入和輸出進(jìn)行編碼，通過使用字節(jié)對編碼文本和用于編碼稀疏結(jié)構(gòu)(如邊界框和關(guān)鍵點)的特殊標(biāo)記來實現(xiàn)。圖像通過預(yù)訓(xùn)練的視覺變壓器進(jìn)行編碼，線性層將這些特征轉(zhuǎn)換為適用于變壓器輸入的嵌入。音頻數(shù)據(jù)經(jīng)過類似的處理，轉(zhuǎn)換成頻譜圖并使用音頻頻譜變壓器進(jìn)行編碼。模型還包括動態(tài)打包和多模態(tài)去噪器目標(biāo)的混合，以增強其處理多模態(tài)信號的效率和效果。

　　Unified-IO2不僅在設(shè)計上令人印象深刻，其性能也同樣令人驚嘆。在超過35個數(shù)據(jù)集上進(jìn)行評估，它在GRIT評估中創(chuàng)下了新的基準(zhǔn)，在關(guān)鍵點估計和表面法線估計等任務(wù)上表現(xiàn)出色。在視覺和語言任務(wù)中，它與許多最近提出的視覺語言模型相匹敵甚至表現(xiàn)更好。尤其值得注意的是，在圖像生成方面，它在忠實度方面超越了最接近的競爭對手。該模型還能有效地從圖像或文本中生成音頻，展示了其在廣泛能力范圍內(nèi)的多才多藝。

　　Unified-IO2的開發(fā)和應(yīng)用所得的結(jié)論是深遠(yuǎn)的。它代表了人工智能處理和整合多模態(tài)數(shù)據(jù)方面的顯著進(jìn)步，為人工智能應(yīng)用開辟了新的可能性。它在理解和生成多模態(tài)輸出方面的成功突顯了人工智能更有效地解釋復(fù)雜現(xiàn)實場景的潛力。這一發(fā)展標(biāo)志著人工智能領(lǐng)域的一個重要時刻，為未來更為細(xì)致和全面的模型鋪平了道路。

　　Unified-IO2象征著人工智能內(nèi)在潛力的信標(biāo)，標(biāo)志著向更為整合、多才多藝和強大系統(tǒng)的轉(zhuǎn)變。它成功地駕馭了多模態(tài)數(shù)據(jù)整合的復(fù)雜性，為未來人工智能模型樹立了一個先例，預(yù)示著人工智能將更準(zhǔn)確地反映和與人類經(jīng)驗的多面性互動。