突破性研究成果／北京產Emu3大模型 給AI萬能學習法

北京智源人工智慧研究院的一項突破性研究成果，近日在國際頂級學術期刊《自然》（Nature）上線，這是中國科研機構主導的大模型成果首次在《自然》正刊發表。

智源這項名為「通過預測下一個詞元進行多模態學習的多模態大模型」的成果，採用自回歸路線，可以統一多模態學習，訓練出優秀的原生多模態大模型，這對於確立自回歸成為生成式人工智慧統一路線具有重大意義。

據瞭解，長期以來，AI在學習不同類型的「感官」資訊時，往往需要「分科而治」，理解文字用一套方法，生成圖片用另一套，處理影像又需要不同的專業模型，過程複雜且協同起來較為困難。而智源研究院研發的Emu3模型，借鑒了GPT成功的關鍵思路「預測下一個詞元」，成功統一了對文本、圖像及影像的理解與生成能力。打個比方，就如同給AI找到了一個「萬能學習法」，無論面對的是一段文字、一張照片，還是一段動態影像，AI都用同一種邏輯去分析和創造。

實驗表明，這種統一方法在圖片生成、圖文理解和視頻影像創作等多個任務上，達到了與當前各類專用模型相當的水準，且具備更強的擴展潛力和通用性。

《自然》編輯點評這項研究時表示，基於「預測下一個詞元」，Emu3實現了大規模文本、圖像和影像的統一學習，其在生成與感知任務上的性能可與使用專門路線相當，這一成果對構建可擴展、統一的多模態智慧系統具有重要意義。

此外，基於這一核心路徑的反覆運算版本Emu3.5模型，已展現出對物理世界運行規律的初步學習與模擬能力，能夠嘗試預測場景的下一步變化，為發展更通用、更接近人類認知方式的大模型與智慧體奠定了基礎。