為應(yīng)對新一輪技術(shù)競賽，谷歌還在不斷出后手。

【資料圖】

這兩天，一個名叫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，它也會堅持執(zhí)行任務(wù)。

PaLM-E擁有5620億參數(shù)，是GPT-3的三倍多，號稱史上最大規(guī)模視覺語言模型。而它背后的打造團(tuán)隊，正是谷歌和柏林工業(yè)大學(xué)。

作為一個能處理多模態(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，判斷出哪個是能滾動的。

還會看圖做算數(shù)：

有人感慨：

這項工作比ChatGPT離AGI更近一步??！

而另一邊，微軟其實也在嘗試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，其實就是如上兩個模型參數(shù)量相加而來（5400億+220億）。

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

Pathways是一種稀疏模型架構(gòu)，是谷歌AI這兩年重點發(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是計算機(jī)視覺領(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：

語言

圖像

場景表征

物體表征

通過加一個編碼器，模型可以將圖像或傳感器數(shù)據(jù)編碼為一系列與語言標(biāo)記大小相同的向量，將此作為輸入用于下一個token預(yù)測，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，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

3、除了自行車以外都不能進(jìn)入

4、答案是可以

這和人類思考的過程確實很像了。

不僅如此，模型的最強(qiáng)大之處在于，它無需經(jīng)過預(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”。

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

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

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

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

從實驗結(jié)果來看，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。

再次驗證大力出奇跡

目前這項研究已引發(fā)非常廣泛的討論。

主要在于以下幾個方面：

1、一定程度上驗證了“大力出奇跡”

2、比ChatGPT更接近AGI？

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

去年，DeepMind也發(fā)布過一個通才大模型Gota，在604個不同的任務(wù)上接受了訓(xùn)練。

但當(dāng)時有很多人認(rèn)為它并不算真正意義上的通用，因為研究無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，這或許是因為模型規(guī)模還不夠大。

如今，PaLM-E似乎完成了這一論證。

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

另一方面，是從大趨勢上來看。

有人表示，這項工作看上去要比ChatGPT更接近AGI啊。

的確，用ChatGPT還只是提供文字建議，很多具體動手的事還要自己來。

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。

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

除此之外，還有很多人表示，這再一次驗證了多模態(tài)是未來。

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

此外還有人發(fā)現(xiàn)，模型驅(qū)動的機(jī)器人，背后的開發(fā)團(tuán)隊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：