媒體基礎(chǔ)：打開(kāi)多模態(tài)大模型的新思路

量子位的朋友們 2023-10-12 13:26:14 來(lái)源：量子位

我們希望人工智能能夠像人類(lèi)一樣，從現(xiàn)實(shí)世界的視頻、音頻等媒介中獲得知識(shí)和智能。為了實(shí)現(xiàn)這一目標(biāo)，我們需要將復(fù)雜而含有噪音的現(xiàn)實(shí)世界，轉(zhuǎn)化為能夠捕獲世界本質(zhì)信息和動(dòng)態(tài)變化的抽象表示。微軟亞洲研究院正在探索多媒體與人工智能的協(xié)同發(fā)展，從對(duì)媒體基礎(chǔ)（Media Foundation）的創(chuàng)新研究中找到新的突破口，這一探索將為多模態(tài)大模型的研究帶來(lái)新的思路。

——呂巖，微軟亞洲研究院全球研究合伙人

呂巖

自1956年達(dá)特茅斯會(huì)議提出“人工智能”一詞，人類(lèi)足足用了近70年的時(shí)間，才積累了足夠的技術(shù)和資源促成人工智能的爆發(fā)。而當(dāng)我們跨過(guò)“臨界點(diǎn)”，大語(yǔ)言模型（LLMs）在自然語(yǔ)言理解、語(yǔ)音識(shí)別、圖像生成等方面展現(xiàn)出的一系列巨大進(jìn)步令人目不暇接。隨著ChatGPT、DALL-E等應(yīng)用的出現(xiàn)，我們看到人工智能開(kāi)始展現(xiàn)出更復(fù)雜的能力，比如觀(guān)察、學(xué)習(xí)和理解真實(shí)世界，并進(jìn)一步實(shí)現(xiàn)推理和創(chuàng)造。

如今我們對(duì)人工智能有了更高的期待。我們不僅希望人工智能能夠進(jìn)行創(chuàng)作，也希望它能如同人類(lèi)一樣，通過(guò)各種渠道從真實(shí)世界中獲取知識(shí)、實(shí)現(xiàn)成長(zhǎng)。然而人工智能與人類(lèi)的認(rèn)知能力還有很大的差距：人腦能夠接收和解析物理世界的絕大多數(shù)現(xiàn)象，如視頻、聲音、語(yǔ)言、文字等，并將其抽象為可保存和積累的信息、知識(shí)或技能。而能完成通用任務(wù)的多模態(tài)人工智能模型，卻還處在蹣跚學(xué)步的早期階段。

我們希望人工智能能夠從現(xiàn)實(shí)世界的數(shù)據(jù)中進(jìn)行學(xué)習(xí)和迭代。然而如何在復(fù)雜且充滿(mǎn)噪聲的真實(shí)世界和人工智能所處在的抽象語(yǔ)義世界之間架起橋梁呢？是否可以為不同類(lèi)型媒體信息構(gòu)建與自然語(yǔ)言平行的，另一種可被人工智能學(xué)習(xí)理解的語(yǔ)言？我認(rèn)為這是非常值得探索的方向。我和微軟亞洲研究院的同事們正致力于從神經(jīng)編解碼器（Neural Codec）入手，構(gòu)建一個(gè)全面的媒體基礎(chǔ)（Media Foundation）框架，通過(guò)提取真實(shí)世界中不同媒體內(nèi)容的表征，形成可被人工智能理解的語(yǔ)義，從而彌合真實(shí)世界與抽象語(yǔ)義之間的鴻溝，為多模態(tài)人工智能研究開(kāi)啟一扇新的大門(mén)。

打破復(fù)雜真實(shí)世界與抽象語(yǔ)義之間的壁壘

人類(lèi)之所以能成為無(wú)出其右的卓越“學(xué)習(xí)者”，是因?yàn)槿祟?lèi)能通過(guò)視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)和語(yǔ)言等多種方式來(lái)觀(guān)察物理世界并與之互動(dòng)，從中汲取廣泛的技能和知識(shí)，從而不斷提高我們的智能水平。我們希望能將人類(lèi)的這一特征“復(fù)制”到人工智能身上，使其能夠從豐富的真實(shí)世界數(shù)據(jù)中進(jìn)行學(xué)習(xí)和迭代。

目前絕大多數(shù)人工智能大模型的基座模型都建立在大語(yǔ)言模型之上，通過(guò)抽象、緊湊的文本表達(dá)來(lái)獲得對(duì)世界的認(rèn)知。雖然人們陸續(xù)研發(fā)出針對(duì)不同媒體形式的預(yù)訓(xùn)練模型，但它們并不能充分反映真實(shí)世界的動(dòng)態(tài)變化。來(lái)自物理世界的視頻和音頻信號(hào)是復(fù)雜且充滿(mǎn)噪聲的，我們需要找到一種有效方法，將其轉(zhuǎn)換為能夠捕獲真實(shí)世界本質(zhì)信息和動(dòng)態(tài)變化的抽象表示。

過(guò)去一段時(shí)間，我和微軟亞洲研究院的同事們一直在探索與大語(yǔ)言模型平行的人工智能發(fā)展之路。多媒體研究立足于捕捉、壓縮、解釋、重構(gòu)和生成各種模態(tài)的媒體中的豐富信息，如圖像、視頻、音頻和文本等，并自然而然地將復(fù)雜而嘈雜的真實(shí)世界轉(zhuǎn)化為一種抽象表示。我們希望這種抽象表示具有三方面的特性：富有語(yǔ)義、緊湊的大小和信息的完整保留。如果能在該領(lǐng)域有所突破，是否就可以為視頻、音頻等多媒體信號(hào)和抽象且語(yǔ)義化的人工智能模型之間搭建橋梁？

于是我們產(chǎn)生了這樣的想法：建立一個(gè)全面的媒體基礎(chǔ)框架，通過(guò)神經(jīng)編解碼器，將不同模態(tài)的媒體信號(hào)轉(zhuǎn)換為緊湊且語(yǔ)義化的表征標(biāo)記，從而構(gòu)建真實(shí)世界及其動(dòng)態(tài)變化的抽象表示。

神經(jīng)編解碼器構(gòu)建多媒體的抽象表示

我們構(gòu)想的媒體基礎(chǔ)由兩個(gè)組件組成：在線(xiàn)媒體表征標(biāo)記和離線(xiàn)基座模型。其中，在線(xiàn)媒體表征標(biāo)記模型可以動(dòng)態(tài)地將多媒體信息轉(zhuǎn)換為緊湊抽象的語(yǔ)義表示，以供人工智能觀(guān)察現(xiàn)實(shí)世界并與之交互。而離線(xiàn)基座模型可以由現(xiàn)實(shí)世界中提取的媒體表征標(biāo)記來(lái)離線(xiàn)構(gòu)建，并通過(guò)離線(xiàn)學(xué)習(xí)的知識(shí)預(yù)測(cè)動(dòng)態(tài)變化。無(wú)論人工智能用來(lái)學(xué)習(xí)的是語(yǔ)言文本，還是音頻或視頻，盡可能實(shí)現(xiàn)無(wú)損的壓縮都是其智能的源泉。

從本質(zhì)上講，整個(gè)媒體基礎(chǔ)框架可被視為一種更廣泛意義上的神經(jīng)編解碼器。對(duì)此我們?cè)O(shè)計(jì)了三個(gè)階段的發(fā)展計(jì)劃：首先，訓(xùn)練初始的編碼器和解碼器模型，學(xué)習(xí)每種模態(tài)的媒體表征；其次，為每種模態(tài)構(gòu)建基座模型，并進(jìn)一步優(yōu)化編碼器和解碼器；第三，學(xué)習(xí)包括自然語(yǔ)言在內(nèi)的跨模態(tài)關(guān)聯(lián)，并構(gòu)建最終的多模態(tài)基座模型。媒體的動(dòng)態(tài)表征標(biāo)記與多模態(tài)基座模型一起構(gòu)成了我們的媒體基礎(chǔ)，并為我們邁向多模態(tài)人工智能之路提供一種新的思路。

如前所述，抽象的語(yǔ)義表達(dá)更加緊湊和簡(jiǎn)潔，而視頻和音頻信號(hào)卻復(fù)雜且含有噪聲，我們的媒體基礎(chǔ)框架是否能夠?qū)⒄鎸?shí)世界的動(dòng)態(tài)變化進(jìn)行高效且盡可能無(wú)損的壓縮？至少此前我們所看到的多媒體編解碼器都難以勝任這項(xiàng)工作。因此，我們認(rèn)為當(dāng)務(wù)之急是開(kāi)發(fā)一個(gè)新的神經(jīng)編解碼器框架，用于高效構(gòu)建視頻、音頻及其動(dòng)態(tài)變化的抽象表示。

在過(guò)去的幾年里，我和同事們一直致力于開(kāi)發(fā)高效的神經(jīng)音頻/視頻編解碼器，并取得了令人興奮的進(jìn)展。在利用深度學(xué)習(xí)顛覆傳統(tǒng)編解碼器架構(gòu)的同時(shí)，我們也實(shí)現(xiàn)了更低的計(jì)算成本及更優(yōu)的性能。我們開(kāi)發(fā)的神經(jīng)編解碼器的性能不僅超越了傳統(tǒng)的編解碼器，也顯著優(yōu)于現(xiàn)有的其它神經(jīng)編解碼器。

在神經(jīng)音頻編解碼器方面，我們首次實(shí)現(xiàn)了256bps的高質(zhì)量語(yǔ)音信號(hào)壓縮，并在256bps的極低比特率下，通過(guò)信息瓶頸實(shí)現(xiàn)了解耦的抽象語(yǔ)義表征學(xué)習(xí)。其意義不僅在于多媒體技術(shù)層面——通過(guò)這一創(chuàng)新，我們能夠利用捕捉到的音頻表征來(lái)實(shí)現(xiàn)各種音頻和語(yǔ)音任務(wù)，例如語(yǔ)音轉(zhuǎn)換或語(yǔ)音到語(yǔ)音的翻譯。

此外，我們還開(kāi)發(fā)了DCVC-DC（Deep Contextual Video Compression-Diverse Contexts） 神經(jīng)視頻編解碼器。它可以將傳統(tǒng)編解碼中通過(guò)規(guī)則組合的不同模塊和算法轉(zhuǎn)換為深度學(xué)習(xí)的自動(dòng)學(xué)習(xí)方式，有效利用不同的上下文來(lái)大幅提高視頻壓縮率，這使得它在性能上超越了此前所有的視頻編解碼器。由于構(gòu)建全面、協(xié)同的媒體基礎(chǔ)對(duì)神經(jīng)視頻編解碼器帶來(lái)了全新的挑戰(zhàn)，我們正在對(duì)DCVC-DC進(jìn)行深度改造。

探索隱文本語(yǔ)言之外的另一種可能性

我們開(kāi)發(fā)的神經(jīng)編解碼器，本質(zhì)上是通過(guò)從根本上改變對(duì)隱空間中的對(duì)象、動(dòng)作、情緒或概念等不同類(lèi)型信息的建模方式，讓模型達(dá)到更高的壓縮比。這對(duì)多模態(tài)大模型的意義在于，通過(guò)神經(jīng)編解碼器可以將視覺(jué)、語(yǔ)言和聲音等信息轉(zhuǎn)換為隱空間的神經(jīng)表達(dá)——類(lèi)似于自然語(yǔ)言處理中的抽象而緊湊的語(yǔ)義表征，但這些多媒體表征更符合自然規(guī)律，而且不局限于自然語(yǔ)言順序的簡(jiǎn)單描述，能夠支持更廣泛的應(yīng)用。

我們的探索驗(yàn)證了通過(guò)視頻和音頻構(gòu)建全新的媒體基礎(chǔ)的可行性，這為開(kāi)發(fā)人工智能帶來(lái)了全新的視角。雖然自然語(yǔ)言已被證明是構(gòu)建人工智能的有效方法，但如果我們總是試圖將復(fù)雜的多媒體信號(hào)轉(zhuǎn)化成文本語(yǔ)言或與之相關(guān)聯(lián)，不僅過(guò)于繁瑣，還會(huì)限制人工智能的全面發(fā)展。相比之下，構(gòu)建基于神經(jīng)編解碼器的媒體基礎(chǔ)的思路可能更加有效。

當(dāng)然，通過(guò)媒體基礎(chǔ)和自然語(yǔ)言模型實(shí)現(xiàn)多模態(tài)大模型的方式雖然不同，但對(duì)于人工智能發(fā)展來(lái)說(shuō)都有不可替代的價(jià)值。我們不妨將人工智能學(xué)習(xí)的多媒體表征看作是與自然語(yǔ)言并行的另一種“語(yǔ)言”。這樣，大型多模態(tài)模型也可以被視為“大型多媒體語(yǔ)言模型”。我相信，神經(jīng)編解碼器的發(fā)展將成為媒體基礎(chǔ)演進(jìn)的巨大推動(dòng)力，其包含的媒體基座模型與大語(yǔ)言模型將共同構(gòu)建未來(lái)的多模態(tài)大模型，真正實(shí)現(xiàn)我們所期待的全方位、協(xié)同的多模態(tài)媒體基礎(chǔ)與融合，從而更好地釋放人工智能的潛力。

目前，我們?nèi)栽谂μ剿魃窠?jīng)編解碼器在隱空間中對(duì)多媒體信息的更多建模方法，全面、協(xié)同、融合的媒體基礎(chǔ)作為我們的設(shè)想和判斷，任何一個(gè)切入點(diǎn)都充滿(mǎn)了無(wú)窮的可能。如果我們的這一設(shè)想能夠?yàn)槿斯ぶ悄艿倪M(jìn)步帶來(lái)一些激發(fā)靈感的星星之火，那對(duì)我們來(lái)說(shuō)已經(jīng)足以感到欣慰和自豪了！

相關(guān)論文：

[1]Disentangled Feature Learning for Real-Time Neural Speech Coding，https://ieeexplore.ieee.org/abstract/document/10094723

[2]Neural Video Compression with Diverse Contexts，https://openaccess.thecvf.com/content/CVPR2023/papers/Li_Neural_Video_Compression_With_Diverse_Contexts_CVPR_2023_paper.pdf

本文作者：
呂巖，微軟亞洲研究院全球研究合伙人、多媒體計(jì)算方向負(fù)責(zé)人，領(lǐng)導(dǎo)團(tuán)隊(duì)從事多媒體通信、計(jì)算機(jī)視覺(jué)、語(yǔ)音增強(qiáng)、多模態(tài)信息融合、用戶(hù)界面虛擬化及云計(jì)算等方向的關(guān)鍵技術(shù)研究。

自 2004 年加入微軟亞洲研究院以來(lái)，呂巖和團(tuán)隊(duì)的多項(xiàng)科研成果和原型系統(tǒng)已轉(zhuǎn)化至 Windows、Office、Teams、Xbox等關(guān)鍵產(chǎn)品中。近年來(lái)，呂巖致力于推動(dòng)基于神經(jīng)網(wǎng)絡(luò)的端到端多媒體處理與通信框架和多模態(tài)智能交互系統(tǒng)的研究突破。呂巖在多媒體領(lǐng)域發(fā)表學(xué)術(shù)論文 100 余篇，獲得美國(guó)專(zhuān)利授權(quán) 30 余項(xiàng)，有多項(xiàng)技術(shù)被 MPEG-4、H.264、H.265 和 AOM AV-1 等國(guó)際標(biāo)準(zhǔn)和工業(yè)標(biāo)準(zhǔn)所采用，曾獲國(guó)家技術(shù)發(fā)明二等獎(jiǎng)。