視覺模型底座超越OpenAI，格靈深瞳開啟多模態(tài)落地的Scaling Law

夢晨 2024-09-09 13:04:24 來源：量子位

夢晨 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

大模型時代，有個大家普遍焦慮的問題：如何落地?往哪落地?

聚光燈下最耀眼的OpenAI，最近也先被曝出資金告急，后又尋求新一輪10億美元新融資。

但在中國，有這么一家公司：

它的多模態(tài)大模型不僅在多個權(quán)威數(shù)據(jù)集上的表現(xiàn)超過了OpenAI，更是用一個個落地案例告訴大家，大模型并不僅僅包括大語言模型，視覺大模型和多模態(tài)大模型在產(chǎn)業(yè)界有更大的想象空間。

這家公司就是格靈深瞳，它曾因“A股AI視覺第一股”的標簽為人熟知，如今以新姿態(tài)再次刷新外界認知：大模型落地先行者。

• 銀行安防領(lǐng)域，AI算法規(guī)模化應(yīng)用，落地10000+銀行網(wǎng)點
• 城市管理領(lǐng)域，交通治理業(yè)務(wù)在10余個省市開展試點及落地應(yīng)用
• 商業(yè)零售領(lǐng)域，智慧案場解決方案落地全國20余省市近1000個項目
• 體育教育領(lǐng)域，相關(guān)產(chǎn)品方案已在全國多個校園試點應(yīng)用，為100000+名在校師生提供日常教學支持與考試服務(wù)

……

取得這樣的成績背后，離不開格靈深瞳在大模型技術(shù)層面取得的進展：

• 自研視覺大模型Unicom v2，在多業(yè)務(wù)數(shù)據(jù)集上平均優(yōu)于OpenAI的CLIP、Meta的DINOv2和蘋果的DFN
• 基于Unicom的深瞳靈感-7B多模態(tài)大模型在業(yè)界同等規(guī)模的VLM模型中居領(lǐng)先地位，優(yōu)于業(yè)界普遍使用的OpenAI CLIP和谷歌 SigLIP

其中，Unicom v2相關(guān)論文還入選AI頂會ECCV 2024。

雖然現(xiàn)在不加限定的使用“大模型”一詞，默認就是指“大型語言模型”，Large Language Model。

但從格靈深瞳的故事中可以看到，視覺大模型、多模態(tài)大模型在原本視覺AI的存量市場依然大有可為，而且壁壘依然深厚。

多模態(tài)給傳統(tǒng)視覺AI帶來什么改變？

早在2022年，格靈深瞳就開始自研視覺大模型，但當時想要推進落地，還是遇到了瓶頸：

今天已為人熟知的大模型、Transformer、Scaling Law等等，當時還未成為行業(yè)共識。彼時的主流是不斷優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)，把模型做小、最好能直接在邊緣設(shè)備運行。

總而言之，當時很難說服客戶接受大模型這一前沿但成本高昂的技術(shù)。

然而ChatGPT橫空出世，徹底改變了這一切。

一方面，它以直觀的人機對話方式向公眾展示了算力與效果的正相關(guān)，人們終于意識到“大量投入算力，才能獲得理想中的效果”。

另一方面，硬件也開始主動適配Transformer算法，比如英偉達在Hopper架構(gòu)GPU中首次引入專用Transformer引擎。

從某種意義上說，ChatGPT是替所有AI公司做好了教育市場的工作。

視覺AI在這一階段經(jīng)歷了與語言模型類似的，從“模塊化”到“一體化”的范式轉(zhuǎn)變。

傳統(tǒng)的檢測、分割、分類等任務(wù)需要針對性設(shè)計復(fù)雜的特征工程和網(wǎng)絡(luò)結(jié)構(gòu)，而視覺大模型則以統(tǒng)一的Transformer骨干直接學習圖像到特征再到應(yīng)用輸出的端到端映射。

格靈深瞳自研視覺大模型Unicom系列就是這一轉(zhuǎn)變的成果，通過做大數(shù)據(jù)的規(guī)模、做大計算的規(guī)模來做強通用能力，讓模型以統(tǒng)一的方式對世界進行“理解”和“泛化”。

如果說視覺大模型是讓AI“看到了世界”，再結(jié)合語言模型則是讓AI升級為“看懂了世界”，大大拓寬了應(yīng)用邊界。

以格靈深瞳多年深耕的銀行安防行業(yè)為例，如何讓AI判斷攝像頭畫面中是否有人在打架？

這涉及動作識別、對視角遮擋的推斷等等多項難點，在AI 1.0時代需要復(fù)雜的規(guī)則和閾值設(shè)計，再加上難以采集的數(shù)據(jù)樣本，工程量巨大且效果有限。

而加入語言模型后，只需把視頻幀連續(xù)輸入并描述場景，模型就能從語義層面判斷這是否屬于打斗行為。

“面對各種長尾、復(fù)雜場景，多模態(tài)的優(yōu)勢就體現(xiàn)出來了。”格靈深瞳工程研發(fā)副總裁周瑞認為，“它讓以前難以想象的應(yīng)用變成了可能。”

同樣，在工業(yè)質(zhì)檢領(lǐng)域，以前要針對每種缺陷去采集標注數(shù)據(jù)，代價高昂且泛化性差，更何況一些稀有缺陷數(shù)據(jù)總量根本就不夠。

而通用視覺大模型具備少樣本學習、跨場景泛化的能力，再結(jié)合上語言模型的多模態(tài)生成范式，現(xiàn)在AI只要智能識別到缺陷，同時就能給出文字描述，供現(xiàn)場工作人員參考。

除了在單項任務(wù)中，多模態(tài)大模型的推理和生成能力，還可以在整個系統(tǒng)中承擔任務(wù)分配的“路由”作用。

例如格靈深瞳覆蓋某銀行10000+網(wǎng)點的解決方案，形成總-分-支三層架構(gòu)：總行利用大模型訓練通用模型，分發(fā)至各地分行。各省分行結(jié)合自身業(yè)務(wù)特點，定期微調(diào)優(yōu)化模型。支行則直接應(yīng)用本地分行下發(fā)的模型調(diào)用服務(wù)。

在視頻結(jié)構(gòu)化方面，邊緣端負責提取人、車、物等目標的實時信息并上傳。若無法判別的復(fù)雜場景，則發(fā)送至中心端請求二次識別。云端利用多模態(tài)大模型，從語義層面對場景內(nèi)容做更全面的理解。

此外，基于多模態(tài)大模型強大的數(shù)據(jù)匯聚與語義理解能力，該行還打通了原本割裂的各類監(jiān)控數(shù)據(jù)。目前正著手建設(shè)一套覆蓋全行的“AI中臺”，可靈活調(diào)度跨網(wǎng)點、跨系統(tǒng)的數(shù)據(jù)和算力，快速響應(yīng)總分支的各種臨時需求。

這套架構(gòu)能隨時利用零散的多模態(tài)數(shù)據(jù)對大模型做增量學習提升，讓整個銀行集團的AI平臺像一個不斷進化的“中央大腦”。

弱監(jiān)督學習開啟視覺的Scaling Law

格靈深瞳視覺大模型的進化之路，開始于做自研的視覺基座模型Unicom。

最初的v1版本參考人臉識別的特征學習方式，把網(wǎng)絡(luò)直接改成了ViT結(jié)構(gòu)，數(shù)據(jù)也從人臉擴展到4億通用圖像，精度就超過了當時最好的對比學習模型。

但圖像數(shù)據(jù)不像文本，天然就有高密度的語義信息，無需標注就能通過“預(yù)測下一個token”任務(wù)進行無監(jiān)督學習。

如何擴大視覺大模型數(shù)據(jù)規(guī)模，無需標注也能利用好更多圖像數(shù)據(jù)呢？

格靈深瞳團隊逐漸探索出一種新穎的弱監(jiān)督方式：先用一個特征聚類模型，把相似圖片自動歸類到一起，視為同一類別。然后基于聚類結(jié)果，為每張圖像分配一個“軟標簽”，作為訓練目標。

這種做法為無標簽數(shù)據(jù)注入了豐富的語義信息。

具體來說，格靈深瞳開發(fā)了多標簽聚類辨別?（MLCD）方法，在聚類步驟中為每個圖像選擇多個最近的聚類中心作為輔助類標簽，以考慮圖像中不同粒度的視覺信號。

與此配合，他們還設(shè)計了一種消除多標簽分類歧義的損失函數(shù)。

不同于常規(guī)的多標簽損失函數(shù)通過縮小類內(nèi)相似度和類間相似度的相對差距來優(yōu)化，本文引入了另外兩個優(yōu)化目標：最小化類間相似度和最大化類內(nèi)相似度，從而可以優(yōu)雅地分離正類損失和負類損失，減輕決策邊界上的歧義。

團隊在更大規(guī)模的模型和數(shù)據(jù)集上進行了實驗驗證，進一步證明了所提出方法的有效性和可擴展性。

Unicom v2正是基于這一思路，將數(shù)據(jù)規(guī)模、參數(shù)規(guī)模再次擴大，精度再創(chuàng)新高，成功刷新多項記錄。

有了Unicom強大的通用視覺理解能力，再結(jié)合上語言模型，就組成了深瞳靈感-7B多模態(tài)大模型。

該模型不僅在傳統(tǒng)的單圖問答上表現(xiàn)優(yōu)異，在多圖推理、圖文增量學習等前沿任務(wù)上也展現(xiàn)出了巨大潛力。

正如格靈深瞳在22年就開始探索ViT架構(gòu)的視覺大模型落地，現(xiàn)在研究團隊也在思考什么是能超越Transformer的下一代架構(gòu)。

最近，他們嘗試用RWKV（Receptance Weighted Key Value）這一基于RNN的序列建模方法替代主流的ViT架構(gòu)，訓練出了視覺語言模型RWKV-CLIP。

RWKV能在線性時間內(nèi)處理任意長度序列，大幅降低推理時的計算復(fù)雜度，有望釋放多模態(tài)AI能力在更多邊緣、終端設(shè)備上。

值得一提的是，格靈深瞳還將RWKV-CLIP代碼和模型權(quán)重開源到GitHub，供業(yè)界一起探討，共同進步。

視覺AI公司做多模態(tài)，是一種不同的打法

放眼當下，不乏大模型公司試水多模態(tài)應(yīng)用。

但多是簡單的技術(shù)Demo、帶上傳圖片的聊天機器人、個人AI助手等輕量級形態(tài)切入，真正深入產(chǎn)業(yè)的尚不多見。

歸根到底，把AI算法與特定行業(yè)場景深度融合的經(jīng)驗，是難以在短期內(nèi)獲得的。

讓多模態(tài)大模型技術(shù)在更多地方發(fā)揮價值，還需要有視覺AI基因、掌握行業(yè)場景的公司。

拿著大模型到處找落地場景，和在已深耕多年的場景用大模型做升級改造，是兩種完全不同的打法。

縱觀歷史，互聯(lián)網(wǎng)作為現(xiàn)代社會的一種基礎(chǔ)設(shè)施，幾十年來積累的大量文本數(shù)據(jù)，最終成就了大語言模型公司。

接下來，視覺AI時代建設(shè)的大量攝像頭、積累的圖像視頻數(shù)據(jù)也會成就一批多模態(tài)大模型公司。

至于為什么是語言模型先一步完成蛻變，格靈深瞳認為是圖像數(shù)據(jù)中的分布更不均勻，比如很容易獲得一家上市公司的財報文檔，但很難通過開放數(shù)據(jù)來獲取一家公司大量的圖像。

到了專業(yè)細分場景，如醫(yī)療影像、工業(yè)缺陷，可獲取的訓練數(shù)據(jù)體量更是遠不及互聯(lián)網(wǎng)語料。

但換個角度從應(yīng)用價值來看，視覺數(shù)據(jù)直接反映現(xiàn)實世界，與城市治理、工業(yè)生產(chǎn)、商業(yè)運營等領(lǐng)域的痛點訴求高度契合。

從圖像數(shù)據(jù)中提取出價值更難，也更值得做。

格靈深瞳正是這樣一家將技術(shù)創(chuàng)新與行業(yè)理解相結(jié)合的先行者。十多年來，公司始終堅持在智慧金融、城市治理等領(lǐng)域精耕細作，打磨出一整套面向行業(yè)的數(shù)字化解決方案。

這些方案不僅考慮了算法本身的創(chuàng)新，更融入了大量行業(yè)知識和實踐經(jīng)驗，形成獨特的競爭壁壘。

這種積淀，讓格靈深瞳在多模態(tài)大模型應(yīng)用落地中先人一步：既能洞悉行業(yè)痛點，設(shè)計好落地路徑，又能調(diào)動資源快速迭代。大到頂層的商業(yè)模式設(shè)計，小到一線的模型適配、部署，公司上下形成了一套成熟的方法論。

大模型帶來的是一個構(gòu)建行業(yè)AI應(yīng)用的全新技術(shù)范式。多模態(tài)感知、跨域推理、小樣本學習等能力的提升，從根本上拓展了AI的想象空間。

但歸根結(jié)底，技術(shù)只是實現(xiàn)愿景的工具，行業(yè)才是應(yīng)用的土壤。惟有深耕行業(yè)，AI才能開花結(jié)果。