2003年，身在加拿大的科学家约书亚·本吉奥(Yoshua Bengio)提出了一种新的算法理念，他将这称之为神经网络语言模型——Nerual Network Language Models。整整十年后的2013年，Google提出了基于神经网络的语言模型Word2Vec，这也在随后作为很多自然语言处理领域的重要初始化输入，得到很大的应用。
又过了整整十年，预训练模型已经获得了快速发展，从而展现出了巨大的技术魅力。目前，人工智能正在从文本、语音、视觉等单模态智能，向着多种模态融合的通用人工智能方向发展。多模态统一建模，目的是增强模型的跨模态语义对齐能力，打通各个模态之间的关系，使得模型逐步标准化。
目前，技术的突出进展来自CLIP(匹配图像和文本)和BEiT-3(通用多模态基础模型)。基于多领域知识构建统一、跨场景、多任务的多模态基础模型，已成为人工智能重点方向。未来，大模型作为基础设施，将实现图像、文本、音频统一知识表示，并朝着能推理、能回答问题、能总结、做创作的认知智能方向演进。
趋势解读
基于深度学习的多模态预训练是认知智能快速发展的重要推动力。构建多场景、多任务的预训练大模型将加速模型标准化进程，为人工智能模型成为基础设施创造条件。深度学习模型的不断完善、互联网海量真实数据的积累和生成式预训练的广泛应用，使得人工智能模型在自然语言理解、语音处理、计算机视觉等领域的交叉应用取得显著进展。
2022年，技术上的突出进展来自于BEiT-3多模态基础模型，该模型在视觉-语言任务处理上具备出色表现，包括视觉问答、图片描述生成和跨模态检索等。BEiT-3通过统一的模型框架和骨干网络(backbone)建模，能够更加轻松地完成多模态编码和处理不同的下游任务。另一方面，CLIP(Contrastive Language-Image Pre-training)的广泛应用也促进了多模态模型的技术发展。CLIP作为基于对比学习的预训练模型，负责从文本特征映射到图像特征，能够指导GAN或扩散模型(diffusion model)生成图像。在文生图领域， Stable Diffusion也使用了CLIP，它能够通过文本提示调整模型，并借助扩散模型改善图像质量。
与此同时，开源极大促进了多模态的融合和预训练模型的发展。通过开源来降低模型使用门槛，将大模型从一种新兴的AI技术转变为稳健的基础设施，已成为许多大模型开发者的共识。
多模态预训练模型的发展将重塑人工智能商业模式，并为人们的生产生活方式带来积极影响。对个人而言，类似CLIP的多模态模型，将使更多非技术出身的人能够表达自己的创造力，无需再借助工具和编程专业能力。对企业来说，多模态预训练模型将成为企业生产效率提升的关键。商业模式上，具备大数据、算力资源和模型开发能力的科技企业，将会成为模型服务的提供方，帮助企业将基础模型的能力与生产流程融合起来，实现效率和成本最优。
认知智能的发展，不会局限在文本或图像等单一的模态上。未来，如何针对不同模态建立更高效的模型架构和统一的骨干网络，使得大模型能够广泛地支持各种下游任务将成为主要挑战。在此基础上，更多的挑战来自于挖掘不同模态(如图像-文本，文本-自然语言，视频-文本)数据间的相关信息，并巧妙设计预训练任务，让模型更好捕捉不同模态信息之间的关联。
语音、视觉和多模态预训练模型将加速人工智能向通用基础模型方向演进。在这个过程中，深度学习与强化学习相互促进发展，融合大量行业知识，模型将具备在不断变化的环境中快速适应的灵活性。建立统一的、跨场景、多任务的多模态基础模型会成为人工智能发展的主流趋势之一。随着技术的不断成熟，大模型在开发成本、易用性、开发周期、性能上会更具优势，给产品化和商业化带来更多可能性。
（达摩院）
