AI早報 | 文字、圖像、影音、3D互相生成是什麼體驗？

當地時間5月9日，Meta宣布開源了一種可以將可以橫跨6種不同模態的全新AI模型ImageBind，包括視覺（圖像和視頻形式）、溫度（紅外線圖像）、文字、音頻、深度資訊、運動讀數（由慣性測量單元或IMU產生）。目前，相關原始碼已託管至GitHub。

何為橫跨6種模態？

ImageBind以視覺為核心，能夠在6個模態之間自由理解和轉換。 Meta展示了一些案例，如聽到狗叫畫出一隻狗，同時給出對應的深度圖和文字描述；如輸入鳥的圖像 海浪的聲音，得到鳥在海邊的圖像。

相比Midjourney、Stable Diffusion 和DALL-E 2 這樣將文字與圖像配對的圖像生成器，ImageBind 更像是廣撒網，可以連接文字、圖像/視訊、音訊、3D 測量（深度）、溫度資料（熱）和運動資料（來自IMU），而且它無需先針對每一種可能性進行訓練，直接預測資料之間的聯繫，類似於人類感知或想像環境的方式。

研究者表示 ImageBind 可以使用大規模視覺語言模型（如 CLIP）進行初始化，從而利用這些模型的豐富圖像和文字表示。因此，ImageBind 可以透過很少的訓練就適用於不同的模態和任務。

ImageBind 是 Meta 致力於創建多模態 AI 系統的一部分，從而實現從所有相關類型資料中學習。隨著模態數量的增加，ImageBind 為研究人員打開了嘗試開發全新整體性系統的閘門，例如結合 3D 和 IMU 感測器來設計或體驗身臨其境的虛擬世界。此外它還可以提供一種探索記憶的豐富方式，即組合使用文字、視訊和圖像來搜尋圖像、視訊、音訊檔案或文字資訊。

該模型目前只是一個研究項目，沒有直接的消費者和實際應用，但是它展現了生成式AI 在未來能夠生成沉浸式、多感官內容的方式，也表明了Meta正在以與OpenAI、Google 等競爭對手不同的方式，趟出一條屬於開源大模型的路。

最終，Meta 認為ImageBind 這項技術最終會超越目前的六種“感官”，其在博客上說道，“雖然我們在當前的研究中探索了六種模式，但我們相信引入連接盡可能多的感官的新模式——如觸覺、語音、嗅覺和大腦fMRI 信號——將使更豐富的以人為中心的人工智慧模型成為可能。」

ImageBind的用途

如果說 ChatGPT 可以充當搜尋引擎、問答社區，Midjourney 可以被用來當畫畫工具，那麼用 ImageBind 可以做什麼？

根據官方發布的 Demo 顯示，它可以直接用圖片產生音訊：

也可以音訊產生圖片：

亦或直接給一個文本，就可以檢索相關的圖片或音頻內容：

也可以給出音頻，產生相應的圖像：

如上文所述， ImageBind 給出了未來生成式 AI 系統可以以多模態呈現的方式，同時，結合 Meta 內部的虛擬實境、混合實境和元宇宙等技術和場景結合。用 ImageBind 這樣的工具會在無障礙空間打開新的大門，譬如，產生即時多媒體描述來幫助有視力或聽力障礙的人更好地感知他們的直接環境。

關於多模態學習還有很多待發掘的內容。目前，人工智慧領域還沒有有效地量化那些只出現在較大模型中的擴展行為並且理解其應用。 ImageBind是朝著以嚴格的方式評估影像生成和檢索新應用並展示的方向邁進的一步。

作者：Ballad

來源：第一個電動網（www.d1ev.com）

以上是AI早報 | 文字、圖像、影音、3D互相生成是什麼體驗？的詳細內容。更多資訊請關注PHP中文網其他相關文章！