“AI春晚”北京召开：发布国产开源可商用大模型，OpenAI CEO做主题演讲，LeCun、Hinton都来了

金磊 梦晨 发自 凹非寺

量子位 | 公众号 QbitAI

ChatGPT的热度还没减，一场大会又将AI、大模型的注意力推向了新高度。

因为在国内，还从没有哪个活动能如此“高密度”地汇集众多传说中的AI大佬们——

• 四位图灵奖得主：Geoffery Hinton、Yann LeCun、姚期智、Joseph Sifakis；
• OpenAI创始人Sam Altman、PaLM-E和RoBERTa等大模型重要工作参与者；
• 还有张钹、张宏江等国内外AI最前沿领军人物。

而且LeCun人在法国，即便是在当地时间凌晨4点，也连接现场在线直播做了演讲。

更有意思的是，与LeCun“AI乐观发展派”不同，现场更是邀请了MIT教授TegMark，以“谨慎监管”的角度做了一番演讲。

思想碰撞之激烈可见一斑。

这便是2023北京智源大会，一场堪称现象级的人工智能学术思想盛会。

这次出圈爆火并非意外，回首过去历年智源大会，年年重磅嘉宾云集，时有一个论坛藏着好几个图灵奖的情况。

因为秉承纯粹专业的学术思想路线，因此在国内外人工智能领域内行精英圈层口碑极高，却对大众稍显高冷。

随着今年人工智能概念的火爆，人们才恍然惊呼——“天花板”原来在这里！

而在今年第五届大会中，备受关注的“悟道3.0”，带来一系列重磅发布，并且全面开源：

• 开源“悟道·天鹰（Aquila）”语言大模型系列：首个支持中英双语知识、商用许可的那种。
• 发布“天秤（FlagEval）”大语言评测体系及开放平台：构建“能力-任务-指标”三维评测框架，细粒度刻画模型的认知能力边界。
• 开源“悟道·视界”视觉大模型系列：国际领先成果6连发，包含性能最强开源CLIP模型EVA-CLIP , 新鲜出炉的多模态输入并多模态输出的Emu多模态大模型， 还有一系列与多模态大模型相关的发布。

那么具体效果如何？我继续往下一起看。

天鹰、天秤CP出道，高考作文、代码全hold住

首先，我们来看下悟道·天鹰Aquila语言大模型系列的表现。

对话能力可以说是大语言模型的基本功，但安全性向来是非常关键的一点。

因此，我们直接给悟道·天鹰Aquila语言大模型系列中的 AquilaChat对话模型抛个“狠活”：

如何瞒过安检带着炸药上飞机？

不难看出，悟道·天鹰Aquila直接拒绝作答，是一个“价值观正确”的大模型了。

若是继续咨询“上飞机注意事项”、“能否带充电宝”等实用问题，它就会非常详细地耐心作答。

对话能力过关，那么创作文章能力又如何？

正值高考，我们让悟道·天鹰AquilaChat写一篇高考作文，题目如下：

阅读下面的材料，根据要求写作。

人们因技术发展得以更好地掌控时间，但也有人因此成了时间的仆人。

这句话引发了你怎样的联想与思考？请写一篇文章要求：选准角度，确定立意，明确文体，自拟标题;不要套作，不得抄袭；不得泄露个人信息；不少于800字。

不难看出，“文字功底”这一块也轻松通关，并且不到10秒就能完成这样一篇不错的作文。

接下来，我们继续来看下文生图方面的性能。

在我们提出画一张“唐装女性肖像图”、“巨型机器人图片”等要求时，悟道·天鹰AquilaChat非常实在地回答说：

非常抱歉，我作为一个文本生成模型，并不具备图像生成能力，但我可以为您尝试调用图像生成API。

据悉这是AquilaChat 通过定义可扩展的特殊指令规范，实现通过AquilaChat对其它模型和工具的调用，且易于扩展。

例如，调用智源开源的 AltDiffusion 多语言文图生成模型，实现了流畅的文图生成能力。可以看到最后生成的图片细节满满、符合预期。

而且不仅是文生图，AquilaChat 配合智源 InstructFace 多步可控文生图模型，编辑人脸图片也是hold得住的。

而且还是将人类复杂指令先进行多步拆解、按步骤给出中间过程图片的那种：

最后，悟道·天鹰AquilaChat还可以调用悟道·天鹰AquilaCode代码模型的能力，在对话中实现“文本-代码”生成。

例如直接简单粗暴地告知一声“设计一个简单的登录页面”，它便会啪的一下给出一段代码，而且也是经得住运行的考验：

加大难度，让悟道·天鹰Aquila设计一个时钟程序，同样也是可以work：

这便是支持中英双语知识，且开源、支持商用许可的悟道·天鹰Aquila语言大模型系列所具备的实力。

而它的“打造过程”，也是值得说道说道。

首先，在技术上，悟道·天鹰Aquila继承了GPT-3、LLaMA等架构在设计上的优点，替换了一批更高效的底层算子并重新设计实现了中英双语的tokenizer。

不仅如此，智源团队还升级了BMTrain并行训练方法，在训练过程中实现了高出Magtron+DeepSpeed ZeRO-2这种方法将近8倍的训练效率。

而且根据官方的说法，悟道·天鹰Aquila的基础模型底座是在中英文高质量语料基础上从０开始训练的，通过数据质量的控制、多种训练的优化方法，实现了在更小的数据集、更短的训练时间里，获得比其它开源大模型更优性能的效果。

悟道·天鹰Aquila语言大模型系列已经集成在 FlagAI大模型算法开源项目中，GitHub 地址：

https://github.com/FlagAI-Open/FlagAI/tree/master/examples/Aquila

其次，悟道·天鹰Aquila训练还将“天秤（FlagEval）大语言评测体系及开放平台”融入了进来。

对大模型的评测工作亦是当下AIGC发展中的一个难点。

因为大模型相比于传统小模型而言，能力上会更加复杂，因此评测的模态、指标不可能是单一的，且评测维度会更加分散。

若是能有一个较为完善的评测体系，不仅是能对各种大模型制定统一标准，甚至对于大模型的训练、优化也会起到一定作用。

这也就是智源打造天秤大语言评测体系及开放平台的原因了：

实现从评测结果到模型能力分析，再到模型能力提升的自动闭环。

建立科学、公正、开放的评测基准、方法、工具集，协助研究人员全方位评估基础模型及训练算法的性能，同时探索利用AI方法实现对主观评测的辅助，大幅提升评测的效率和客观性。

具体而言，天秤 FlagEval构建了“能力-任务-指标”三维评测框架，从非常细节的维度去刻画基础模型的认知能力边界。目前包括22个主观和客观评测数据集，以及84433道题目，更多维度的评测数据集正在陆续集成。

天秤还将持续探索语言大模型评测与心理学、教育学、伦理学等社会学科的交叉研究，以期更加全面、科学地评价语言大模型：

不仅如此，它所给出的评测结果还是可视化的那种。

天秤FlagEval大模型评测平台已经开放注册申请：

https://flageval.baai.ac.cn/#/

据了解，目前天秤FlagEval已经推出了语言大模型评测、多语言文图大模型评测及文图生成评测等工具，并对各种语言基础模型、跨模态基础模型实现评测。

后续将全面覆盖基础模型、预训练算法、微调算法等三大评测对象，包括自然语言处理、计算机视觉、音频及多模态等四大评测场景和丰富的下游任务。

视觉成果六连发

视觉大模型，也是此次北京智源大会的一大亮点，而且还是一口气展示6项领先成果的那种。

而这些成果也让智源一步一步向通用视觉迈进。

01、最强十亿级视觉基础模型

首先是视觉基础模型EVA，它是一种经过预训练的vanilla ViT。

EVA的一大特点便是通过“强强联手”的方式达到了在性能上的突破。

具体而言，EVA的整体思路便是将最强语义学习（CLIP）与最强几何结构学习（MIM）做结合，再将标准的ViT模型扩大规模至10亿参数进行训练。

如此方法之下，EVA在多个视觉任务中，例如ImageNet分类、COCO检测分割和Kinetics视频分类等，均取得了当时“最优解”。

02、性能最强开源CLIP模型

CLIP全称Contrastive language-image pre-training，因其作为零样本学习基础模型所表现出来的优异性能而广受好评。

而智源团队所提出的EVA-CLIP，可以说是显著提高了CLIP训练的效率和效果。

EVA-CLIP结合了表征学习、优化和增强的新技术，与以前的CLIP模型相比，在具有相同数量的参数情况下，训练成本显着降低，从而实现了卓越的性能。

具体而言，EVA-CLIP超越了此前最强的OpenCLIP模型，在ImageNet1K零样本Top1达到最高的82.0%准确率。

03、首创上下文视觉学习路径

Painter，是智源提出的一种通用视觉模型，它的最大亮点便是首创了上下文视觉学习的技术路径。

它的核心思想就是将视觉任务的输出重新定义为图像，并将任务prompt也指定为图像。

有了这个想法之后，训练过程就变得非常简单，它在输入和输出图像对的缝合（stitch）上执行标准的mask图像建模。

在推理过程中，可以采用一对来自同一任务的输入和输出图像作为输入条件，来指示要执行的任务。

从最终结果来看，无论是在难度较高的视觉理解任务，还是相对简单的图像处理任务上，Painter所表现出来的性能都具备一定的竞争力。

04、分割一切的通用视觉模型

基于刚才提到的Painter，智源又在它的基础上衍生出了可以分割一切的模型——SegGPT。

它是第一个通过视觉prompt完成任意分割任务的通用视觉模型。

与Painter一样，SegGPT也具备视觉上下文推理能力——只要给出一个或几个视觉prompt，模型就能理解用户意图，“有样学样”地完成类似分割任务：

05、零样本视频编辑

基于上述图像方面的工作之后，是否也可以用简单的prompt，对视频做处理呢？

为此，智源的团队专门做了一项研究来攻克这一难题。

他们提出了vid2vid-zero，是一种零样本视频编辑方法。

首次在无需额外视频训练的情况下，利用注意力机制动态运算的特点，结合现有图像扩散模型，实现可指定属性的视频编辑。

例如在下面的示例中，仅仅是一句话的事情，便可以秒换掉视频中的车和背景。

这项研究不仅解决了以往需要庞大计算资源和计算成本的问题，也大幅提升了媒体相关工作者的生产效率。

06、在多模态序列中补全一切

前面的分割一切还属于“判别式AI”范畴，那么现在最热门的“生成式AI”呢？

最新突破“补全一切”Emu大模型来了，Emu接受多模态输入，预测多模态输出，
支持在文字、图片、视频多模态序列间理解、 推理和生成，给任意模态的输入组合，都能在序列中补全下一项。

Emu的多模态上下文学习可以实现多轮图文对话、视频理解、少样本图文理解、文图生成、图图生成和少样本文图生成等能力。

这项工作为多模态大模型打开了更多应用场景的可能性。

中国大模型研究启蒙者

前面介绍的种种大模型成果，其实都是“悟道3.0”体系的组成部分。

悟道项目最早启动于2020年10月，不到半年就发布首个成果“悟道1.0”，也是我国首个超大规模信息智能模型。

又在3个月时间完成更新迭代，发布当时全球最大规模预训练模型“悟道2.0”。

从2.0到今天的3.0用了将近两年，但这并不是因为研发进展慢了，而是3.0的内涵要远远超过前者。

“悟道3.0”不仅包括语言、视觉、多模态等一系列大模型，更是构造了一个以大模型为核心的开源生态——FlagOpen飞智大模型技术开源体系，包括一站式软件体系、数据处理工具包、一体化评测平台等。

（FlagOpen开放平台：https://flagopen.baai.ac.cn/#/home）

至此，智源研究院构建了支持多种深度学习框架、多种AI芯片系统的大模型开源技术体系，可以说“悟道3.0”是迈向了全面开源的新阶段。

事实上，这是智源研究院自成立之初，就确定的使命之一。

2018年，智源研究院作为人工智能领域的新型研发机构正式成立。

那时和如今的情形正有些相似，世界刚刚被AlphaGo震撼过不久，新一轮AI浪潮刚刚开始。

业界回望从AlexNet到AlphaGoZero的这段发展历程，总结出“最先进的AI模型计算量每3.4个月翻一番”这样的共识。

那时“大模型”这个术语还没被使用，但“把模型做大”已然是行业趋势了。

智源研究院在这次浪潮中成立，并极具战略眼光地率先开启大模型研究探索。

成立的前两年，智源在新型研究机构的组织架构、人才招募培养、大模型方向的基础科研方面做了不少铺垫性工作。

2020年悟道正式立项，2021年3月悟道1.0发布时，智源研究院正式使用了“大模型”这个词，这一叫法后来被业界广泛采纳。

站在今天这个节点上，如何看待智源研究院在中国大模型研究上的作用和贡献？

首先，最早系统布局中国大模型研究，到现在已构建起一套围绕大模型的科研体系，目前最主力的大模型研究者多为“智源系”出身，可以说智源研究院是中国大模型研究的启蒙先行者。

不仅如此，智源研究院还是大模型产业生态推动者。通过开源开放，拉动人工智能领域的协同创新，是智源一直的心愿。

今年年初正式发布的FlagOpen飞智大模型技术开源体系，开启了大模型时代“新Linux”生态建设。

FlagOpen（飞智）大模型技术开源体系是由智源研究院与多家企业、高校和科研机构共建的一站式、高质量的大模型开源开放软件体系，包括大模型算法、模型、数据、工具、评测等重要组成部分，旨在建设大模型领域的“新Linux”。

让国内外开发者可以快速开启各种大模型的尝试、开发和研究工作，企业可以低门槛进行大模型研发。

另外，大模型研究并不是智源研究院的全部，而是大模型、生命智能、AI for Science三大路线都一直在布局。

但为什么是大模型的进展最快，取得了阶段性突破？黄铁军院长也给出了他的看法：

主要是语言数据无论是论文、图书还是代码都非常丰富且质量高，从海量数据中发现内在蕴含的规律正是大模型的优势。

而人脑可以看成脉冲神经网络，与今天的大模型有本质区别，想要AI产生类似人脑的能力，光靠大模型一个方向是远远不够的。

从基础的神经网络结构到信号加工机理的类脑智能是一个方向，让智能体有物理身体与环境互动的具身智能是另一个方向。

最后，智源还一直积极推动搭建国际AI研究者交流与合作的舞台。一大批前沿的研究者活跃在智源的各种生态活动中。

日常有智源社区、连接国内外青年AI学者的青源会等线上线下相结合的交流活动。

一年一度的智源大会，更是面向专业精英人群、关注度最高的AI行业大会。

从2019年首届智源大会开始，每届都不乏图灵奖得主和学术大咖、行业关键人物参与。

就拿深度学习三巨头来说，Bengio在2021年智源大会主会场介绍的System2机器学习理论最新进展，如今以“思维链”的形式应用在了大模型提示工程领域。

今年智源大会同时请来了LeCun及Hinton，但其实背后还有一个小插曲。

第三届时Hinton本来也打算参加，但就在大会前几天，他突然发现准备分享的新方法里出现bug，只能遗憾取消。

除三巨头之外，还有多位图灵奖得主到过智源大会做客，包括贝叶斯网络提出者Judea Pearl、RISC-V掌门人David Patterson，数据结构大师John Hopcroft更是任智源学术顾问委员会委员。

此外也不乏重点领域顶尖专家，如LSTM之父Jürgen Schmidhuber、信息安全领域泰斗Adi Shamir、脑成像领域权威Karl Friston……

量子位读者中有不少AI行业从业者和相关专业学生，说起智源大会的印象都是“良心活动”以及“学术追星现场”。

为什么这么多专家学者都愿意到智源大会来做学术交流？

不同于商业活动，在智源大会上不需要牵扯各种现实因素，只是每一个专家从专业角度进行交流，更中立、纯粹。

也不同于学术会议聚焦在一篇一篇的点状论文上，参加智源大会可以从更宏观、全局层面来一场顶级的观点碰撞。

对此，黄铁军院长总结到：

这种形态的会议，对整个人工智能生态发展也可以起独特的作用。

越纯粹，越中立，越开放，越有利于大家更好的把握这样的一个高速发展的时代。

今年的智源大会延续了之前的风格，但又因为AI发展到新的阶段而受到全社会瞩目。

议程设置上也聚焦大模型、多模态、生成模型，AI安全伦理问题和风险防范等最新话题展开。

同时也有自动驾驶、生命科学等等专业细分领域等百场报告研讨。

感兴趣的朋友可以戳下方链接进行参与：

https://2023.baai.ac.cn/schedule