通用多模态人工智能:架构、挑战和机遇综述

通用多模态人工智能:架构、挑战和机遇综述

AIGC动态欢迎阅读

原标题:通用多模态人工智能:架构、挑战和机遇综述
关键字:模型,报告,文本,图像,分类法
文章来源:人工智能学家
内容字数:0字

内容摘要:


来源:专知
多模态模型被认为是未来人工智能进步的关键组成部分。由于基础模型在自然语言处理 (NLP) 和视觉领域的成功,这一领域正迅速发展,并涌现出大量新的设计元素。人们普遍希望将基础模型进一步扩展到多种模态(如文本、图像、视频、传感器、时间序列、图等),最终形成通用的多模态模型,即在不同数据模态和任务之间通用的单一模型。
然而,关于最近的多模态模型(尤其是那些超越文本和视觉的模型)的系统性分析研究较少,特别是对于所提出的底层架构。因此,本研究通过一种新颖的架构和训练配置特定的分类法,提供了关于通用多模态模型(GMMs)的新视角。这包括统一性、模块化和适应性等对GMMs广泛采用和应用至关重要的因素。本文综述进一步强调了该领域的关键挑战和前景,并指导研究人员了解新的进展。
引言
多模态模型是能够跨越多种数据模态进行学习的深度学习模型。有人推测,这类模型可能是实现人工通用智能(AGI)所必需的一步,因此,机器学习社区对它们的兴趣正在迅速增加。多模态学习的最终目标是开发一个可以执行(或轻松适应执行)各种多模态任务的单一模型。一个简单的多模态例子是一个视觉语言模型,它可以执行单模态任务(如文本


原文链接:通用多模态人工智能:架构、挑战和机遇综述

联系作者

文章来源:人工智能学家
作者微信:AItists
作者简介:致力成为权威的人工智能科技媒体和前沿科技研究机构

阅读原文
© 版权声明

相关文章

暂无评论

暂无评论...