“未來技術”人工智能算力網絡面世：多模態的最佳“伴行者”？_風聞

文 | 曾響鈴

來源 | 科技向令説（xiangling0815）

用文字描述“一個女人打着紅色的雨傘在路上走”，系統呈現出一張唯美的街拍；

有一張飛機起飛的照片，想配上一段適合的聲音，上傳圖片後，一段發動機呼嘯聲的音頻播放出來；

把淅淅瀝瀝的下雨聲導入進去，江南水鄉老宅的氤氲雨景圖展現在了眼前……

這些，是已經實現了的多模態AI應用，橫貫文字、圖像、語音，在初級應用功能上就已經展現出相比單模態更智能、更自然、更多樣化的魅力，其前景被普遍關注，只不過很長一段時間以來，多模態的發展速度一直不算快。

現在，事情正在發生變化。

在華為全聯接2021期間，中國科學技術信息研究所、AITISA（新一代人工智能產業技術創新戰略聯盟）和鵬城實驗室聯合了發佈《人工智能計算中心發展白皮書2.0——從人工智能計算中心走向人工智能算力網絡》，其中明確提到了以“大算力+大數據”使能大模型（多模態多樣化的能力一般都由大模型才能更好的實現，或者説多模態的形式表現為大模型）。會上，中國科學院自動化研究所發佈了全球首個三模態大模型紫東.太初，這無疑讓多模態的發展進入了一個全新的落地階段。

多模態大模型，正在與人工智能算力網絡互相促進，成為彼此的最佳伴行者。

多重因素下，多模態大模型已成大勢所趨

隨着AI的技術和產業發展逐步走向深入，多模態大模型的趨勢十分明朗，這主要表現在三個方面：

首先，是AI自身的能力進化要求。

在單模態領域，例如歸屬NLP的跨語種翻譯這類應用，機器可以説早已超越人類，實現了重要的技術和產業價值，如果要進一步往前走，多模態自然而然就成為AI技術和產業突圍的新方向。與此同時，單模態本身也面臨“知識冰山”的瓶頸問題，進一步智能化也需要大模型來支撐，例如對“老王去吃食堂”的理解，單純的文字數據很難讓AI辨別“吃食堂”不是把食堂吃掉而是“到食堂吃飯”，但一張場景圖片或視頻就可以很容易解釋清楚並關聯起來。

然後，是“數據”供給的要求。

數據是AI發展的根本、是AI的“食物”，在全球範圍內，包括中國市場上，互聯網的出現幫助AI模型訓練的數據量越來越龐大，它們讓AI得到了快速的能量補充。

然而，目前互聯網音視頻數據高速增長，佔比超過80%，單一數據類型例如文本只佔不多的比例，這使得更豐富的語音、圖像、視頻等數據並未被充分利用與學習，以多模態的方式將更深度、更廣泛地挖掘這些數據的價值，反過來，大量的各種屬性的數據投餵也將推動AI擺脱單模態，朝着多模態大模型不斷前進。

最後，是產業需求的倒逼。

隨着AI逐步落地，產業需求也在往深處走，更多場景應用需要多模態大模型來支撐，例如，跨模態檢索、智能問答、文學藝術創作、視頻配音、視頻摘要等等。

可以説，越是在技術層面將圖像、文字、語音相互融合，一個應用在場景中表現的價值就越為明顯，也更能讓AI的場景應用真正告別常常被詬病的“雞肋”感。

算力、框架、技術積累三位一體，多模態大模型加速落地

為什麼紫東.太初這樣的多模態大模型得以實現，原因主要有三大方面，缺一不可：

1、人工智能算力網絡成為多模態、大模型的重要推進因素

多模態大模型的一個重要特徵，是訓練的參數規模呈現指數級的上升。

以往的單模態，單一類型的數據“餵養”幫助AI模型獲取知識、迭代能力，相對而言模型本身並不需要太多的參數，就如同小學生不斷學習加減乘除一樣只要理解基本的數學規則一樣。

而當不同模態加入後，一個可以識別圖像、文字、語音的通用算法，不僅需要理解單模態的各種數據，還需要理解不同數據之間極端複雜的聯繫，模型的參數發生膨脹，這就如同專業的大學理工科學習需要綜合各種學科知識進行復雜地算一樣。

這時候，很顯然，算力就成為最基本的支撐，只有超大規模的算力才能支撐大模型的訓練，才能讓多模態應用有更好的效果。

所以，在提供強大集羣化算力的各地人工智能計算中心基礎上，人工智能算力網絡的出現，進一步解決了多模態大模型的算力需求問題，成為重要的推進因素。

事實上，由於大模型的運算很多時候還有波峯波谷的問題（即計算時算力耗費巨大，而不計算時則算力閒置），而人工智能算力網絡又能在全國範圍內感知、分配、調度人工智能算力，根據各中心算力資源的情況和各地區的需求情況進行算力動態調配，雙方的供需關係除了“量”之外在“節奏”上也十分契合。

反過來看，多模態大模型的技術發展以及在產業中的應用，也將推動本身作為各地產業集羣推進力量的人工智能算力網絡更好地發展，“物盡其用”同時技術不斷進步，可見二者是相互促進的關係。

2、昇思MindSpore特性推動開發加速

由於模型參數十分龐大，光有算力支撐還不行，多模態大模型開發所依託的AI框架也需要有承載和利用算力、支持龐大參數的能力，而這方面，過去國內外已有的一些主流開發框架都只支持簡單的數據並行，滿足不了大模型的需要。

本次在華為全聯接2021上發佈的多模態大模型紫東.太初，就基於昇思框架訓練的，這是業界首個支持全自動並行的框架，全球首箇中文預訓練大模型鵬程.盤古就出自其手。

昇思框架與多模態大模型相契合的主要技術優勢在於，可以在訓練過程中自動將模型切分到不同的設備，並高效地利用龐大的計算設備集羣來完成並行訓練，相當於建立了一套行之有效的中樞指揮系統，將計算任務以同時進行的方式分配下去，再大的訓練任務也能有條不紊實現加速，而不是堵塞起來。

其實現過程，是通過多維度自動並行這一獨特能力來實現的——通過數據並行、模型並行、Pipeline並行、異構並行、重複計算、高效內存複用及拓撲感知調度，降低通信時間的佔用，實現整體迭代時間最小，簡單來説就是通過一系列技術創新來讓並行更有規模和效率，無需像其他AI框架一樣半自動甚至是手動來完成大模型的並行執行開發。

在最新的1.5版本更新中，昇思框架還增加了多種並行調優，支持在大集羣下高效訓練千億至萬億參數模型。

3、已有多模態大模型相關經驗基礎

多模態能力一定建立在單模態能力的基礎之上，這是毫無疑問的。此次紫東.太初的開發者即中國科學院自動化研究所，是昇騰AI的重要生態夥伴，在發佈紫東.太初之前，中科院自動化研究所就已經在圖像、語音、文本三個方面自研了業界領先的模型：

在此基礎上，中科院自動化研究所與昇騰AI攜手，還實現了一些“前期準備”能力的構建，包括圖文跨模態理解與生成性能、視頻理解與描述性能的全球領先，這些都成為紫東.太初的重要支撐：

最終可以看到，全球首個三模態大模型紫東.太初應運而生，讓多模態從常見的兩個模態一躍邁入了三模態時代，不僅可以實現跨模態理解（比如圖像識別、語音識別等任務），也能完成跨模態生成（比如從文本生成圖像、從圖像生成文本、語音生成圖像和視頻等任務）。

看起來，兩個模態與三個模態似乎只有數量的差別，但從技術上，其實現難度或與二維世界到三維世界的跨越類似，需要大量的技術積累與創新。而一旦三模態得以實現，相比較兩模態，AI的交互會變得更加自然，能夠離強人工智能更近一步。

結語

多模態大模型正在加速賦能產業，在開源開放的大前提下，昇騰AI加持的紫東.太初正在走入智能駕駛、工業質檢、影視創作、智慧醫療等應用場景，合作客户包括上汽集團、魏橋創業等知名企業，一幅多模態大模型賦能千行百業的圖景正在展開。

從多模態大模型的發展可以看出，未來，隨着人工智能算力網絡、昇思框架這樣的基礎軟硬件突破性項目的發展，中國的AI將實現從基礎技術到產業應用的全面領先，憑藉技術和模式創新擁有真正的競爭壁壘。

*本文圖片均來源於網絡

​