新智元報道(dào)

編輯：好(hǎo)困桃子

爲了測試，研發(fā)團隊的大哥都(dōu)爬樹上了！什麼(me)模型竟然隻需 10% 的訓練數據，性能(néng)就(jiù)能(néng)超越同行，還(hái)會(huì)免費開(kāi)源？

考驗你眼力的時(shí)候到了！

隻看一眼，看出什麼(me)了嘛？

一塊木地闆？

隻答對(duì)了一半，其實圖中還(hái)有一隻喵。

下一個問題，這(zhè)是什麼(me)品種(zhǒng)的貓？啊...這(zhè)...

承認吧，你是辨别不出來的，但是這(zhè)個 AI「一眼」就(jiù)搞定了。

而這(zhè)麼(me)厲害的 AI 還(hái)有個詩意的名字，叫(jiào)「書生」。

更厲害的是，基于「書生」的通用視覺開(kāi)源平台 OpenGVLab 將(jiāng)會(huì)在春節後(hòu)全部公開(kāi)！

通用？視覺？

近幾年，語言模型的發(fā)展可謂是相當迅猛，百花齊放。

小到 3.54 億參數的 BERT，大到 5300 億參數的威震天-圖靈，以及 1.6 萬億參數的混合模型 Switch Transformer，順便還(hái)有首次常識問答超越人類的 KEAR。

那麼(me)，視覺模型這(zhè)邊又如何呢？

目前的 CV 領域主要是圖像匹配文本 CLIP 和文本生成(chéng)圖像 DALL·E這(zhè)種(zhǒng)單一模型。

但是 NLP 方向(xiàng)的各種(zhǒng)成(chéng)績都(dōu)表明，發(fā)展預訓練大模型不僅僅能(néng)夠處理多種(zhǒng)複雜任務、适用多種(zhǒng)場景和模态，而且能(néng)夠增加模型的複用率，減少了模型定制化開(kāi)發(fā)的開(kāi)銷進(jìn)而也降低了成(chéng)本。

而且，通用模型也是通往通用人工智能(néng)的必經(jīng)之路。

和通用語言模型類似，通用視覺模型的出發(fā)點和訓練思路也需要事(shì)先通過(guò)收集海量的無監督數據。然後(hòu)通過(guò)自監督等方式來訓練，得到通用的預訓練模型。最後(hòu)根據具體的下遊任務再將(jiāng)通用預訓練模型遷移到具體任務上去解決具體問題。

不過(guò)，從任務角度看，通用視覺模型主要還(hái)是解決純視覺任務，也涉及一些視覺語言相關的多模态任務，而通用語言模型主要在解決語言相關的任務。而從模型訓練角度看，兩(liǎng)者的模型結構存在一些差異，具體訓練的監督形式也不一樣(yàng)。

但是想要實現模型的通用性，很難。

首當其沖的就(jiù)是，訓練數據不夠用。

訓練一個性能(néng)合格的深度學(xué)習模型，所需的數據采集量，少則十幾萬，多則千百萬張圖片，比如自動駕駛和人臉識别，對(duì)于數據的需求，達到十億級别，但性能(néng)仍未飽和。

在現實應用中，AI 需要大量業務數據和用戶互聯網行爲數據的融合，而企業可以應用的數據則非常有限。

數據都(dōu)采集不到，就(jiù)更不用提什麼(me)「高質量」了。

此外，模型對(duì)于數據的學(xué)習效率又低，無疑又是雪上加霜。

于是，N個任務就(jiù)需要開(kāi)發(fā)N個高度定制的模型同時(shí)，每個模型在訓練的時(shí)候又需構建标注數據集進(jìn)行專項訓練，并持續進(jìn)行權重和參數優化。

時(shí)間、人力以及資源的成(chéng)本直接拉滿。

即便如此，依然有人想要挑戰一番。

2021 年 11 月，上海人工智能(néng)實驗室聯合商湯科技 SenseTime、香港中文大學(xué)、上海交通大學(xué)共同發(fā)布了新一代通用視覺技術體系——「書生」（INTERN）。

論文地址：https://arxiv.org/abs/2111.08687

通才是如何練成(chéng)？

作爲通用視覺技術體系的「書生」有三個基礎設施模塊，分别爲：

• 通用視覺數據系統（GV-Dataset）

• 通用視覺網絡結構（GV-Architecture）

• 通用視覺評測基準（GV-Benchmark）

這(zhè)三個基礎模塊有什麼(me)作用？

它們就(jiù)像「百科全書」、「高樓基底」一樣(yàng)。「書生」通才的道(dào)路上學(xué)到的海量知識和建模、評測等基礎能(néng)力就(jiù)靠這(zhè)三個基礎模塊了。

具體點講，其中，在通用視覺數據系統中包含了大量的高質量數據集：

1. 超大量級精标注數據：除了整合現有開(kāi)源數據集，還(hái)進(jìn)行了大規模數據圖像标注任務，涵蓋了圖像分類，目标檢測以及圖像分割等任務，數據總量級達到 40M。

分類任務數據量級爲 71M，其中包含 9 個公開(kāi)數據集 28M，以及自标注數據 43M。目标檢測任務數據量級爲 4M，其中包含 3 個公開(kāi)數據集 3M，以及自标注數據 1M。

2. 超大标簽體系：總标簽量級達到 119K，幾乎覆蓋了所有現有開(kāi)源數據集，在此基礎上擴充了大量細粒度标簽。

極大地豐富了圖像任務的标簽，提供了更爲合理的組織方式，以及可擴展的标簽延伸策略。

3. 首次提出視界（realm）概念：結合「書生」标簽體系，可以極大提升預訓練模型的性能(néng)。

在通用視覺網絡結構中，MetaNet 是一種(zhǒng)自研的模型搜索網絡，它最大的變種(zhǒng)包含百億的參數量，是當今最大的視覺網絡之一。

這(zhè)個網絡結構結合了視覺卷積和前沿的視覺自關注機制，通過(guò)大規模強化學(xué)習網絡結構搜索算法，取得最佳算子組合，達到模型效率和效用的最大化。

在相同的資源限制的情況下，「書生」的視覺網絡獲得在不同視覺任務下更優異的精度。

在獲得超大規模的視覺神經(jīng)網絡以賦能(néng)計算機視覺社區的研究的同時(shí)，「書生」的網絡支持靈活地進(jìn)行不同規模的調整，以适應不同程度的工業化落地時(shí)的運算能(néng)力需求，賦能(néng)視覺算法的工業落地。

有了這(zhè)樣(yàng)的網絡結構之後(hòu)，就(jiù)可以對(duì)其進(jìn)行了從「基礎模型-專家-通才」模型的訓練策略，極大地增強這(zhè)種(zhǒng)網絡結構的泛化能(néng)力。

第三個便是視覺評測基準，它就(jiù)像是一個「擂台」，收集了 4 種(zhǒng)類型共 26 個下遊任務。

不僅包括常規分類任務還(hái)包括細粒度分類任務，還(hái)包括醫療圖像等特殊領域的分類任務、行人檢測等熱門檢測任務，擴展到分割與深度任務，可以很好(hǎo)地衡量模型的泛化能(néng)力。

這(zhè)一視覺評測基準還(hái)引入了百分比樣(yàng)本（percentage-shot）的設置。

亮點在于，下遊任務訓練數據被(bèi)壓縮的同時(shí)，還(hái)可以很好(hǎo)地保留原始數據集的長(cháng)尾分布等屬性。

「書生」除了這(zhè)三個基礎設施模塊之外，還(hái)有四個訓練階段模塊。

在「書生」（INTERN）的四個訓練階段中，前三個階段位于該技術鏈條的上遊，在模型的表征通用性上發(fā)力。

第一階段，「基礎能(néng)力」的培養需要經(jīng)過(guò)一個跨模态的預訓練過(guò)程，通過(guò)大量的圖像-文本對(duì)進(jìn)行通用模型的預訓練，讓其學(xué)到廣泛的基礎常識，爲後(hòu)續學(xué)習階段打好(hǎo)基礎；

第二階段，培養「專家能(néng)力」，即多個專家模型各自學(xué)習某一領域的專業知識，讓每一個專家模型高度掌握該領域技能(néng)，成(chéng)爲專家；

第三階段，培養「通用能(néng)力」，此時(shí)的通才模型繼承了大規模多模态的預訓練信息，也融合了多樣(yàng)的感知任務的信息，「書生」在各個技能(néng)領域都(dōu)展現優異水平，并具備快速學(xué)會(huì)新技能(néng)的能(néng)力。

通過(guò)前三個模塊階梯式的學(xué)習，「書生」具備了高度的通用性和良好(hǎo)的泛化能(néng)力。

當進(jìn)化到位于下遊的第四階段時(shí)，系統將(jiāng)具備「遷移能(néng)力」，此時(shí)「書生」學(xué)到的通用知識可以應用在某一個特定領域的不同任務中。

從實驗結果來看，相較于當前最強 CV 模型 CLIP，「書生」在準确率和數據使用效率上均取得了大幅提升。

具體來講，在分類識别、目标檢測、語義分割及深度估計四大任務 26 個數據集上，「書生」的平均錯誤率分别降低了 40.2%、47.3%、34.8% 和 9.4%。

同時(shí)，「書生」隻需要1/10 的下遊數據，就(jiù)幹翻了 CLIP 基于完整下遊數據的準确度。

書生不是「書呆子」

光學(xué)不去練，不會(huì)用，還(hái)是沒(méi)啥本事(shì)。

要明确的是，商湯的「書生」可不是一個書呆子。

怎麼(me)講？

首先，它能(néng)夠舉一反三。

舉個形象點的栗子，比如讓「書生」識别花的種(zhǒng)類，每一類隻需要提供 2 個訓練樣(yàng)本，識别準确率高達 99.7%。

這(zhè)個花卉數據集由 102 種(zhǒng)英國(guó)常見的花組成(chéng)，每個類别有 40 至 258 張圖片。其中包含有很大的比例、姿勢和光線變化。

它不僅有觸類旁通的能(néng)力，而且在自動駕駛、智慧城市、智慧醫療等場景均已經(jīng)實現了落地應用。

就(jiù)拿自動駕駛來說(shuō)吧，要想不成(chéng)爲馬路殺手，一套 CV 模型需要能(néng)夠識别各種(zhǒng)物體，包括交通标志，車道(dào)線識别等，還(hái)得預測出與障礙物的距離，行人檢測等等。

對(duì)于這(zhè)些任務，單一視覺模型是無法勝任的。

而「書生」技術體系從數據、模型等各個方面(miàn)出發(fā)，對(duì)自動駕駛感知模型，尤其是長(cháng)尾類别和場景非常友好(hǎo)，在小樣(yàng)本甚至是零樣(yàng)本的應用場景下表現明顯優于既往模型。

其實，在實際場景應用中，數據都(dōu)存在長(cháng)尾分布的現象，少量類别占據大多數樣(yàng)本，而大量類别僅有少量樣(yàng)本。

在智慧城市中也是同樣(yàng)的道(dào)理，面(miàn)對(duì)很多長(cháng)尾、碎片化場景就(jiù)不得不祭出通才「書生」了。

生活中，我們經(jīng)常會(huì)見到城市街道(dào)上的井蓋頻頻丢失的問題。

如果 CV 模型沒(méi)有關注城市治理的長(cháng)尾問題，偷井蓋問題很難得到解決。況且，井蓋也有很多種(zhǒng)樣(yàng)子。

但是，這(zhè)對(duì)于通才「書生」來講都(dōu)是小 case。隻要每一類提供 2 個訓練樣(yàng)本，問題不就(jiù)搞定了嗎。

因爲它已經(jīng)在訓練階段被(bèi)「喂下」大量數據成(chéng)爲通才，隻需要看到少量樣(yàng)本，就(jiù)具備了舉一反三的能(néng)力。

有了「書生」的加持，不僅可以預防井蓋丢失，還(hái)能(néng)實現事(shì)後(hòu)追責的精細化管理。

此外，智慧制造、智慧醫療等應用中還(hái)會(huì)存在很多類似的長(cháng)尾場景，而通用視覺「書生」的推出能(néng)夠讓業界以更低的成(chéng)本獲得擁有處理多種(zhǒng)下遊任務能(néng)力的 AI 模型。

并以其強大的泛化能(néng)力支撐實際場景中大量小數據、零數據等樣(yàng)本缺失的細分和長(cháng)尾場景需求。

書生（INTERN）技術體系可以讓 AI 模型處理多樣(yàng)化的視覺任務

這(zhè)些暴力計算下的 AI 場景需要強大的算力作爲支撐，這(zhè)時(shí)候 SenseCore 商湯 AI 大裝置正好(hǎo)就(jiù)派上用場了。

AI 大裝置正是通過(guò)超強的算力基礎，爲人工智能(néng)的研發(fā)、創新和應用提供源動力。

正如商湯科技研究院院長(cháng)王曉剛所提到的那樣(yàng)：

「書生」通用視覺技術體系是商湯在通用智能(néng)技術發(fā)展趨勢下前瞻性布局的一次嘗試，也是 SenseCore 商湯 AI 大裝置背景下的一次新技術路徑探索。 「書生」承載了讓人工智能(néng)參與處理多種(zhǒng)複雜任務、适用多種(zhǒng)場景和模态、有效進(jìn)行小數據和非監督學(xué)習并最終具備接近人的通用視覺智能(néng)的期盼。 希望這(zhè)套技術體系能(néng)夠幫助業界更好(hǎo)地探索和應用通用視覺 AI 技術，促進(jìn) AI 規模化落地。

不過(guò)，想要成(chéng)爲一個優秀的通用視覺模型，「書生」還(hái)有三個挑戰需要解決：

1. 模型優化速度的提升

對(duì)于一個好(hǎo)的預訓練模型，往往需要更大更好(hǎo)的網絡結構，以及大規模的數據，這(zhè)就(jiù)會(huì)導緻幾天甚至幾周的模型訓練時(shí)間，如何在保持表征能(néng)力的同時(shí)，大幅度加速模型的訓練過(guò)程，具有非常重大的現實意義。

2. 更大範圍内的通用能(néng)力仍待探索

書生模型，可以很好(hǎo)地在常見的視覺任務裡(lǐ)達到通用的效果。在跨度較大的領域，比如超分等底層視覺任務，書生模型還(hái)有很大的進(jìn)步空間。

3. 大模型到小模型的轉變

將(jiāng)大模型的表征能(néng)力無損失的遷移到可部署到終端設備上的小模型，對(duì)于預訓練模型的推廣有非常大的價值。

One More Thing

要問這(zhè)個模型好(hǎo)不好(hǎo)做？

研發(fā)急得都(dōu)直「爬樹」！

爲了測試模型在 zero-shot 下的精度如何，書生研發(fā)團隊的模型科學(xué)家都(dōu)親自上演了「爬樹」特别節目。通過(guò)創造特殊場景，以随機生成(chéng)圖片，去考驗模型能(néng)力。

（研究需要，大家請勿模仿^_^）

「書生」看到後(hòu)，歪嘴一笑。

這(zhè)不就(jiù)是「爬樹」嘛，置信度 0.96 給你。

而且有趣的是，「書生」模型還(hái)注意到了樹上人眼都(dōu)很容易忽略的繩子。

可能(néng)，這(zhè)就(jiù)是「明察秋毫」吧！

未來，「書生」要做的一件事(shì)情：

基于「書生」的通用視覺開(kāi)源平台 OpenGVLab 也將(jiāng)在今年年初正式開(kāi)源，産學(xué)研一道(dào)共創通用 AI 生态！

而即將(jiāng)開(kāi)源的 OpenGVLab，正是基于「書生」的通用視覺開(kāi)源平台。

其中的網絡結構除了商湯自研的 MetaNet，還(hái)包含大家普遍使用的 ResNet, MobileNet, ViT， EfficientNet 等，以滿足不同場景的應用，賦能(néng)計算機視覺。

然而，「書生」的布局不止于此。

OpenGVLab 將(jiāng)與上海人工智能(néng)實驗室此前發(fā)布的 OpenMMLab、OpenDILab 一道(dào)，共同構築開(kāi)源體系 OpenXLab，持續推進(jìn)通用人工智能(néng)的技術突破和生态構建。

「書生」研發(fā)團隊的一位成(chéng)員調侃道(dào)，「随著(zhe)書生模型精度越來越高，我們的辦公樓層越來越高。」

開(kāi)源的「書生」，前景廣闊。