上圖這張照片是1956 年在美國達特茅斯學院舉行的第一屆人工智慧workshop，這次會議也被認為拉開了人工智慧的序幕，與會者主要是符號邏輯學屆的前驅（除了前排中間的神經生物學家Peter Milner）。
然而這套符號邏輯學理論在隨後的很長一段時間內都無法實現，甚至到 80 年代90年代還迎來了第一次AI寒冬期。直到最近大語言模型的落地，我們才發現真正承載這個邏輯思維的是神經網絡，神經生物學家Peter Milner的工作激發了後來人工神經網絡的發展，也正因為此他被邀請參加了這個學術研討會。
2012年，Tesla自動駕駛主管Andrew在部落格上發布了上面這張圖，顯示當時美國總統歐巴馬和自己的下屬開玩笑。要讓人工智慧去理解這張圖，不僅是一個視覺感知任務，因為除了要辨識物體，還需要理解他們之間的關係；只有知道體重計的物理原理，才能知道圖裡所描述的故事：歐巴馬踩了秤，導致體重計上的人體重升高，他因此做出了這個奇怪的表情，同時其他人在一旁笑。這樣的邏輯思維顯然已經超越了純粹的視覺感知範疇，因此必須將視覺認知和邏輯思維結合在一起，才能擺脫「人工智障」的尷尬，而多模態大模型的重要性和困難性也體現在這裡。
上圖是人類大腦的解剖結構圖，圖中的語言邏輯區對應的就是大語言模型，而其他的區域則分別對應不同的感官，包括視覺、聽覺、觸覺、運動、記憶等等。雖然人工神經網路並不是真正意義上的腦神經網絡，但還是可以從中受到一些啟發，即構造大模型的時候，可以將不同的功能聯合在一起，這也是多模態模型構建的基本思想。
多模態大模型可以為我們做很多事情，例如視訊理解，大模型可以幫我們總結影片的摘要以及關鍵訊息，從而節省我們看影片的時間；大模型還可以幫助我們進行影片的後期分析，例如節目分類、節目收視率統計等；此外，文生圖也是多模態大模型的一個重要的應用領域。
而大模型如果和人的運動，或者機器人的運動聯合在一起，就會產生一個具身智能體，就像人一樣，基於過往經驗規劃最佳路徑的方法，並應用到全新的場景中，解決一些先前沒有遇見過的問題，同時規避風險；甚至可以在執行過程中修改原有計劃，直到最後獲得成功。這也是一個具有廣泛前景的應用場景。
#上圖是多模態大模型在發展過程中的一些重要節點：
從上圖可以看出，短短半年時間，大模型就發生了非常多的變化，其迭代速度是非常快的。
#上圖是多模態大模型的通用架構圖，包含一個語言模型、一個視覺模型，透過固定語言模型和固定視覺模型進而學習對齊模型；而對齊就是將視覺模型的向量空間和語言模型的向量空間進行聯合，進而在統一的向量空間裡完成兩者內在邏輯關係的理解。
圖中所示的Flamingo模型和BLIP2模型都採用類似的結構（Flamingo模型採用Perceiver架構，而BLIP2模型採用改良版的Transformer架構）；然後透過多種對比學習的方法進行預訓練，對海量的token進行大量學習，獲得較好的對齊效果；最後根據特定的任務對模型進行微調。
九章雲極DataCanvas是人工智慧基礎軟體供應商，同時提供算力資源（包括GPU叢集），進行高效能的儲存和網路最佳化，在此基礎上提供大模型的訓練工具，包括資料標註建模實驗沙盒等。九章雲極DataCanvas不僅支援市面上常見的開源大模型，同時也在自主研發元識多模態大模型。在應用層，提供了工具對提示詞進行管理，對模型進行微調，並提供模型維運機制。同時，也開源了多模向量資料庫，讓基礎軟體架構更加豐富。
九章雲極DataCanvas專注於全生命週期的開發的最佳化，包括資料準備（資料標註支援人工標註和智慧標註）、模型開發、模型評估（包括橫向評估和縱向評估）、模型推理（支援模型量化、知識蒸餾等加速推理機制）、模型應用等。
#在建構模型時，進行了許多分散式高效優化工作，包括資料並行、Tensor並行、管道並行等。這些分散式最佳化工作是一鍵式完成的，並支援視覺化調控，可以大幅減少人力成本，提升開發效率。
對於大模型tuning也進行了最佳化，包括常見的continue training、supervise tuning，以及reinforcement learning中的human feedback等。此外，對於中文也進行了許多優化，例如中文詞表的自動擴展。因為許多中文詞彙並未包含在開源大模型中，這些詞彙可能會被拆分成多個token；將這些詞彙進行自動擴充，可以讓模型更好地使用這些詞彙。
#大型模型的serving也是非常重要的一個組成部分，平台對模型量化、知識蒸餾等環節也進行了大量的優化，大大降低了計算成本，並透過逐層知識蒸餾來加速transformer，減少其計算量。同時，也做了許多剪枝工作（包括結構化剪枝、稀疏剪枝等），大大提升了大模型的推理速度。
此外，也對互動式對話過程進行了最佳化。例如多輪對話Transformer中，每個tensor的key和value是可以記住的，無需重複計算。因此，可存入Vector DB中，實現對話歷史記憶功能，提升互動過程中的使用者體驗。
大模型提示詞設計與建構工具Prompt Manager，透過幫助使用者設計更好的提示詞，引導大模型產生更準確、可靠、符合預期的輸出內容。該工具既可為技術人員提供development toolkit的開發模式，也可為非技術人員提供人機互動的操作模式，滿足不同族群使用大模型的需求。
其主要功能包括：AI模型管理、場景管理、提示字範本管理、提示字開發和提示字應用程式等。
平台提供了常用的提示字管理工具，可實現版本控制，並提供常用範本來加速提示字的實作。
介紹完平台功能，接下來會分享多模態大模型開發實作。
上圖是九章雲極DataCanvas多模態大模型的基本框架，與其它多模態大模型不同的一點是，它包含記憶體，可以提升開源大模型的推理能力。
一般開源大模型的參數量相對較低，如果再耗用一部分參數量來記憶，其推理能力將會大幅下降。如果給開源大模型增加記憶體，則會同時提升推理能力和記憶能力。
此外，類似大多數模型，多模態大模型也會固定大語言模型和固定資料編碼，針對對齊功能進行單獨的模組化的訓練；因此，所有不同的資料模態都會對齊到文本中的邏輯部分；在推理的過程，首先對語言進行翻譯，然後進行融合，最後進行推理工作。
#由於我們的DingoDB多模向量資料庫結合了多模態與ETL的功能，因此能夠提供良好的非結構化資料管理能力。平台提供pipeline ETL功能，並做了很多優化，包括算子編譯、平行處理，以及快取優化等。
此外，平台提供Hub，可將pipeline重複使用，實現最高效的開發體驗。同時，支援 Huggingface上的眾多編碼器，可以實現不同模態資料的最優編碼。
#九章雲極DataCanvas將元識多模態大模型作為底座，支持使用者選擇其它開源大模型，也支援使用者使用自己的模態資料進行訓練。
多模態大模型的建構大概分為三個階段：
大模型中的記憶體架構，可以幫助我們實現多模態知識庫建設，該知識庫實際上是模型的應用。知乎就是一個典型的多模態知識庫應用模組，其專業知識是可以溯源的。
為了確保知識的確定性和安全性，往往需要對專業知識進行溯源，知識庫就可以幫助我們實現這此功能，同時新的知識添加也會比較方便，無需修改模型參數，直接把知識加入資料庫即可。
具體來說，將專業知識透過編碼器進行不同的編碼選擇，同時根據不同的評價方法進行統一評價，透過一鍵評價來實現編碼器的選擇。最後應用編碼器向量化之後存入DingoDB多模向量資料庫，再透過大模型的多模態模組進行相關資訊擷取，透過語言模型來進行推理。
模型的最後一部分往往需要進行指令精調，由於不同使用者的需求不太一樣，因此需要對整個多模態大模型進行精調。由於多模態知識庫在組織資訊這部分的特殊優勢，使得模型具備學習檢索的能力，這也是我們在文本的段落化過程中所做的創新。
一般的知識庫是將文件進行段落化，然後對每一段進行獨立的文字解鎖。這種方法容易受到噪音的干擾，對於許多大的文檔，很難判定段落劃分的標準。
######################### 1.企業資料管理-- 知識庫##################### 企業中85%的資料都是非結構化數據，只有15%是結構化的數據。過去的20年，人工智慧主要是圍繞著結構化資料展開的，而非結構化資料是非常難以利用的，需要非常大的精力和代價將其轉化處理為結構化資料。而藉由多模態大模型與多模態知識庫，透過人工智慧新範式，可以大幅提升企業內部管理中非結構化資料的使用率，未來可能會帶來10倍的價值成長。 ############2、知識庫--> 智能體(Agent)#####################多模態知識庫作為智能體的基礎，之上的研發agent、客服agent、銷售agent、法律agent，人力資源agent，企業維運agent等功能都可以透過知識庫來運作。 ######
以銷售agent為例，常見架構包括兩個agent同時存在，其中一個負責決策，另一個負責銷售階段的分析。這兩個模組都可以透過多模態知識庫尋找相關訊息，包括產品資訊、歷史銷售統計資料、客戶畫像、過往銷售經驗等，這些資訊整合到一起，幫助這兩個agent做最好、最正確的決定，這些決定反過來幫助用戶獲得最好的銷售訊息，再記錄到多模態資料庫集中，如此循環往復，不斷提升銷售業績。
我們相信未來最有價值的企業，是將智慧體落實處的企業。希望九章雲極DataCanvas可以跟大家一路同行，互相助力。
以上是九章雲極DataCanvas多模態大模型平台的實踐與思考的詳細內容。更多資訊請關注PHP中文網其他相關文章！
