谷歌報復性砸出5620億參數(shù)大模型！比ChatGPT更恐怖，機器人都能用，學術圈已刷屏
本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。
為應對新一輪技術競賽，谷歌還在不斷出后手。
這兩天，一個名叫PaLM-E的大模型在AI學術圈瘋狂刷屏。
它能只需一句話，就讓機器人去廚房抽屜里拿薯片。
即便是中途干擾它，它也會堅持執(zhí)行任務。
PaLM-E擁有5620億參數(shù)，是GPT-3的三倍多，號稱史上最大規(guī)模視覺語言模型。而它背后的打造團隊，正是谷歌和柏林工業(yè)大學。
作為一個能處理多模態(tài)信息的大模型，它還兼具非常強的邏輯思維。
比如能從一堆圖片里，判斷出哪個是能滾動的。
還會看圖做算數(shù)：
有人感慨：
這項工作比ChatGPT離AGI更近一步??！
而另一邊，微軟其實也在嘗試ChatGPT指揮機器人干活。
這么看，谷歌是憑借PaLM-E一步到位了？
邏輯性更強的大模型
PaLM-E是將PaLM和ViT強強聯(lián)合。
5620億的參數(shù)量，其實就是如上兩個模型參數(shù)量相加而來（5400億+220億）。
PaLM是谷歌在22年發(fā)布的語言大模型，它是Pathways架構訓練出來的，能通過“思考過程提示”獲得更準確的邏輯推理能力，減少AI生成內容中的錯誤和胡言亂語。
Pathways是一種稀疏模型架構，是谷歌AI這兩年重點發(fā)展方向之一，目標就是訓練出可執(zhí)行成千上百種任務的通用模型。
ViT是計算機視覺領域的經典工作了，即Vision Transformer。
兩者結合后，PaLM-E可以處理多模態(tài)信息。包括：
- 語言
- 圖像
- 場景表征
- 物體表征
通過加一個編碼器，模型可以將圖像或傳感器數(shù)據(jù)編碼為一系列與語言標記大小相同的向量，將此作為輸入用于下一個token預測，進行端到端訓練。
具體能力方面，PaLM-E表現(xiàn)出了比較強的邏輯性。
比如給它一張圖片，然后讓它根據(jù)所看到的做出蛋糕。
模型能先判斷出圖像中都有什么，然后分成9步講了該如何制作蛋糕，從最初的磕雞蛋到最后洗碗都包括在內。
有人還調侃說，這機器人怎么在把蛋糕給我前先自己吃了？
還有根據(jù)圖片做判斷：我能在這條路上騎自行車嗎？
模型進行一系列邏輯推斷：
1、不能進入
2、除了自行車
3、除了自行車以外都不能進入
4、答案是可以
這和人類思考的過程確實很像了。
不僅如此，模型的最強大之處在于，它無需經過預處理，即提前理解環(huán)境。
它做出判斷和回答，完全是基于它自己的“經驗”。
研究人員表示，這項成果表現(xiàn)出了很強的正向遷移（positive transfer）能力。
在多個領域任務的訓練中，PaLM-E的表現(xiàn)都優(yōu)于單項任務機器人模型。
而且他們還發(fā)現(xiàn)，語言模型的規(guī)模越大，它最終能保持的語言理解能力越強。
比如使用5400億參數(shù)規(guī)模的PaLM時，PaLM-E在語言任務上的實際能力僅下降了3.9%。
從實驗結果來看，PaLM-E在OK-VQA基準上達到新SOTA。
在模擬環(huán)境下的任務完成度也都不錯。
再次驗證大力出奇跡
目前這項研究已引發(fā)非常廣泛的討論。
主要在于以下幾個方面：
1、一定程度上驗證了“大力出奇跡”
2、比ChatGPT更接近AGI？
一方面，作為目前已知的規(guī)模最大的視覺語言模型，PaLM-E的表現(xiàn)已經足夠驚艷了。
去年，DeepMind也發(fā)布過一個通才大模型Gota，在604個不同的任務上接受了訓練。
但當時有很多人認為它并不算真正意義上的通用，因為研究無法證明模型在不同任務之間發(fā)生了正向遷移。
論文作者表示，這或許是因為模型規(guī)模還不夠大。
如今，PaLM-E似乎完成了這一論證。
不過也有聲音擔心，這是不是把卷參數(shù)從NLP引到了CV圈？
另一方面，是從大趨勢上來看。
有人表示，這項工作看上去要比ChatGPT更接近AGI啊。
的確，用ChatGPT還只是提供文字建議，很多具體動手的事還要自己來。
但PaLM-E屬于把大模型能力拉入到具象化層面，AI和物理世界之間的結界要被打破了。
而且這個趨勢顯然也是大家都在琢磨的，微軟前不久也發(fā)布了一項非常相似的工作——讓ChatGPT指揮機器人。
除此之外，還有很多人表示，這再一次驗證了多模態(tài)是未來。
不過，這項成果現(xiàn)在只有論文和demo發(fā)布，真正能力有待驗證。
此外還有人發(fā)現(xiàn)，模型驅動的機器人，背后的開發(fā)團隊在幾周前被谷歌一鍋端了。。。
所以關于PaLM-E的更多后續(xù)，咱們還得再蹲蹲看。
論文地址：https://arxiv.org/abs/2303.03378
