通俗的语言搞明白多模态究竟在炒什么？-韭研公社

登录注册

通俗的语言搞明白多模态究竟在炒什么？

韭零后

中途下车的小韭菜

2023-12-11 16:52:46

感谢大家支持，你们喜欢看科普我也挺意外的。
我知道还是有很多朋友不能理解大模型和多模态，这篇文中我将尽可能举一些通俗易懂的例子，详细解释这一新的概念。所有的解释我尽量不涉及专业词汇，用生活中常见的词汇去解释，便于理解。

首先我听到很多声音在讲，“人家谷歌刚出来的技术，怎么大A就那么多公司都有了？肯定是蹭概念！”

要我说，也对也不对，肯定有一部分是蹭的，但不能以偏概全。

我上一篇讲多模态是多类型任务的融合和同时处理，关键词是：多类型、融合、处理。
那么也就是说能做到2个或以上的不同类型任务的融合处理就能算是多模态。（我跟杨幂都算人），所以，多模态与多模态之间是有差别的。

拿大模型打个比方，Chat GPT4 是大模型，文心一言、讯飞星火、天工、盘古，这些也是大模型，允许国外有大模型，就不允许我们国内有大模型吗？只不过大模型之间水平有高低差别而已。大模型与大模型之间是有差别的。

再讲回到多模态，假设某国外多模态产品能同时处理5种不同类型的任务，而我们国内的多模态只能处理2-3种不同类型的任务，那么我们的是不是多模态呢？也是，对吧，只是没那么高级罢了。而且有了技术就有未来能够发展到更高级的可能性，就是有预期，有故事，有想象空间，就是可以参与了。

其实还想举个例子区别一下Gemini和Chat GPT4，GPT4这个学生写得一手好文章，画画也还不错，Gemini这个学生文章写得不咋地，但是他左手画画右手写文章，甚至还能同时给你唱歌，暂时是一个样样都会但学艺不精的样子。

如果看到这你还没理解，我总结一下，多模态包括Gemini、包括国内七七八八的各种多模态。大模型包括GPT、讯飞星火、文心一言、混元、盘古等等。再举个简单粗暴的例子，我们都是人，有的人是大明星、有的人是科学家，有的人只是普通人，人与人之间是有区别的，在这时候你只需要套用这个句式：
（多模态）与（多模态）之间是有区别的！

至于以后谁会发展得更好，我倒是有个建议，去挑那些过去在这个方向本就有积累的公司，举个例子，之前有一款国外的app叫做Annie，她能跟你打视频，通过观察你的表情判断你的情绪，跟你对话，这其实也算多模态了，跟某个曾经火爆的游戏挺像。就汤姆猫嘛……我倒是希望他家早点弄出来猫咪助理。

（那张Gemini的评分图，还是很期待明年的ultra版本）

最后补充一下关于谷歌造假的问题，我倾向于他只是夸大，硬要说造假不过就是涉及虚假宣传，但是他没有这个技术我是不信的，跟AI沟通现阶段没有办法完全使用自然语言，你必须提问得很明确才能得到你想要的答案，我觉得这个是可以理解的。视频里展示的是经过剪辑删掉了部分提示词，然后加速了而已，AI的反应没那么快，不过我们相信AI的反应已经距离这个不远了，因为近期AI实时出图的绘画软件已经有了，反应是很迅速的，算力跟得上的话也不是什么解决不了的问题，得，又绕回到算力了…

彩蛋：
1️⃣为什么那么多看起来不怎么样的公司能有AIGC概念？国外某网站有很多不同的AI软件呀！都是开源的代码，拿过来自己套用就好了，自己开发啥，很多国内的AI绘画那功能一看就是那SD拿过来套个壳，简直不要太明显。所以除了AI绘画以外还有很多各式各样的开源大作，扒下来自己装在本地电脑就可以用自己的显卡跑起来了！从0开始自己开发什么的，不存在，开发不了一点，拿来就用了何必自己开发呢？

2️⃣到底谷歌这玩意和我们这边谁有合作？没有没有没有，除了蓝标能喝到汤以外，别的真没有，都是炒的同概念，不是炒的合作，人家自己公司的高阶技术跟咱们合作啥。
S汤姆猫(sz300459)S S蓝色光标(sz300058)S

作者利益披露：原创，不作为证券推荐或投资建议，截至发文时，作者不持有相关标的。

声明：文章观点来自网友，仅为作者个人研究意见，不代表韭研公社观点及立场，站内所有文章均不构成投资建议，请投资者注意风险，独立审慎决策。

汤姆猫

蓝色光标

工分