全链条中国造，思考起来更像人！紫东太初全模态大模型发布

北京日报客户端 | 记者 刘苏雅

不光能读懂文字、图像，还能理解音频、视频，甚至3D模型、传感信号，思考起来更像“真人”。6月16日，在“人工智能框架生态峰会2023”上，中国科学院自动化研究所所长徐波发布了“紫东太初”全模态大模型。作为升级后的2.0版本，它不仅实现能力提升，还做到全链条“中国造”，打造出全栈国产化的通用人工智能底座。

何谓全模态大模型？“人的学习受到现实世界中视觉、听觉、触觉、嗅觉等各种信号的综合影响，这些信号每一类都是一种模态，人类的学习过程是全模态的。但目前最常见的大语言模型仍以文字、图片为主要模态，对音频、视频等信息的识别能力不足。”中科院自动化所紫东太初大模型研究中心常务副主任王金桥介绍，在“紫东太初”诞生之初，科研团队就提出要像养育婴儿一样，为它营造全模态的学习环境。

早在2021年7月，全球首个千亿参数的多模态大模型“紫东太初”1.0就已发布，实现图像、文本、语音三类数据的相互生成。而历经近2年的迭代，“紫东太初”2.0的能力再升级，除了读懂图文外，它还能“看懂”来自现实世界的影像数据、力触觉、工业传感信号等物联数据，可以像“人”一样综合运用多种信号进行思考。

给出一张救护车图片、一段森林救火的视频和一段警笛音频，“紫东太初”能识别并讲述出一段完整的救援过程；而将一张图书馆的照片和汽车鸣笛声音频同时输入，它则快速发现了其中的矛盾，认为这段音频不太可能出现在图书馆场景之中。

在同样的参数量级中，多模态大模型的能力会强于纯粹的语言大模型，这意味着“紫东太初”可以用更少的训练数据实现更优的效果。“其实这也很好理解，多种信息的综合输入，能够降低认知成本，但这对科研的挑战更大。”王金桥说，得益于团队在多模态数据领域的多年积累，科研人员以语义为桥梁，将音频、视频、物联数据等模态联系起来，“在这条研发路径上，我们走在了世界前列。”

“从算法到硬件、算力，‘紫东太初’都是‘中国造’。”王金桥表示，大模型算法为中科院自动化所自研，国产化基础软硬件昇腾AI平台作为基础设施，算力则由武汉人工智能计算中心提供支持，“在国产软硬件的支撑下，我们的大模型一样能跑得很好、很快。”

大模型所掌握的数据种类越多，与真实世界的交互能力就越强，在不远的将来，多模态大模型将普惠千行百业。目前，“紫东太初”大模型已在法律咨询、交通出行、医疗健康等领域开始引领性示范。例如，通过部署“紫东太初”，中科院自动化所自研的微创柔性手术机器人MicroNeuro拥有了融合触觉与视觉的跨模态分析能力，它已完成国际首例深位颅内活检手术，并有望随着大模型升级拥有对神经外科手术场景的自主理解。

“紫东太初”还开放了服务平台，支持各行业根据各自需求“组装”模块，再输入少量的行业样本数据，就能产出自主可控的行业相关大模型。徐波表示，未来3至5年，包括“紫东太初”在内的我国大模型技术，将在促进数字经济发展方面发挥重要作用，进一步释放、提升各行业的劳动生产率。