PRO | AR 赛道距离它的 ChatGPT 时刻只差一个 LMM 了吗？

2023年，几乎 AI 的每个领域都在以前所未有的速度进化，同时，AI也在不断地推动着具身智能、自动驾驶等关键赛道的技术边界。

多模态趋势下，Transformer 作为 AI 大模型主流架构的局面是否会撼动？为何探索基于 MoE （专家混合）架构的大模型成为业内新趋势？大型视觉模型 （LVM）能否成为通用视觉的新突破？...

我们从过去的半年发布的2023年机器之心PRO会员通讯中，挑选了 10 份针对以上领域技术趋势、产业变革进行深入剖析的专题解读，助您在新的一年里为大展宏图做好准备。

本篇解读来自2023年 Week39 业内通讯

专题解读AR 赛道距离它的 ChatGPT 时刻只差一个 LMM 了吗？

日期：9 月 26 日 - 9 月 30 日

事件：近日，Meta推出了多模态版Llama2，即 AnyMAL；OpenAI 推出了 GPT-4V （ision）LMM；与此同时，Meta 推出 Meta Quest 3 VR头显，并与 Ray-Ban 合作打造的智能眼镜 Ray-Ban，两款设备均计划接入MetaAI 智能助理；随着多模态LLM技术的日益成熟，AR赛道似乎又迎来了新的曙光？

Meta 和 OpenAI 最新的 LMM 了解一下？

1、Meta推出了多模态版 Llama2，即 AnyMAL（Any-Modality Augmented Language Model）。AnyMAL 基于 Llama 2 模型，可以对不同模态输入内容（文本、图像、视频、音频、IMU 运动传感器数据）实现理解，并生成文本响应。具体来说，这是一个经过训练的多模态编码器集合，可将来自各种模态（包括图像、视频、音频和 IMU 运动传感器数据）的数据转换到 LLM 的文本嵌入空间。[17]

2、OpenAI 上线了 GPT-4V （ision） 大模型，用户可以使用基于更新后的 ChatGPT 上传一张或多张图像配合进行对话，获取相关帮助和见解。同时，用户还可以使用设备的触摸屏圈出希望 ChatGPT 关注的图像部分。

3、OpenAI 在发布时仅放出了 18 页的技术文档，后续微软方面公布了一份长达 166 页的报告，定性地探讨了 GPT-4V 的功能和使用情况。

4、微软的报告共分为 11 个章节，重点介绍了 GPT-4V 可以执行的任务，包括：

 用测试样本来探索 GPT-4V 的质量和通用性，现阶段 GPT-4V 能够支持的输入和工作模式，以及提示模型的有效方法。

 对这些样本的观察表明，GPT-4V 在处理任意交错的多模态输入方面具有前所未有的能力，并且其功能的通用性使 GPT-4V 成为强大的多模态通用系统。

 GPT-4V 对图像独特的理解能力可以催生新的人机交互方法，例如视觉参考提示（visual referring prompting）。报告最后深入讨论了基于 GPT-4V 的系统的新兴应用场景和未来研究方向。该研究希望这一初步探索能够激发未来对下一代多模态任务制定的研究，开发和增强 LMM 解决现实问题的新方法，并更好地理解多模态基础模型。[18]

5、 报告中提及 LMM 的未来趋势方向如下

 LMM 应该能够生成交织的图像文本输出，以支持全面的多模态内容理解和生成。

 LMM 应该能够从各种信息源持续学习，如网上内容、真实世界环境等，以实现持续自我进化。

 未来的 LMM 不应该仅仅依赖组织良好的数据进行学习，它应该能够处理更加杂乱的数据源。

 未来 LMM 的学习过程不应该仅仅依赖于图像-文本对的数据集，应该是更加通用和连续的。

LMM 为什么这么重要？为何基于 LMM 的 NUI 已成为科技大厂必争之地？

1、AR 技术的目标是为用户提供一个沉浸式、真实和自然的体验。尽管 AR 技术已经取得了一定的进展，但它仍未真正达到类似 ChatGPT 上线时令用户惊叹的 “aha moment”。核心的问题在于 NUI（自然用户界面）的体验尚不完善。

2、NUI 是指一种用户界面设计哲学，旨在使用户与计算机系统或设备的交互尽可能自然和直观。这通常涉及触摸、手势、语音和其他自然的交互方式。

3、为了实现真正的沉浸式体验，AR 应用通常需要用户能够以最自然、直观的方式与其互动，这就是 NUI 的核心。例如，用户可能通过手势、眼动、语音命令或身体动作与 AR 内容进行交互。这种交互方式不仅更符合 AR 的沉浸式特性，而且在许多情况下（如穿戴 AR 眼镜时）也更为实用和方便。

4、LMM 可以处理多种类型的输入，如文本、图像、声音等，从而为用户提供更加丰富和多样化的交互体验。这些模型的能力不仅仅是识别和生成内容，更重要的是理解和响应用户的需求，为他们提供有价值的反馈。

 多模态是指将多种感官进行融合，而多模态交互是指人通过声音、肢体语言、信息载体（文字、图片、音频、视频）、环境等多个通道与计算机进行交流，充分模拟人与人之间的交互方式。

 多模态技术的目标是让 AI 能够同时处理和理解多种类型的输入，如文本、图像、声音等，从而为用户提供更加自然和直观的交互体验。

5、基于 LMM 的 AI Agent、智能助理等交互式 AI 可以为 NUI 提供智能，使其能够理解和响应用户的需求，而 NUI 为交互式 AI 提供了一种自然、直观的交互方式。