什么是多模态？多模态的难题是什么？

作者：Peter，北京邮电大学 · 计算机

什么是多模态？

如果把LLM比做关在笼子里的AI，那么它和世界交互的方式就是通过“递文字纸条”。文字是人类对世界的表示，存在着信息提炼、损失、冗余、甚至错误（曾经的地心说）。而多模态就像是让AI绕开了人类的中间表示，直接接触世界，从最原始的视觉、声音、空间等开始理解这个世界，改变世界。

好像并没有对多模态的严谨定义。通常见到的多模态是联合建模Language、Vision、Audio。而很多时候拓展到3d, radar, point cloud, structure (e.g. layout, markup language)。

模型经历了从传统单模态模型，到通用单模态，再到通用多模态的一个大致的发展，大致如下图：

• NN Building Blocks: 相对通用的NN模型组件。

• Traditional Single Modality Models: 传统的垂类小模型，通常小于100M~1B参数，只在某个垂直场景上有效。虽然不通用，但是具有一些独特优势：显著的性能和成本优势，常常能够在移动端设备部署，离线可用。在很多场景和大模型组合使用，依然扮演重要角色。

• General Single Modality Models: 单模态大模型，通常大于100M～1B参数。具有较强的通用性，比如对图片中任意物体进行分割，或者生成任意内容的图片或声音。极大降低了场景的定制成本。

• MLLM：多模态大模型。以LLM为核心（>1B参数），端到端的具备多种模态输入，多种模态输出的大模型。某种程度上看见了AGI的曙光。

• MLLM Application: 灵活的结合LLM、MLLM、General/Traditional Single Modality Models等能力形成新的产品形态。

多模态的价值？

文字发展了数千年，似乎已经能精确的表达任意事物，仅凭文字就可以产生智能。数学物理公式、代码等更是从某种程度上远远超越了世界的表象，体现了人类智慧的伟大。

然而，人的一切依然依托于物理世界，包括人本身的物理属性。人们能毫不费力的处理十个小时的视觉信号（比如刷视频、看风景），十年如一日，但是一般人无法长时间的进行文字阅读理解。美丽的风景、优美的旋律能轻易的让大部分感受到愉悦，而复杂的文字或代码则需要更大的精力。

其他的各种人类社会的生产、消费、沟通等都离不开对世界自然信号的直接处理。难以想象这一切如果都需要通过中间的文字转化，才能被接受和反馈。（想象司机通过阅读文字，决定方向和油门）

AGI需要对自然信号的直接处理与反馈。

多模态技术

当前多模态大模型通常都会经过三个步骤：

• 编码：类比人的眼睛和耳朵，自然信号先要通过特定的器官转换成大脑可以处理的信号。

• 把每一个image切成多个patch，然后通过vit, siglip等vision encoder编码成一串vision embedding。考虑到视觉信号的冗余，可以再通过resampler, qformer等结构进行压缩，减少输入。

• 或者也可能是通过VAE编码成一个(h, w, c）shape的latent feature。或者是通过VQ编码成类似上文中language“词”的序号（integer），然后通过embedding table lookup转化成embedding。

• 对于language而言，通常就是文字的向量化。比如用bpe或者sentencepiece等算法把长序列的文字切成有限个数的“词”，从词表（vocabulary)中找到对应的序号，然后再通过embedding table lookup，把这些“词”转化成模型能理解的embedding。

• vision有一些不同的处理方式，比如：

• audio也需要进行编码，将传统的waveform通过fft处理成mel-spectrum。也有EnCodec或SoundStream等neural encoder可以把audio编码成一系列的token。

• 处理（思考）：完成编码的信号就如同人们大脑接收到的视觉、声音、文字信号。可以通过“思考“的过程后，给出反馈。

• 基于diffusion的处理过程是近几年新出现的一类有趣的方法。在vision, audio生成中有卓越的表现。

• 基于llm的处理过程似乎更值得期待。llm本身已经具备相当的智能程度，提供了很高的天花板。如果llm能够很好的综合处理多模态信号，或许能接近AGI的目标。

• 解码：编码的反向过程，把模型内部的表示转化成物理世界的自然信号。就类似人们通过嘴巴说话，或者手绘画。

以下面两个多模态模型为例子：

StableDiffusion:

• 编码：image通过VAE encoder变成latent z。

• 处理：核心的处理过程在Unet中，通过多步denoise，对z进行去噪。

• 解码：z最终通过VAE decoder解码成image。

stable diffusion

DreamLLM:

• 编码：text通过word embedding，而图片通过visual encoder。

• 处理：casual llm对编码后的的语言和文字信号进行联合处理，预测需要生成的语言和文字信号。

• 解码：将预测结果还原成text和image。

DreamLLM

类似的架构还在语音生成的模型结构中出现，比如VALL-E，有对应的semantic, acoustic编码和解码，以及diffusion or llm的处理过程。

多模态的难题

目前我还有些多模态相关的问题没太想明白。

多模态scaling law

目前Meta, Google有放出一些多模态的实验，比如PALI对于ViT的scaling。但是还缺少一些理论性的支持和疑点。

• ViT在多模态理解中扮演了什么角色，需要如此大的参数规模？这部份参数是否可以转移到LLM上？

• 数据scale时，如何分配图片和文字的比例是比较好的实践？

如果做个思想实验：

• 一个网页上有500个字，需要800个token表示。

• 一个screenshot截图了这个网页，用vision encoder编码后得到400个token。

如果使用LLM分别处理两种输入，能够完成同样的任务。那么似乎就不需要用text作为LLM的输入了。

• 对于text, vision, audio信号编码的最佳实践是什么？每类信号需要使用多少的参数量才能无损的压缩原始信号？

从简单主义出发，scaling is all you need。

但是no profit, no scaling。所以还是得回到上面那个问题。

多模态生成的路径

Diffusion在生成上取得了不俗的效果，比如绘画。LLM同样可以完成视觉和音频的生成。

• 最终是LLM replace Diffusion, 还是Diffusion as decoder for LLM，还是通过别的方式？

• Diffusion的multi-step denoise是否可以通过llm的multi-layer transformer + iterative sampling来隐式模拟？

• 或许diffusion就像是convolution，是人们发明的inductive bias，最终会被general learnable method取代。

LLM end2end many2many是否是个伪需求？

• 是否有一种无损（或者近似）的信息传递方式，让多个LLM互相协作？

审核编辑：黄飞