Meta ImageBind入口，今天新海马小编带来的是最近全新推出的Meta ImageBind大模型，Meta ImageBind采用了全新的ai技术打造，能够为用户们在文字、图像、音频之间相互转换，也就是说用户们说一句话就可以完成图画的生成呢。
ImageBind介绍
Meta最新6模态大模型，让 AI 以更接近人类的方式理解这个世界。
比如当你听见倒水声的时候就会想到杯子，听到闹铃声会想到闹钟，现在 AI 也可以。
尽管画面中没有出现人类，AI 听到掌声也能指出最有可能来自电脑。
ImageBind功能
生成理解检索都能干
对于声音-图像生成，论文中透露了更多细节。
并不是让 AI 听到声音后先生成文字的提示词，而是 Meta 自己复现了一个 DALL・E 2，并把其中的文本嵌入直接替换成了音频嵌入。
结果就是 AI 听到雨声可以画出一张雨景，听到快艇发动机启动声可以画出一条船。
其中比较有意思的是，床上没有人，但 AI 也认为打呼噜声应该来自床。
ImageBind 能做到这些，核心方法是把所有模态的数据放入统一的联合嵌入空间，无需使用每种不同模态组合对数据进行训练。
并且用这种方法，只需要很少的人类监督。
如视频天然就把画面与声音做了配对，网络中也可以收集到天然把图像和文字配对的内容等。
而以图像 / 视频为中心训练好 AI 后，对于原始数据中没有直接联系的模态，比如语音和热量，ImageBind 表现出涌现能力，把他们自发联系起来。
在定量测试中，统一多模态的 ImageBind 在音频和深度信息理解上也超越了对应的专用模型。
Meta 团队认为，当人类从世界吸收信息时，我们天生会使用多种感官，而且人仅用极少数例子就能学习新概念的能力也来自于次。
比如人类在书本中读到对动物的描述，之后就能在生活中认出这种动物，或看到一张不熟悉的汽车照片就能预测起发动机的声音。
过去 AI 没有掌握这个技能，一大障碍就是要把所有可能的模态两两组合做数据配对难以实现。
现在有了多模态联合学习的方法，就能规避这个问题。
团队表示未来还将加入触觉、语音、嗅觉和大脑 fMRI，进一步探索多模态大模型的可能性
对于目前版本，Meta 也放出了一个简单的在线 Demo，感兴趣的话可以去试试。
