通用人工智能（AGI）再往前一步：MetaAI发布新的能听会说的多模态AI大模型ImageBind

当前，大语言模型主要是基于生成式自然语言处理模型为主。少部分多模态模型可以处理文本、图片和视频信息。但是，AI模型目前还无法像人类一样接受周围的多模态信息进行处理，如图像、文本、声音等。但是，昨天MetaAI发布了一个可以听说读写的AI大模型ImageBind，它可以同时处理6种数据，并输出。本文将简单介绍一下这个模型。

ImageBind简介

AI模型在学习时，往往只能接受单一形式的信息，只不过如今这一情况正在改变。来自MetaAI团队的最新进展是，他们开发了一种名为ImageBind的AI模型，该模型可以同时将来自六个形态的信息进行绑定，从而使得机器在多种形式的数据中同时地、完整地、直接地进行学习，而不需要进行显式的监督。

ImageBind不仅可以处理文本、图片/视频和音频，还可以处理记录深度（3D）、热力学（红外线辐射）以及惯性测量单元（IMU，即能够计算物体的运动和位置）的传感器，从而从多重角度为机器提供全面的理解。

该技术比先前的专业模型有更好的表现，同时也能帮助AI技术更好地分析多种不同形式的信息。

ImageBind还为更准确地识别、连接和管控内容、更为扩展的多模态搜索功能等提供了可能性，以及在生成更丰富的媒体时又能更为自然地进行操作等方面，ImageBind都会有所作为。

ImageBind是Meta发展多模态AI系统的一部分。随着模态数量的增加，ImageBind也为研究人员提供了更多开发全面系统的机会。ImageBind的多模态能力可以使研究人员将其他形式的数据作为输入查询，并以其他格式检索输出，从而打通不同形式间的隔阂，进一步构建出类人智能的机器。

ImageBind模型技术解析

ImageBind作为MetaAI新发布的多模态模型，专注于多模态表示学习。从模型设计来说，ImageBind的目标是利用图像绑定（Image Bind）学习一个embedding空间，里面包含了所有模态的信息。