人民網(wǎng)上海11月18日電 11月17日，上海人工智能實驗室聯(lián)合商湯科技SenseTime、香港中文大學、上海交通大學共同發(fā)布新一代通用視覺技術(shù)體系“書生”（INTERN），該體系旨在系統(tǒng)化解決當下人工智能視覺領(lǐng)域中存在的任務通用、場景泛化和數(shù)據(jù)效率等一系列瓶頸問題。目前技術(shù)報告《INTERN: A New Learning Paradigm Towards General Vision》已在arXiv平臺發(fā)布（arxiv.org/abs/2111.08687），基于“書生”的通用視覺開源平臺OpenGVLab也將在明年年初正式開源，向?qū)W術(shù)界和產(chǎn)業(yè)界公開預訓練模型及其使用范式、數(shù)據(jù)系統(tǒng)和評測基準等。OpenGVLab將與上海人工智能實驗室此前發(fā)布的OpenMMLab（github.com/open-mmlab）、OpenDILab（github.com/opendilab）一道，共同構(gòu)筑開源體系OpenXLab，助力通用人工智能的基礎(chǔ)研究和生態(tài)構(gòu)建。

任務通用和數(shù)據(jù)學習效率是制約當前人工智能發(fā)展的核心瓶頸問題。根據(jù)相關(guān)技術(shù)報告，一個“書生”基模型即可全面覆蓋分類、目標檢測、語義分割、深度估計四大視覺核心任務。在ImageNet（www.image-net.org/challenges/LSVRC/index.php）等26個最具代表性的下游場景中，書生模型廣泛展現(xiàn)了極強的通用性，顯著提升了這些視覺場景中長尾小樣本設定下的性能。

相較于當前最強開源模型（OpenAI 于2021年發(fā)布的CLIP），“書生”在準確率和數(shù)據(jù)使用效率上均取得大幅提升。具體而言，基于同樣的下游場景數(shù)據(jù)，“書生”在分類、目標檢測、語義分割及深度估計四大任務26個數(shù)據(jù)集上的平均錯誤率分別降低了40.2%、47.3%、34.8%和9.4%�！皶�生”在數(shù)據(jù)效率方面的提升尤為令人矚目：只需要1/10的下游數(shù)據(jù)，就能超過CLIP（openai.com/blog/clip）基于完整下游數(shù)據(jù)的準確度，例如在花卉種類識別FLOWER（www.robots.ox.ac.uk/~vgg/data/flowers/102/index.html）任務上，每一類只需兩個訓練樣本，就能實現(xiàn)99.7%的準確率。

隨著人工智能賦能產(chǎn)業(yè)的不斷深入，人工智能系統(tǒng)正在從完成單一任務向復雜的多任務協(xié)同演進，其覆蓋的場景也越來越多樣化。在自動駕駛、智能制造、智慧城市等眾多的長尾場景中，數(shù)據(jù)獲取通常困難且昂貴，研發(fā)通用人工智能模型，對于降低數(shù)據(jù)依賴尤為重要。而突破“工業(yè)應用紅線”的模型，需滿足同時完成多任務、覆蓋大量長尾場景，且基于下游小樣本數(shù)據(jù)進行再訓練等要求。

上海人工智能實驗室、商湯科技、港中文以及上海交大聯(lián)合推出的“書生”通用視覺技術(shù)體系，體現(xiàn)了產(chǎn)學研合作在通用視覺領(lǐng)域的全新探索，為走向通用人工智能邁出堅實一步。借助“書生”通用視覺技術(shù)體系，業(yè)界可憑借極低的下游數(shù)據(jù)采集成本，快速驗證多個新場景，對于解鎖實現(xiàn)人工智能長尾應用具有重要意義。

“當前發(fā)展通用視覺的核心，是提升模型的通用泛化能力和學習過程中的數(shù)據(jù)效率。面向未來，‘書生’通用視覺技術(shù)將實現(xiàn)以一個模型完成成百上千種任務，體系化解決人工智能發(fā)展中數(shù)據(jù)、泛化、認知和安全等諸多瓶頸問題�！鄙虾Ｈ斯ぶ悄軐嶒炇抑魅沃�理喬宇表示。

商湯科技研究院院長王曉剛表示，“‘書生’通用視覺技術(shù)體系是商湯在通用智能技術(shù)發(fā)展趨勢下前瞻性布局的一次嘗試，也是SenseCore商湯AI大裝置背景下的一次新技術(shù)路徑探索�！畷�生’承載了讓人工智能參與處理多種復雜任務、適用多種場景和模態(tài)、有效進行小數(shù)據(jù)和非監(jiān)督學習并最終具備接近人的通用視覺智能的期盼。希望這套技術(shù)體系能夠幫助業(yè)界更好地探索和應用通用視覺AI技術(shù)，促進AI規(guī)�；�落地�！�

書生（INTERN）技術(shù)體系可以讓AI模型處理多樣化的視覺任務

通用視覺技術(shù)體系“書生”（INTERN）由七大模塊組成，包括通用視覺數(shù)據(jù)系統(tǒng)、通用視覺網(wǎng)絡結(jié)構(gòu)、通用視覺評測基準三個基礎(chǔ)設施模塊，以及區(qū)分上下游的四個訓練階段模塊。

書生作為中國古代讀書人的經(jīng)典形象，代表著一個通過不斷學習、不斷成長進而擁有各方面才能的人格化角色：從基礎(chǔ)的知識技能學習開始，到對多種專業(yè)知識觸類旁通，進而成長為擁有通用知識的通才。將全新的通用視覺技術(shù)體系命名為“書生”，意在體現(xiàn)其如同書生一般的特質(zhì)，可通過持續(xù)學習，舉一反三，逐步實現(xiàn)通用視覺領(lǐng)域的融會貫通，最終實現(xiàn)靈活高效的模型部署。

當前的AI系統(tǒng)開發(fā)模式下，一個AI模型往往只擅長處理一項任務，對于新場景、小數(shù)據(jù)、新任務的通用泛化能力有限，導致面對千變?nèi)f化的任務需求時，須獨立開發(fā)成千上萬種AI模型。同時，研究人員每訓練一個AI模型，都需構(gòu)建標注數(shù)據(jù)集進行專項訓練，并持續(xù)進行權(quán)重和參數(shù)優(yōu)化。這種低效的學習訓練方法，導致人力、時間和資源成本居高不下，無法實現(xiàn)高效的模型部署。

“書生”的推出能夠讓業(yè)界以更低的成本獲得擁有處理多種下游任務能力的AI模型，并以其強大的泛化能力支撐智慧城市、智慧醫(yī)療、自動駕駛等場景中大量小數(shù)據(jù)、零數(shù)據(jù)等樣本缺失的細分和長尾場景需求。

通用視覺技術(shù)體系“書生”（INTERN）由七大模塊組成，包括3個基礎(chǔ)設施模塊、4個訓練階段模塊

據(jù)悉，明年年初，基于“書生”的通用視覺開源生態(tài)OpenGVLab將正式開源，向?qū)W術(shù)界和產(chǎn)業(yè)界公開預訓練模型、使用范式和數(shù)據(jù)庫等，而全新創(chuàng)建的通用視覺評測基準也將同步開放，推動統(tǒng)一標準上的公平和準確評測。（韓慶）

分享讓更多人看到