計算機視覺正在邁入“大模型時代”。前不久，來自UC伯克利計算機視覺領域的三位知名學者（Trevor Darrell、Jitendra Malik、Alexei A. Efros）聯(lián)手推出了第一個無自然語言的純視覺大模型（Large Vision Models），并第一次證明了純視覺模型本身也是可擴展的（scalability）。隨后，谷歌、微軟等國際大廠公布了對視覺大模型的探索，國內百度、華為、商湯、智源、中國電信、美圖等多家公司也都展示了相關布局。繼自然語言大模型之后，視覺大模型會成為下一個風口嗎？

視覺大模型的訓練難度更高

也許很多人會疑問：在遍地都是大模型的今天，訓練出一個優(yōu)質的視覺大模型很難嗎？隨著大語言模型的爆發(fā)，不管是學術界還是業(yè)界，都開始嘗試使用“文本”來擴大視覺模型的規(guī)模。以“蘋果”為例，在訓練時只需給模型看“蘋果”的照片，并配上描述性的文字告訴模型“這是一個蘋果”。然而，在面對更加復雜的圖片時，就很容易忽略其中大量的信息，造成錯誤理解。比如，一面鏡子中倒映的車輛可能會被模型誤判為真實車輛。

“相比于大語言模型，視覺信息一般都是2維（圖像）、3維（立體圖像）或者4維（立體視頻）信息，比語言信息多了1-3個維度，難度等級呈指數(shù)增長?！币晃簧罡鸄I深度學習的專家說道。

業(yè)內人士普遍認為，視覺并非自然語言，作為基本視覺單元的像素距離高層語義更遠，找不到像“單詞”這樣離散化、符號化的基本語義單元，因此簡單地借鑒預訓練語言模型的實現(xiàn)方法恐難奏效。

視覺句子使我們能夠將各種視覺數(shù)據(jù)格式化為圖像序列的統(tǒng)一結構

賽迪顧問人工智能產(chǎn)業(yè)研究中心常務副總經(jīng)理鄒德寶向記者介紹說道：“視覺大模型是一種利用深度學習技術來進行圖像或視頻處理的算法模型。它的基本原理是基于神經(jīng)網(wǎng)絡，通過大規(guī)模的訓練數(shù)據(jù)集和高性能的計算硬件，實現(xiàn)對圖像信息的高效處理和理解?！?/p>

與語言模型相比，視覺模型的數(shù)據(jù)更難獲取。對于語言模型來說，語言數(shù)據(jù)對所有數(shù)據(jù)都有一個自然的、統(tǒng)一的一維結構——文本流，獲得大量的、多樣化的大數(shù)據(jù)集相對而言是件很容易的事，所以目前市面上的語言大模型動輒就是成千上萬億的參數(shù)規(guī)模。

然而在計算機視覺領域，不同的數(shù)據(jù)源都有不同的結構，想要擁有同樣規(guī)模和多樣性的數(shù)據(jù)源非常困難。華為云人工智能首席科學家田奇表示，視覺模型提取特征可能是百倍、千倍的工作量，信息密度非常低?；ㄙM的成本、數(shù)據(jù)存儲等開銷巨大。

除了數(shù)據(jù)獲取難，視覺大模型的訓練框架也是一大難點。大華股份先進技術研究院院長殷俊表示，在視覺領域沒有可參照的模型架構，和現(xiàn)在大眾認知的AGI、AIGC技術方向存在差異，在CV（Computer Vision計算機視覺）領域完全靠自己搭建。

“如何處理更復雜的圖像信息，獲取高分辨率的圖像并讓機器識別圖像各要素，這些技術難點不解決，很難打造出一個優(yōu)質的視覺大模型?！编u德寶坦言。

或將在工業(yè)制造場景率先落地

近年來，伴隨制造業(yè)加速轉型升級，智能制造已經(jīng)成為人工智能技術在工業(yè)領域中最典型的應用之一。據(jù)中國電子信息產(chǎn)業(yè)發(fā)展研究院信息化與軟件產(chǎn)業(yè)研究所數(shù)字經(jīng)濟戰(zhàn)略研究室主任高嬰勱介紹，人工智能技術能夠幫助機器通過圖像學習、聲音識別、感知監(jiān)測等方式，快速、準確地檢測產(chǎn)品，在減少人工質檢成本、提升產(chǎn)品質量和生產(chǎn)效益方面的作用顯著，在手機、家電、汽車等離散制造行業(yè)質檢環(huán)節(jié)中的應用漸成規(guī)模。

視覺大模型或將率先落地在工業(yè)制造領域。寧德時代首席制造官倪軍曾提出“極限制造”的概念。他表示，工業(yè)領域做到6σ（每百萬個產(chǎn)品里頭有一兩個不良品）遠遠不夠，而是需要做到9σ-12σ，即對不良品的要求上升到十億級，每十億個產(chǎn)品當中，只允許出現(xiàn)1-3個不良品，這對機器視覺廠商是個極大的挑戰(zhàn)。而如今有了視覺大模型的助力，“極限制造”或許有機會走進現(xiàn)實。

Meta開源DINOv2視覺大模型

事實上，很多工業(yè)制造場景都為視覺大模型提供了落地的可能。試想一下，如果給智能網(wǎng)聯(lián)汽車配備上視覺大模型，困擾自動駕駛多年的視覺感知問題可能會迎刃而解。具備強大的圖像處理和識別能力的視覺大模型，可以更為精準地識別車輛、行人、車道線等道路元素，并處理城市道路、高速公路、雨雪天氣等更加復雜的場景和環(huán)境，從而提高自動駕駛車輛在各種場景下的適應性和魯棒性。智能網(wǎng)聯(lián)汽車將會迎來更多可能性。

如果讓工業(yè)機器人搭載上視覺大模型，它可以模仿人類視覺系統(tǒng)的工作原理，對視覺數(shù)據(jù)進行更為精準的處理和分析，進一步破解工業(yè)機器人操作和控制“精度”的難題，還能不斷進行學習成長，讓工業(yè)機器人加速走向“具身智能”，也讓智能制造邁上新的臺階。

再比如在工業(yè)質檢領域，產(chǎn)品質檢涉及到大量數(shù)據(jù)和復雜的圖像、聲音、視頻等信息，要求模型能夠準確地識別和分析各種缺陷和問題，甚至是微小的變化。用工業(yè)知識和工業(yè)數(shù)據(jù)訓練出來的視覺大模型可以捕捉到產(chǎn)線上工藝流程和設備運行等細節(jié)，大幅提升工業(yè)質檢的效率與水平。

不過，現(xiàn)階段來看，視覺大模型在工業(yè)領域的應用仍處于早期階段，落地還面臨很多挑戰(zhàn)。例如，視覺大模型的訓練和部署需要大量的數(shù)據(jù)和計算資源，而這在某些工業(yè)環(huán)境中可能難以滿足。工業(yè)數(shù)據(jù)敏感性高、特殊性強，對大量實時數(shù)據(jù)、多種類型數(shù)據(jù)、異常數(shù)據(jù)的處理和分析，是一項異常復雜的工作，同時數(shù)據(jù)安全保護也是一大難題。此外，視覺大模型的準確性、穩(wěn)定性和可靠性也需要在實際應用中進行不斷地驗證和優(yōu)化。

視覺大模型要追求“大一統(tǒng)”？

“在視覺模型設計領域中，追求大和統(tǒng)一，已經(jīng)成為當下公認的重要研究方向?！睍缫曆芯吭褐魅窝芯繂T張祥雨表示。在他看來，構建大而通用的模型的好處在于“大反而簡單”。

所謂的“大”，不僅指模型更深（越深的神經(jīng)網(wǎng)絡具有越多的參數(shù)、越強的非線性，可以建模更加復雜的任務），更加強調利用更多的數(shù)據(jù)和算力幫助人們解決通用問題，期望用統(tǒng)一的模型解決多個模態(tài)、多個任務。

除了“大”，“統(tǒng)一”也是一個研究方向。追求通用框架的意義在于可以大規(guī)模地從數(shù)據(jù)中學習知識，無需針對每個任務單獨設計一套系統(tǒng)，避免引入大量人工，可擴展性強。從宏觀的角度來說，想要解決通用人工智能問題，首先需要實現(xiàn)模型的規(guī)?；瘮U展。

“盡管‘大’是未來模型發(fā)展的趨勢，但我們并不片面地追求更大的參數(shù)量和計算。同樣地，我們也不應該簡單追求形式上的‘統(tǒng)一’，更應關注統(tǒng)一帶來的性能收益。我們希望設計出更強大的模型，以創(chuàng)新算法充分發(fā)揮大數(shù)據(jù)、大算力的威力，隨著參數(shù)量、訓練算法的提升在某個時間點上獲得性能的質變，即‘涌現(xiàn)’?！睆埾橛瓯硎尽?/p>

雖然視覺大模型能為機器學習帶來更廣泛的應用場景和更高的表現(xiàn)能力已成共識，但廣東工業(yè)大學教授蔡念表示，這需要海量的數(shù)據(jù)支撐，企業(yè)如果想用好大模型，就要不斷挖掘工業(yè)制造數(shù)據(jù)，為大模型提供足夠的訓練數(shù)據(jù)來源，此外還需要考慮參數(shù)和算力的問題。這些要求對于大企業(yè)而言問題不大，但巨大的成本是很多中小型企業(yè)難以負擔的。

蔡念認為，此時不如考慮小模型和輕量化大模型。智能制造場景化、碎片化明顯，這就需要專注于特定領域進行訓練，進行不同場景的模型定制化，最終形成某一領域的通用模型。這意味著，機器視覺的理想未來，是在復雜的應用場景中打造標準化的應用方案。