數(shù)據(jù)量超過700萬億字節(jié)的通用數(shù)據(jù)集和4.33萬億字節(jié)的行業(yè)數(shù)據(jù)集，在同一個平臺匯聚。6月14日，北京人工智能數(shù)據(jù)運營平臺在2024北京智源大會上發(fā)布，“行業(yè)數(shù)據(jù)集-場景應用創(chuàng)新計劃”也同步啟動。北京智源人工智能研究院理事長、北京大學教授黃鐵軍表示，構建大模型生態(tài)首先要建立數(shù)據(jù)流通機制，推動從數(shù)據(jù)到智能的正反饋。
匯聚數(shù)據(jù)超700 萬億字節(jié)
“如果沒有開源數(shù)據(jù)集，很難想象過去十幾年，人工智能怎樣才能實現(xiàn)如此快速的迭代。然而，這些數(shù)據(jù)集還遠遠不夠。”智源研究院副院長兼總工程師林詠華坦言，特別是中文互聯(lián)網(wǎng)的數(shù)據(jù)量相差甚遠，“數(shù)據(jù)孤島”問題也較為嚴重。
本次發(fā)布的北京人工智能數(shù)據(jù)運營平臺，匯聚了大量通用數(shù)據(jù)、行業(yè)數(shù)據(jù)，支持文本、圖像、視頻等多種模態(tài)，并打造了全流程的數(shù)據(jù)處理工具。超過700萬億字節(jié)的通用數(shù)據(jù)集可以開展通用模型訓練，同時，4.33萬億字節(jié)的行業(yè)垂類數(shù)據(jù)對模型訓練也極為重要。
當前已知的全球開源行業(yè)文本類數(shù)據(jù)集總量僅約1.2萬億字節(jié)。“這次開源的行業(yè)數(shù)據(jù)集，幾乎每一項都遠超全球已經(jīng)開源的該行業(yè)數(shù)據(jù)集總和，是全球最大的多行業(yè)中英雙語數(shù)據(jù)集。”林詠華說，目前數(shù)據(jù)集包含醫(yī)療、教育、法律、新聞等18類行業(yè)數(shù)據(jù)，未來將進一步擴展到30類左右。
針對不同數(shù)據(jù)特點，平臺明確了3種數(shù)據(jù)使用方式。一批公開領域采集的數(shù)據(jù)集將開源開放，用戶可以免費下載；有意向互換高質(zhì)量數(shù)據(jù)集的主體，可以參與構建數(shù)據(jù)池，合作共建、共享數(shù)據(jù)集；高價值數(shù)據(jù)集則通過數(shù)算一體模式，確保模型在加工、訓練過程中，數(shù)據(jù)不出安全域，保障數(shù)據(jù)安全。
挑戰(zhàn)多模態(tài)模型新路線
“智源研究院在2021年就發(fā)布了悟道1.0和2.0大模型，當年創(chuàng)造了‘中國首個’‘全球最大’等一系列紀錄。可以說，智源與大模型有著緊密的關聯(lián)。”智源研究院院長王仲遠表示，隨著大模型的發(fā)展，人工智能逐步進入通用人工智能時代，該院目前正在訓練的原生多模態(tài)世界模型Emu3，再次瞄準了行業(yè)內(nèi)最有挑戰(zhàn)性的一條技術路線。
當前，文生圖、圖生文、文生視頻等模型都有各自對應的架構和方法，很難兼容不同任務。例如文生視頻模型Sora，就無法做到對圖像和視頻的理解。“Emu3從設計之初就瞄準了多模態(tài)融合，其生成和理解能力也得到統(tǒng)一，還具備更多模態(tài)的可擴展性。”王仲遠說，基于智源研究院自研的多模態(tài)自回歸技術路徑，圖像、視頻、文字等模態(tài)可以進行聯(lián)合訓練。
這一模式，讓該模型不僅能閱讀文字，還擁有“讀圖”“看視頻”的能力。上傳一段視頻，模型能快速識別出，視頻內(nèi)的男人給人以幸福、興奮的感覺。“如果這條路線實現(xiàn)突破，又將是對人工智能產(chǎn)業(yè)的一次重大技術貢獻。”王仲遠說，目前，該模型已具備生成高質(zhì)量圖片和視頻、續(xù)寫視頻、理解物理世界等多模態(tài)能力，但中間還存在不盡完美之處。待持續(xù)訓練并經(jīng)過安全評估后，Emu3將逐步開源。
世界級研究成果接連產(chǎn)出
具身智能技術的發(fā)展，推動人工智能從數(shù)字世界走入物理世界。在大會展廳中，經(jīng)過通用抓取模型訓練，機器人對任意形狀、反光透明等物體都能有效抓取，在工業(yè)級真機上實現(xiàn)超過95%的抓取成功率，實現(xiàn)全球領先的商業(yè)級動作執(zhí)行水平。機器人還擁有對開放指令的思考能力，當測試人員提出“我餓了”，機器人在桌面擺放的10多種物品中，發(fā)現(xiàn)了可以食用的橘子和香蕉。“橘子和香蕉您要哪個？”機器人追問。得到需要橘子的答案后，它抓起橘子放入筐里。
機械臂搭載探頭在被檢測者的胸部往復移動，心臟跳動的畫面就在床旁的顯示屏上呈現(xiàn)出來。王仲遠介紹，智源研究院與清華大學、301醫(yī)院合作研發(fā)的全球首創(chuàng)智能心臟超聲機器人，能在高速動態(tài)環(huán)境下快速計算提取心臟特征。臨床驗證結果顯示，它檢測的準確性、高效性與人類醫(yī)生基本持平，但穩(wěn)定性和舒適性顯著高于人類醫(yī)生，對提升超聲醫(yī)療的普及度有重要意義。
全球首個低碳單體稠密萬億語言模型推出，全球首個實時孿生心臟計算模型構建，全原子生物分子模型達世界領先……王仲遠介紹，過去的1年里，智源研究院在多模態(tài)大模型、具身大模型和生物計算大模型等方向發(fā)力，已取得了多個世界級成果。未來幾年內(nèi)，該院還將圍繞這些方向持續(xù)研發(fā)。