最強(qiáng)組合HuggingFace+ChatGPT=「賈維斯」現(xiàn)在開放demo了。

前段時(shí)間，浙大&微軟發(fā)布了一個(gè)大模型協(xié)作系統(tǒng)HuggingGPT直接爆火。

研究者提出了用ChatGPT作為控制器，連接HuggingFace社區(qū)中的各種AI模型，完成多模態(tài)復(fù)雜任務(wù)。

整個(gè)過程，只需要做的是：用自然語言將你的需求輸出。

英偉達(dá)科學(xué)家稱，這是我本周讀到的最有意思的論文。它的思想非常接近我之前說的「Everything App」，即萬物皆App，被AI直接讀取信息。

上手體驗(yàn)

現(xiàn)在，HuggingGPT增加了Gradio演示。

項(xiàng)目地址：https://github.com/microsoft/JARVIS

有網(wǎng)友便上手體驗(yàn)了一番，先來「識(shí)別圖上有幾個(gè)人」？

HuggingGPT根據(jù)推理結(jié)果，得出圖片中有2個(gè)人正在街道上行走。

具體過程如下：

首先使用圖像到文本模型nlpconnect/vit-gpt2-image-captioning進(jìn)行圖像描述，生成的文本「2個(gè)女人在有火車的街道上行走」。

接著，使用了目標(biāo)檢測模型facebook/detrresnet 50來檢測圖片中的人數(shù)。模型檢測出7個(gè)物體，2個(gè)人。

再使用視覺問題回答模型dandelin/vilt-b32-finetuned-vqa得出結(jié)果。最后，系統(tǒng)提供了詳細(xì)的響應(yīng)和用于解答問題的模型信息。

另外，讓它理解「我愛你」這句話的情感，并將其翻譯成泰米爾語（Tami?）。

HuggingGPT調(diào)用了以下模型：

首先，使用了模型「dslim/bert-base-NER」對(duì)文本「l love you」進(jìn)行情感分類，是「浪漫」。

然后，使用「ChatGPT」將文本翻譯成泰米爾語，即「Nan unnai kadalikiren」。

在推理結(jié)果中沒有生成的圖片、音頻或視頻文件。

轉(zhuǎn)錄MP3文件時(shí)，HuggingGPT卻失敗了。網(wǎng)友表示，「不確定這是否是我的輸入文件的問題。」

再來看看圖像生成的能力。

輸入「一只貓?zhí)琛箞D像上添加文字「I LOVE YOU」作為疊加層。

HuggingGPT首先使用了「runwayml/stable-diffusion-1-5」模型根據(jù)給定的文本生成「跳舞的貓」的圖片。

然后，使用同一個(gè)模型根據(jù)給定的文本生成了「I LOVE YOU」的圖片。

最后，將2個(gè)圖片合并在一起，輸出如下圖：

賈維斯照進(jìn)現(xiàn)實(shí)

項(xiàng)目公開沒幾天，賈維斯已經(jīng)在GitHub上收獲了12.5k星，以及811個(gè)fork。

研究者指出解決大型語言模型（LLMs）當(dāng)前的問題，可能是邁向AGI的第一步，也是關(guān)鍵的一步。

因?yàn)楫?dāng)前大型語言模型的技術(shù)仍然存在著一些缺陷，因此在構(gòu)建 AGI 系統(tǒng)的道路上面臨著一些緊迫的挑戰(zhàn)。

為了處理復(fù)雜的人工智能任務(wù)，LLMs應(yīng)該能夠與外部模型協(xié)調(diào)，以利用它們的能力。

因此，關(guān)鍵點(diǎn)在于如何選擇合適的中間件來橋接LLMs和AI模型。

在這篇研究論文中，研究者提出在HuggingGPT中語言是通用的接口。其工作流程主要分為四步：

論文地址：https://arxiv.org/pdf/2303.17580.pdf

首先是任務(wù)規(guī)劃，ChatGPT解析用戶請(qǐng)求，將其分解為多個(gè)任務(wù)，并根據(jù)其知識(shí)規(guī)劃任務(wù)順序和依賴關(guān)系。

接著，進(jìn)行模型選擇。LLM根據(jù)HuggingFace中的模型描述將解析后的任務(wù)分配給專家模型。

然后執(zhí)行任務(wù)。專家模型在推理端點(diǎn)上執(zhí)行分配的任務(wù)，并將執(zhí)行信息和推理結(jié)果記錄到LLM中。

最后是響應(yīng)生成。LLM總結(jié)執(zhí)行過程日志和推理結(jié)果，并將摘要返回給用戶。

假如給出這樣一個(gè)請(qǐng)求：

請(qǐng)生成一個(gè)女孩正在看書的圖片，她的姿勢(shì)與example.jpg中的男孩相同。然后請(qǐng)用你的聲音描述新圖片。

可以看到HuggingGPT是如何將它拆解為6個(gè)子任務(wù)，并分別選定模型執(zhí)行得到最終結(jié)果的。

通過將AI模型描述納入提示中，ChatGPT可以被視為管理人工智能模型的大腦。因此，這一方法可以讓ChatGPT能夠調(diào)用外部模型，來解決實(shí)際任務(wù)。

簡單來講，HuggingGPT是一個(gè)協(xié)作系統(tǒng)，并非是大模型。

它的作用就是連接ChatGPT和HuggingFace，進(jìn)而處理不同模態(tài)的輸入，并解決眾多復(fù)雜的人工智能任務(wù)。

所以，HuggingFace社區(qū)中的每個(gè)AI模型，在HuggingGPT庫中都有相應(yīng)的模型描述，并將其融合到提示中以建立與ChatGPT的連接。

隨后，HuggingGPT將ChatGPT作為大腦來確定問題的答案。

到目前為止，HuggingGPT已經(jīng)圍繞ChatGPT在HuggingFace上集成了數(shù)百個(gè)模型，涵蓋了文本分類、目標(biāo)檢測、語義分割、圖像生成、問答、文本到語音、文本到視頻等24個(gè)任務(wù)。

實(shí)驗(yàn)結(jié)果證明，HuggingGPT可以在各種形式的復(fù)雜任務(wù)上表現(xiàn)出良好的性能。

網(wǎng)友熱評(píng)

有網(wǎng)友稱，HuggingGPT類似于微軟此前提出的Visual ChatGPT，似乎他們把最初的想法擴(kuò)展到了一組龐大的預(yù)訓(xùn)練模型上。

Visual ChatGPT是直接基于ChatGPT構(gòu)建，并向其注入了許多可視化模型（VFMs）。文中提出了Prompt Manage。

在PM的幫助下，ChatGPT可以利用這些VFMs，并以迭代的方式接收其反饋，直到滿足用戶的要求或達(dá)到結(jié)束條件。

還有網(wǎng)友認(rèn)為，這個(gè)想法確實(shí)與ChatGPT非常相似。以LLM為中心進(jìn)行語義理解和任務(wù)規(guī)劃，可以無限提升LLM的能力邊界。通過將LLM與其他功能或領(lǐng)域?qū)＜蚁嘟Y(jié)合，我們可以創(chuàng)建更強(qiáng)大、更靈活的 AI 系統(tǒng)，能夠更好地適應(yīng)各種任務(wù)和需求。

這就是我一直以來對(duì)AGI的看法，人工智能模型能夠理解復(fù)雜任務(wù)，然后將較小的任務(wù)分派給其他更專業(yè)的AI模型。

就像大腦一樣，它也有不同的部分來完成特定的任務(wù)，聽起來很符合邏輯。