近年来，人工智能领域取得了突破性的进展，模型的能力不断提升，应用范围也越来越广。从语言模型到视觉模型，从单一任务到多任务，人工智能系统正朝着越来越“同质化”的方向发展。这背后隐藏着一种深刻的趋势：表征的收敛。
1. 表征收敛：从不同模型到不同模态
1.1. 模型间的表征对齐：
近年来，越来越多的系统建立在预训练的基础模型之上，这些模型在各种任务中表现出惊人的通用性，暗示着它们在表征数据的方式上存在着某种程度的“普遍性”。
Lenc 和 Vedaldi (2015) 在他们的研究中发现，即使模型训练于不同的图像数据集上，它们的前几层仍然可以相互替换，并且保持良好的性能。这表明，不同的模型在表征数据的初始阶段，可能趋向于采用类似的策略。
Bansal 等人 (2021) 进一步发现，使用自监督方法训练的模型，其表征与监督学习训练的模型高度一致。
Moschella 等人 (2022) 则展示了“零样本”模型拼接的可行性，即使训练于不同语言的文本模型，它们也往往以惊人的相似方式嵌入数据。
1.2. 规模与性能：
Kornblith 等人 (2019) 发现，模型的表征对齐程度与模型的规模密切相关，更大的模型往往表现出更高的对齐度。
Balestriero 和 Baraniuk (2018) 从理论上证明，具有相似输出的模型（例如，具有高性能的模型）也具有相似的内部激活。
1.3. 模态间的表征对齐：
令人惊奇的是，表征的收敛甚至跨越了不同的数据模态。
Merullo 等人 (2022) 将模型拼接扩展到跨模态场景，发现只需要一个线性投影，就可以将视觉模型与语言模型拼接起来，并在视觉问答和图像字幕等任务中取得良好的性能。
Koh 等人 (2023) 则证明了线性拼接也可以在相反方向上起作用，将文本输入对齐到视觉输出。
近年来，许多语言-视觉模型将预训练的语言和视觉模型拼接在一起。例如，LLaVA (Liu 等人, 2023) 通过将视觉特征投影到语言模型中，使用一个两层 MLP 网络，取得了最先进的结果。
1.4. 模型与大脑的表征对齐：
值得注意的是，神经网络还表现出与大脑中生物表征的显著对齐性 (Yamins 等人, 2014)。
1.5. 表征对齐与下游性能：
如果模型正朝着更准确地表征现实世界收敛，那么我们预期表征对齐应该与下游任务的性能提升相对应。
2. 表征收敛的驱动力量：
2.1. 任务的通用性：
每个训练数据点和目标（任务）都会对模型施加额外的约束。随着数据和任务的规模扩大，能够满足这些约束的表征数量会相应减少。
2.2. 模型的容量：
假设存在一个适用于标准学习目标的全局最优表征，那么在足够的数据情况下，扩大模型（即使用更大的函数类）以及改进优化方法，应该更有效地找到该最优解的更好近似。
2.3. 简洁性的偏好：
深层网络倾向于找到对数据的简洁拟合，而模型越大，这种偏好就越强。因此，随着模型越来越大，我们应该预期它们会收敛到更小的解空间。
3. 我们正在收敛到什么表征？
3.1. 理想世界：
作者假设，我们正在收敛到的表征，是一个对生成我们观察结果的潜在现实的统计模型。
3.2. 对比学习：
作者认为，对比学习算法可以学习到潜在现实的统计模型。对比学习算法通过学习一个表征函数，使得共同出现的观察结果在表征空间中彼此靠近，而独立出现的观察结果则彼此远离。
4. 表征收敛的意义：
4.1. 规模的重要性：
作者认为，规模对于实现高水平的智能至关重要。随着模型参数、数据量和计算量的增加，表征会收敛，而与其他建模选择甚至数据模态无关。
4.2. 跨模态数据共享：
如果存在一个模态无关的“柏拉图式”表征，那么图像数据和语言数据都应该有助于找到它。这意味着，如果我们想要训练最好的视觉模型，我们应该不仅在图像数据上训练，还应该在语言数据上训练。
4.3. 跨模态迁移和适应：
当两个表征对齐时，从一个表征过渡到另一个表征应该是一个简单的函数，并且很容易获得。
4.4. 减少幻觉和偏差：
如果模型确实正在收敛到一个准确的现实模型，并且规模推动了这种收敛，那么我们可能会预期幻觉会随着规模的增加而减少。
5. 挑战和局限：
5.1. 不同模态的信息差异：
不同的模态可能包含不同的信息。例如，语言模型可能无法描述观测日全食的无与伦比的体验，而图像模型可能无法传达“我相信言论自由”这样的抽象概念。
5.2. 表征收敛的局限性：
作者的论点主要集中在视觉和语言两个模态上。虽然作者预期其他模态也将遵循类似的趋势，但目前还没有看到所有领域都达到相同的收敛水平。
5.3. 社会偏差：
研究人员的偏差和人工智能社区的集体偏好，已经塑造了模型发展的轨迹。
5.4. 特定目的的智能：
不同的智能系统可以被设计来完成不同的任务。例如，生物信息学系统可以预测蛋白质结构，而自动驾驶汽车可以遵循高速公路上的车道。
5.5. 对齐度衡量：
作者在实验中使用了互斥最近邻度量，但关于衡量对齐度的优缺点存在着激烈的争论。
6. 未来展望：
作者的论点为我们理解人工智能模型的表征收敛提供了新的视角，也为未来人工智能的发展指明了方向。
参考文献：
- Lenc, K., & Vedaldi, A. (2015). Understanding image representations by measuring their equivariance and equivalence. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 991-999).
- Bansal, Y., Nakkiran, P., & Barak, B. (2021). Revisiting model stitching to compare neural representations. Advances in Neural Information Processing Systems, 34, 225-236.
- Moschella, L., Maiorca, V., Fumero, M., Norelli, A., Locatello, F., & Rodolà, E. (2022). Relative representations enable zero-shot latent space communication. arXiv preprint arXiv:2209.15430.
- Kornblith, S., Norouzi, M., Lee, H., & Hinton, G. (2019). Similarity of neural network representations revisited. In International Conference on Machine Learning (pp. 3519-3529). PMLR.
- Balestriero, R., & Baraniuk, R. G. (2018). A spline theory of deep learning. In International Conference on Machine Learning (pp. 374-383). PMLR.
- Merullo, J., Castricato, L., Eickhoff, C., & Pavlick, E. (2022). Linearly mapping from image to text space. arXiv preprint arXiv:2209.15162.
- Koh, J. Y., Salakhutdinov, R., & Fried, D. (2023). Grounding language models to images for multimodal inputs and outputs. In International Conference on Machine Learning (pp. 17283-17300). PMLR.
- Liu, H., Li, C., Wu, Q., & Lee, Y. J. (2023). Visual instruction tuning. In NeurIPS.
- Yamins, D. L., Hong, H., Cadieu, C. F., Solomon, E. A., Seibert, D., & DiCarlo, J. J. (2014). Performance-optimized hierarchical models predict neural responses in higher visual cortex. Proceedings of the National Academy of Sciences, 111(23), 8619-8624.
https://arxiv.org/html/2405.07987v1