来源：新智元
前段时间，浙大&微软发布了一个大模型协作系统HuggingGPT直接爆火。
研究者提出了用ChatGPT作为控制器，连接HuggingFace社区中的各种AI模型，完成多模态复杂任务。
整个过程，只需要做的是：用自然语言将你的需求输出。
英伟达科学家称，这是我本周读到的最有意思的论文。它的思想非常接近我之前说的「EverythingApp」，即万物皆App，被AI直接读取信息。
上手体验
现在，HuggingGPT增加了Gradio演示。
项目地址：https://github.com/microsoft/JARVIS
有网友便上手体验了一番，先来「识别图上有几个人」？
HuggingGPT根据推理结果，得出图片中有2个人正在街道上行走。
上海：支持生产性互联网服务平台引入垂类大模型、产业元宇宙等技术:金色财经报道，上海市人民政府办公厅印发《关于促进本市生产性互联网服务平台高质量发展的若干意见》。其中提出，加快新技术的整合应用。市经信委总工程师葛东波在市政府新闻发布会上表示，聚焦现代化产业体系，打造以新技术赋能的各类平台。例如，面向生物医药，要运用区块链等技术培育具有全渠道供给能力的服务平台。面向汽车产业，打造基于区块链和隐私计算技术的全场景服务平台。同时，还要支持平台引入垂类大模型、产业元宇宙、增强现实等技术，要搭建基于订单驱动的专业服务平台，运用区块链、物联网等技术建设碳管理公共服务平台。[2023/7/19 11:03:31]
具体过程如下：
首先使用图像到文本模型nlpconnect/vit-gpt2-image-captioning进行图像描述，生成的文本「2个女人在有火车的街道上行走」。
接着，使用了目标检测模型facebook/detrresnet50来检测图片中的人数。模型检测出7个物体，2个人。
NFT项目Deadfellaz推出最新IP产品“Streamingfellaz”:金色财经报道，NFT项目Deadfellaz在社交媒体宣布推出最新IP产品“Streamingfellaz”，允许其NFT收藏家群体（被亲切地称为“部落”）能够通过视频流显示他们的数字身份。Streamingfellaz持有者能在虚拟通话、直播和预录视频内容中表达他们的Deadfellaz角色，通过模拟用户的动作和表情使PFP角色栩栩如生，Twitch、YouTube、Google Meet和Zoom等平台都针对此实用程序进行了优化。DFZ LABS联合创始人兼首席执行官Betty称数字身份表达是Deadfellaz品牌的基石，Streamingfellaz是品牌使命延续，可以为藏家提供资源和创意扩展，让他们能够在任何地方表达化身。[2023/5/21 15:16:35]
再使用视觉问题回答模型dandelin/vilt-b32-finetuned-vqa得出结果。最后，系统提供了详细的响应和用于解答问题的模型信息。
8万枚ETH今日19:30许从匿名地址转入Binance.US:金色财经报道，据Whale Alert监测，北京时间19:29:11，8万枚ETH（价值154585877美元）从0xffd2开头地址转入Binance.US，交易哈希值为：0x462615aee0dc43e52fc761b9247f79a9085d104a63b19bfd91f981cc25822459。[2023/5/7 14:47:38]
另外，让它理解「我爱你」这句话的情感，并将其翻译成泰米尔语。
HuggingGPT调用了以下模型：
首先，使用了模型「dslim/bert-base-NER」对文本「lloveyou」进行情感分类，是「浪漫」。
然后，使用「ChatGPT」将文本翻译成泰米尔语，即「Nanunnaikadalikiren」。
在推理结果中没有生成的图片、音频或视频文件。
数据：Gains Network总锁仓量为5100万美元:金色财经报道，defillama数据显示，截至目前，Gains Network总锁仓量为5106万美元，其中Arbitrum上为3484万美元，Polygon上为1623万美元，最近一个月增长率为11.33%。
此前报道，去中心化交易所Gains Network在部署近一个月后在Arbitrum区块链上的交易量已超过15亿美元。[2023/3/21 13:16:01]
转录MP3文件时，HuggingGPT却失败了。网友表示，「不确定这是否是我的输入文件的问题。」
再来看看图像生成的能力。
输入「一只猫跳舞」图像上添加文字「ILOVEYOU」作为叠加层。
HuggingGPT首先使用了「runwayml/stable-diffusion-1-5」模型根据给定的文本生成「跳舞的猫」的图片。
索尼音乐成立RCA唱片大中华区分部，将探索NFT和元宇宙等领域:5月20日消息，索尼音乐娱乐公司（Sony Music Entertainment）为其美国唱片公司RCA Records成立大中华区合资公司，以探索流媒体、NFT和元宇宙的机会。
RCA Records Greater China将在艺人管理和Web 3.0领域招聘关键员工。据悉，签约艺人包括歌手王嘉尔（Jackson Wang）、黄丽玲（A-Lin）。（Forkast）[2022/5/20 3:30:13]
然后，使用同一个模型根据给定的文本生成了「ILOVEYOU」的图片。
最后，将2个图片合并在一起，输出如下图：
贾维斯照进现实
项目公开没几天，贾维斯已经在GitHub上收获了12.5k星，以及811个fork。
研究者指出解决大型语言模型当前的问题，可能是迈向AGI的第一步，也是关键的一步。
因为当前大型语言模型的技术仍然存在着一些缺陷，因此在构建AGI系统的道路上面临着一些紧迫的挑战。
为了处理复杂的人工智能任务，LLMs应该能够与外部模型协调，以利用它们的能力。
因此，关键点在于如何选择合适的中间件来桥接LLMs和AI模型。
在这篇研究论文中，研究者提出在HuggingGPT中语言是通用的接口。其工作流程主要分为四步：
论文地址：https://arxiv.org/pdf/2303.17580.pdf
首先是任务规划，ChatGPT解析用户请求，将其分解为多个任务，并根据其知识规划任务顺序和依赖关系。
接着，进行模型选择。LLM根据HuggingFace中的模型描述将解析后的任务分配给专家模型。
然后执行任务。专家模型在推理端点上执行分配的任务，并将执行信息和推理结果记录到LLM中。
最后是响应生成。LLM总结执行过程日志和推理结果，并将摘要返回给用户。
假如给出这样一个请求：
请生成一个女孩正在看书的图片，她的姿势与example.jpg "/>中的男孩相同。然后请用你的声音描述新图片。
可以看到HuggingGPT是如何将它拆解为6个子任务，并分别选定模型执行得到最终结果的。
通过将AI模型描述纳入提示中，ChatGPT可以被视为管理人工智能模型的大脑。因此，这一方法可以让ChatGPT能够调用外部模型，来解决实际任务。
简单来讲，HuggingGPT是一个协作系统，并非是大模型。
它的作用就是连接ChatGPT和HuggingFace，进而处理不同模态的输入，并解决众多复杂的人工智能任务。
所以，HuggingFace社区中的每个AI模型，在HuggingGPT库中都有相应的模型描述，并将其融合到提示中以建立与ChatGPT的连接。
随后，HuggingGPT将ChatGPT作为大脑来确定问题的答案。
到目前为止，HuggingGPT已经围绕ChatGPT在HuggingFace上集成了数百个模型，涵盖了文本分类、目标检测、语义分割、图像生成、问答、文本到语音、文本到视频等24个任务。
实验结果证明，HuggingGPT可以在各种形式的复杂任务上表现出良好的性能。
网友热评
有网友称，HuggingGPT类似于微软此前提出的VisualChatGPT，似乎他们把最初的想法扩展到了一组庞大的预训练模型上。
VisualChatGPT是直接基于ChatGPT构建，并向其注入了许多可视化模型。文中提出了PromptManage。
在PM的帮助下，ChatGPT可以利用这些VFMs，并以迭代的方式接收其反馈，直到满足用户的要求或达到结束条件。
还有网友认为，这个想法确实与ChatGPT插件非常相似。以LLM为中心进行语义理解和任务规划，可以无限提升LLM的能力边界。通过将LLM与其他功能或领域专家相结合，我们可以创建更强大、更灵活的AI系统，能够更好地适应各种任务和需求。
这就是我一直以来对AGI的看法，人工智能模型能够理解复杂任务，然后将较小的任务分派给其他更专业的AI模型。
就像大脑一样，它也有不同的部分来完成特定的任务，听起来很符合逻辑。
参考资料：
https://twitter.com/1littlecoder/status/1644466883813408768
https://www.youtube.com/watch?v=3_5FRLYS-2A
https://huggingface.co/spaces/microsoft/HuggingGPT
中文推特：https://twitter.com/8BTC_OFFICIAL英文推特：https://twitter.com/btcinchinaDiscord社区：https://discord.gg/defidao电报频道：https://t.me/Mute_8btc电报社区：https://t.me/news_8btc
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。