日前，由智源研究院、阿里巴巴、清华大学、人民大学、中科院、搜狗、智谱·AI、循环智能等单位的科研骨干成立的“悟道”联合攻关团队，发布了面向认知的超大规模新型预训练模型“文汇”，旨在探索解决当前大规模自监督预训练模型不具有认知能力的问题。“文汇”模型不仅使用数据驱动的方法来建构预训练模型，还将用户行为、常识知识以及认知联系起来，主动“学习”与创造。
本次发布的“文汇”模型与1月初OpenAI刚刚发布的DALL・E和CLIP这两个连接文本与图像的大规模预训练模型类似，“文汇”模型能够学习不同模态（文本和视觉领域为主）之间的概念，可以实现“用图生文”等任务，具有一定的认知能力。“文汇”模型参数规模达113亿，仅次于DALL・E模型的120亿参数量，是目前我国规模最大的预训练模型，并已实现与国际领先预训练技术的并跑。
自从2020年5月，OpenAI发布迄今为止全球规模最大的预训练模型GPT-3以来，超大规模预训练模型就成为人工智能领域研究的热点。OpenAI、谷歌、Facebook等国际IT公司都在持续推动大规模预训练模型的进一步发展。可以预测到的是，未来的GPT-4参数又会增大至少10倍，而且处理的数据将会更加多模态（文字、图像、视觉、声音）。
虽然GPT-3在多项任务中表现出色，但它最大的问题是没有常识，不具有认知能力。例如，向GPT-3提问第一个问题“长颈鹿有几个眼睛？”GPT-3回答是两个眼睛，再提问第二个问题“我的脚有几个眼睛？”GPT-3回答的结果也是两个眼睛，这就不符合人类常识。
智源研究院学术副院长、清华大学计算机系唐杰教授认为，GPT-3等超大型预训练模型在处理复杂的认知推理任务上，例如开放对话、基于知识的问答、可控文本生成等，结果仍然与人类智能有较大差距。
为推动研发我国自主的大规模预训练模型，解决目前国际主流模型存在的问题，2020年10月，智源研究院启动了新型超大规模预训练模型研发项目“悟道”。
此次发布的是“文汇”（面向认知的超大规模新型预训练模型）的一期研发成果，用于自动生成图片、文字以及视频，可具有初级认知能力。智源研究院院长、北京大学信息技术学院黄铁军教授指出，“文汇”模型针对性地设计了多任务预训练的方法，可以同时学习文→文、图→文以及图文→文等多项任务，实现对多个不同模态的概念理解。
经过预训练的“文汇”模型不需要进行微调就可以完成“用图生文”等任务，对模型进行微调则可以灵活地接入如视觉问答、视觉推理等任务。
“文汇”是面向认知的大规模预训练模型，项目研究组提出了针对多模态认知生成的大规模预训练的架构M6：MultiModality-to-MultiModality Multi-task Mega-Transformer。
模型整体架构基于Transformer，其中图像进行切块并对块采用ResNet-50提取特征。这些特征以及对应的position embedding让图像和文本能组合在一起送入模型。团队针对性地设计了多任务预训练的方法，通过灵活的mask技巧实现多任务学习。
“文汇”模型能够完成多种图文生成任务，比如输入下图：在阿里商品场景下微调的模型将给出描述：旗袍是一种古典的服饰，它不仅能够彰显出女性优雅、知性和美丽。这款旗袍采用了经典的圆领设计，穿着舒适自在；精致的刺绣工艺，展现出华贵而又大气之感；中长款版型遮肉显瘦，修身剪裁勾勒曼妙曲线；下摆处有荷叶边装点，增添几分俏皮可爱；袖口做了收腰设计，更加凸显纤细手臂。
目前，“文汇”已支持基于认知推理的多种自然语言及跨模态应用任务，部分应用即将与搜狗、阿里巴巴、学堂在线、智谱.AI、循环智能等机构合作上线。目前已有四个样例应用可用于展示模型效果。
（一）基于上传图片的开放域问答：本应用基于图片文本的多模态认知预训练百亿模型，可以支持用户上传图片后，针对图片内容进行提问或生成图片的一句话描述。如上传图片后询问“图片中的电脑在水杯的什么位置？”或“生成对应商品图片的一句话描述”。将于未来大规模应用于阿里的电商场景。
（二）Talk to Data，用语言操作数据可视化：本应用基于数据可视化技术，通过将自然语言转化为可视化查询语句，从而达到“上传图表，输入指令，输出可视化图像”的功能目标。只需要一句自然语言的话，就可以实现数据的可视化自动统计与查询。
（三）基于预训练语言模型的诗词创作应用：本应用可以基于输入的诗歌题目、朝代、作者，生成仿古诗词。与传统基于规则或监督学习的诗歌生成不同，这个应用创作的诗歌来自于自然语言的生成，且无标注数据进行fine-tune，并且可以模仿任意诗人创作任意新颖题目的诗歌。
（四）可控人设的开放域问答：本应用支持用户上传问题，并生成具有人物角色风格的定制化文本回答。与传统的开放式问答不同，“文汇”模型生成的答案具有人设的语言特色，问答内容趣味横生。目前该应用将计划在搜狗的问答场景中使用。
目前，“悟道”项目研究团队正在视觉等更广泛的范围内，对大规模自监督预训练方法开展探索研究，已经启动了四类大规模预训练模型研制，包括“文源”（以中文为核心的超大规模预训练语言模型）、“文汇”（面向认知的超大规模新型预训练模型）、“文澜”（超大规模多模态预训练模型）和“文溯”（超大规模蛋白质序列预训练模型）。
2020年11月14日，智源研究院已发布了“文源”（以中文为核心的超大规模预训练语言模型）第一阶段26亿参数规模的中文语言模型。下一步，智源研究院将联合优势单位加快四类大规模预训练模型的研发进度。特别是“文汇”模型，未来将着力在多语言、多模态条件下，提升完成开放对话、基于知识的问答、可控文本生成等复杂认知推理任务的能力，使其更加接近人类水平。
计划在今年6月实现“中文自然语言应用系统”“基于图文增强和知识融入的图文应用系统”“基于认知的复杂认知系统”等一批各具特色的超大规模预训练模型，以期达到对国际领先AI技术的赶超，尽快实现我国在国际AI前沿技术研究的领跑。