谷歌推出视觉语言模型PaLM-E，参数量达5620亿

近日有消息显示，Robotics at Google、柏林工业大学以及Google Research团队联合推出了一款目前最大的视觉语言模型PaLM-E，其最终的参数量高达5620亿。据了解，这个模型具备理解图像、理解生成语言和处理复杂机器指令的能力。

对此谷歌方面表示，该模型还具有环境适应性反应，并有能力面对可能出现的意外状况。有消息称，或因该模型集成于一个控制回路中，因此对干扰具备一定的鲁棒性。

据悉，由于该模型是通过PaLM-540B语言模型与Vit-22B视觉Transformer模型结合而成，其核心是强大的语言处理能力，亮点则在于该模型获取并处理视觉数据后，能利用视觉数据增强自身的语言处理能力。例如，可通过交通标志的图片解答对应的交通规则、通过食材图片了解制作流程，或是通过输入指令来指导机器人完成相对复杂的动作。

据了解，PaLM-E还有一项较为突出的优势，即具备强悍的正迁移能力。在谷歌方面公布的相关测试结果中，研究人员认为，基于PaLM-E具备自主学习的能力，因此其能够在不同实体上执行规划与跨长度任务，例如该模型在指导机器人完成“按颜色分类色块”后，还能进一步指导机器人完成将绿色色块推至从未见过的摆件旁。

对此有观点认为，虽然目前PaLM-E给予机器人的指导看起来并非十分复杂，但随着数据训练的更迭，其或将能够赋予机器人更多的思考能力，未来有望能够更合理的规划和执行人类发出的命令，并在工业应用和设计上取得较大的突破。

据了解，在人工智能赛道，微软此前在今年2月也曾发表过上述研究中提到的类似案例，即通过ChatGPT编写的程序来指导无人机如何寻找饮料。

【以上内容转自“三易生活网”，不代表本网站观点。如需转载请取得三易生活网许可，如有侵权请联系删除。】

延伸阅读：

• vivo V27现身谷歌Play数据库，或即将正式亮相
• 谷歌Gboard输入法或加入新功能，可自动生成图像