AI2（Allen Institute for AI）今日发布Unified-IO系统，这是首批能执行“大规模且多样化”AI任务的系统之一。该系统可处理并生成图像、文本及结构化数据，被视为构建统一全能型AI的重要一步。
统一架构：减少任务特定修改需求
AI2科研科学家Jaisen Lu表示：“我们致力于构建任务无关的AI系统，使从业者无需深究底层机制即可训练新模型。统一架构减少了特定任务参数调整需求，支持多任务联合训练与知识共享，从而提升整体性能。”
此前AI2推出的GPV-1和GPV-2仅支持图像描述、问答等少数视觉-语言任务。Unified-IO则需从零重新设计，采用Transformer架构——自2017年以来，该架构已成为复杂推理任务的首选，具备文档总结、音乐生成、物体分类及蛋白质序列分析等能力。
Unified-IO通过示例学习，以token形式吸收数十亿字节文字与图像数据，并以模型可理解的方式表征信息。
突破视觉任务同质化瓶颈
合作开发者Chris Clark指出：“NLP任务因输入输出均为词语而易于统一建模；但计算机视觉任务多样，以往多任务模型局限于产生语言输出的场景。Unified-IO通过将图像、二值掩码、边界框、关键点、灰度图等结构化输出转化为同质token序列，实现了对大量经典视觉任务的统一建模。”
受限于模态，Unified-IO暂不支持视频与音频处理，但可完成图像生成、物体检测、深度估计、文档改写及区域高亮等任务。
Clark强调：“这标志着图像、掩码、语言和边界框等异构模态被视作类语言标记序列，为计算机视觉开辟了新路径，包括大规模统一预训练、跨任务知识迁移及少样本学习等。”
业界评价：实用性强于Gato，性能待验证
阿尔伯塔大学Matthew Guzdial教授认为，Unified-IO与DeepMind的Gato（支持600+任务）水平相当，但更具实用性。“Gato多用于游戏，而Unified-IO的应用场景明确且贴近现实产品，更可能影响日常生活。”但他同时提醒：“演示效果虽炫目，却未披露具体性能指标。鉴于Gato在各项指标上均逊于单任务专用模型，Unified-IO或面临同样挑战。”
未来展望：扩展规模与模态支持
AI2团队计划提升系统效率，增加音视频模态支持，并通过扩大规模优化性能。Clark表示：“Imagen和DALL-E 2证明充足数据可训练出卓越的单任务模型；而Unified-IO使我们能训练超大规模多任务模型。我们假设，大幅扩展数据与模型规模将带来显著更好的结果。”