2021年1月11日，由北京智源人工智能研究院（以下简称“智源研究院”）、阿里巴巴、清华大学、中国人民大学、中国科学院、搜狗、智谱.AI、循环智能等单位的科研骨干成立“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。
一、面向认知的大规模文本预训练模型“文汇”的基本情况
“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模型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。
系统工程上，采用阿里统一多种并行策略的高性能、灵活、易用的分布式框架Whale，使用模型并行+流水并行+数据并行训练进行分布式训练，256卡训练速度是8GPU的29.4倍，加速比接近线性。基于中文百科、知乎、问答三类数据则由搜狗提供。
与GPT不同，研究人员使用Transformer-XL来替换了GPT中原来的Transformer模型，从而能够生成超过Transformer的窗口长度（一般为512）的文本。如下图所示，GPT-XL能够生成基于人设的文本，较好的保持了内容一致性。
二、“文汇”模型应用即将上线
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。
1.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。
2.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QUDA，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。 
3.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，如《赠抗疫英雄》 唐 李白。
下面是基于模型自动作诗的结果：
4.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。
三、“悟道”项目下一步研发计划
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。
