AI的新進(jìn)展頻頻，人才動態(tài)也愈加重磅。

新年第一則大牛人事動向，引發(fā)業(yè)內(nèi)關(guān)注。

許主洪，IEEE Fellow，新加坡管理大學(xué)終身教授，被曝加盟阿里。

許主洪是誰？1998級清華計算機(jī)系本科，碩博畢業(yè)于港中文，谷歌學(xué)術(shù)五萬引大佬。

多篇關(guān)于多模態(tài)預(yù)訓(xùn)練論文，深刻影響了業(yè)內(nèi)大模型研發(fā)，阿里Qwen、谷歌RT-2都曾引用過其研究成果。

產(chǎn)業(yè)界，他曾擔(dān)任全球最大企業(yè)軟件廠商Salesforce集團(tuán)副總裁、亞洲研究院創(chuàng)始院長，從0到1搭建了Salesforce亞洲人工智能研究體系。

現(xiàn)在，阿里方面已經(jīng)證實(shí)。他將出任阿里集團(tuán)副總裁，向阿里AI To C業(yè)務(wù)負(fù)責(zé)人吳嘉匯報，專注于AI To C業(yè)務(wù)的多模態(tài)基礎(chǔ)模型及Agents相關(guān)基礎(chǔ)研究與應(yīng)用解決方案。

誰是許主洪？

在加盟阿里之前，他曾在工業(yè)界和學(xué)術(shù)界均擁有超20年經(jīng)驗(yàn)，曾在新加坡南洋理工大學(xué)、新加坡管理大學(xué)擔(dān)任教授。

研究方向包括機(jī)器學(xué)習(xí)的基礎(chǔ)研究和人工智能多個領(lǐng)域的應(yīng)用研究，包括多媒體信息檢索、計算機(jī)視覺、大數(shù)據(jù)分析、社交媒體、智能網(wǎng)絡(luò)安全、計算金融和智慧城市等。

谷歌學(xué)術(shù)顯示，其發(fā)表300余篇人工智能頂級學(xué)術(shù)論文，被引五萬余次，2020年至今被引近四萬次。

2019年當(dāng)選為IEEE Fellow，同一年當(dāng)選的還有知名大佬、CMU教授邢波。

時間回到1998年，他來到清華大學(xué)計算機(jī)系讀書，本科畢業(yè)前往港中文攻讀碩博。

2007年他來到了新加坡南洋理工大學(xué)。期間他負(fù)責(zé)開源了一個機(jī)器學(xué)習(xí)庫LIBOL，里面有一大批經(jīng)典和先進(jìn)的在線學(xué)習(xí)算法，用于解決大規(guī)模機(jī)器學(xué)習(xí)任務(wù)，滿足各種新興大數(shù)據(jù)挖掘應(yīng)用的需求。

能夠看到的是，從那時候開始，他就已經(jīng)在深入思考連接技術(shù)到應(yīng)用之間這一橋梁。

隨后他去到新加坡管理大學(xué)，2020年獲終身教職。

轉(zhuǎn)折點(diǎn)在2019年，他正式選擇踏入工業(yè)界，將自身技術(shù)積累真正融入進(jìn)產(chǎn)業(yè)應(yīng)用當(dāng)中去。

他的實(shí)戰(zhàn)場是全球最大企業(yè)軟件廠商Salesforce，幫助他們補(bǔ)齊AI基礎(chǔ)研究與應(yīng)用這一板塊。

他主導(dǎo)開創(chuàng)了多個行業(yè)先河的人工智能項(xiàng)目和產(chǎn)品，包括不限于多模態(tài)系列模型BLIP、代碼生成神器CodeGen、通用CRM助手Einstein GPT。

（CRM是客戶關(guān)系管理軟件系統(tǒng)。Einstein GPT支持包括 Slack、銷售、服務(wù)、營銷、商務(wù)和應(yīng)用程序構(gòu)建器）

另一個實(shí)戰(zhàn)場是2023年，乘著大模型的技術(shù)熱潮，他創(chuàng)辦了AI初創(chuàng)公司HyperGAI。

期間發(fā)布了多款多模態(tài)基礎(chǔ)模型，特點(diǎn)是在不增加計算成本的情況下，實(shí)現(xiàn)當(dāng)前世界頂尖模型的水平。

在GPT-4V和Gemini Pro等大語言模型都在專注于文本的當(dāng)下，他們在多模態(tài)理解和生成上面取得了不少突破，并且有很強(qiáng)的應(yīng)用屬性在里面。

比如像HPT 1.5 端側(cè)多模態(tài)模型，只有4B大小，性能卻優(yōu)于當(dāng)時微軟新推出的Phi-3-Vision（4B）多模態(tài)模型，并在多項(xiàng)基準(zhǔn)測試中達(dá)到了GPT-4V的性能。

除了一些評測之外，模型還展示了移動端上的使用效果，能夠識別圖中的關(guān)鍵信息。

同時它也具備強(qiáng)大的推理能力，可以理解并解答幾何題。

學(xué)術(shù)領(lǐng)域，他憑借深厚的專業(yè)素養(yǎng)和杰出的研究能力，發(fā)表了眾多頂級學(xué)術(shù)論文，研究成果備受行業(yè)矚目。

而在產(chǎn)業(yè)界，他將前沿技術(shù)與實(shí)際應(yīng)用緊密結(jié)合，成功推動了AI多個領(lǐng)域的突破與落地，成為連接學(xué)術(shù)與產(chǎn)業(yè)之間的橋梁。

深刻影響多模態(tài)大模型研發(fā)

問題是有了這位頂尖AI科學(xué)家的加盟，對于阿里來說意味著什么？

在許主洪的專業(yè)擅長中，不難找到線索和答案。

在他諸多論文中，有兩篇BLIP系列論文最為矚目，累計引用過萬，其中BLIP-2始終高居引用榜首。

更早之前還有技術(shù)博主專門研讀了他的成果，表示GPT-4V現(xiàn)在還像個黑匣子，而BLIP系列研究不僅在各種視覺任務(wù)中表現(xiàn)出SOTA的性能，也可能是打破黑匣子的有效解決方案。

2023年，各種大語言模型剛剛興起的時候，業(yè)內(nèi)就已經(jīng)在思考LLM涌現(xiàn)的通用性和泛化能力，是否也能在視覺領(lǐng)域中實(shí)現(xiàn)。

一個統(tǒng)一的視覺與語言的框架，以及一個能將它們與LLM結(jié)合起來的框架，成為自然而然的技術(shù)需求。

在眾多創(chuàng)新方法中，BLIP脫穎而出，它統(tǒng)一了視覺語言任務(wù)的理解與生成能力，并通過引入Captioner-Filter機(jī)制減少了監(jiān)督文本的噪聲，從而提高模型的訓(xùn)練質(zhì)量。

模型核心在于獨(dú)特的編碼器-解碼器混合架構(gòu)（MED），該架構(gòu)由視覺編碼器、文本編碼器和多模態(tài)編碼器三部分組成。

每個模塊都有相關(guān)的預(yù)訓(xùn)練目標(biāo)，所有三個模塊都根據(jù)這些預(yù)訓(xùn)練目標(biāo)進(jìn)行聯(lián)合訓(xùn)練。

這系列論文所在的語言視覺智能一站式庫LAVIS，GitHub超過萬顆星，足以見其在業(yè)內(nèi)的影響力。在這個庫里還有各種BLIP的衍生，比如X-InstructBLIP、BLIP-Diffusion等等。

而將時間拉回現(xiàn)在，隨著大模型發(fā)展的深入，多模態(tài)能力作為核心屬性，正在重塑著AI的應(yīng)用范式。

總結(jié)來說，多模態(tài)讓大模型從“單一功能工具”轉(zhuǎn)變?yōu)椤叭艿腁gent”，其應(yīng)用場景將不斷地深入與拓寬。

核心體現(xiàn)在兩個方面：

其一，突破單模態(tài)局限，實(shí)現(xiàn)更全面的認(rèn)知與交互。多模態(tài)大模型通過融合文本、圖像、音頻、視頻等異構(gòu)數(shù)據(jù)，能夠構(gòu)建更接近人類認(rèn)知、近乎人類水平的模型。

這種跨模態(tài)的語義對齊能力，使AI能理解復(fù)雜場景中的隱含關(guān)聯(lián)，比如識別圖像中的隱喻或情感表達(dá)。像夸克、通義APP這種軟件，在其智能工具、ChatBot屬性之上，集成更多多模態(tài)功能之后，就能實(shí)現(xiàn)更多精細(xì)化功能，成為日常的AI全能助手。

更多樣化更復(fù)雜的任務(wù)需求也將得到滿足，多維之間的感知交互，能夠?qū)崿F(xiàn)AI在更多終端和硬件的落地，比如AI眼鏡——據(jù)稱是已經(jīng)明確的阿里AI to C業(yè)務(wù)未來探索方向。當(dāng)然這些還只是單點(diǎn)功能或產(chǎn)品形態(tài)，多模態(tài)能力還在于更多應(yīng)用場景的賦能。

所以第二個方面就是：拓展更多應(yīng)用場景，釋放行業(yè)生產(chǎn)力。

比如醫(yī)療場景，多模態(tài)模型融合醫(yī)學(xué)影像、基因數(shù)據(jù)和臨床文本，支持個性化診療方案生成。教育場景，結(jié)合圖文、視頻和語音的多模態(tài)教學(xué)助手，可動態(tài)適配學(xué)生學(xué)習(xí)風(fēng)格，提供沉浸式學(xué)習(xí)體驗(yàn)。

但上述場景對阿里來說不是計劃，而是已經(jīng)部署落地的實(shí)踐，并且還展現(xiàn)出“干中學(xué)”的技術(shù)迭代潛力。

在夸克落地的業(yè)務(wù)中，其“靈知”學(xué)習(xí)大模型在考研數(shù)學(xué)題上的正確率和得分率已經(jīng)比肩OpenAI最新發(fā)布的o1模型，且遠(yuǎn)超國內(nèi)其他模型。

所以了解了多模態(tài)能力與阿里AI to C業(yè)務(wù)布局的關(guān)系，或許也就看懂了許主洪的加盟。

這一次他要連接的是AI多模態(tài)能力在C端產(chǎn)品、應(yīng)用上的端對端閉環(huán)能力。

做面向用戶的AI技術(shù)創(chuàng)新

大模型的發(fā)展路線，目前可以總結(jié)為兩條，一個是面向大模型更高級智能水平的技術(shù)演進(jìn)，一個是面向應(yīng)用和用戶價值/體驗(yàn)的AI技術(shù)創(chuàng)新。阿里AI To C業(yè)務(wù)尤其是夸克呈現(xiàn)出后者的特點(diǎn)。

于阿里而言，許主洪是人工智能學(xué)術(shù)界的領(lǐng)路人，在產(chǎn)業(yè)界同樣擁有豐富的應(yīng)用研發(fā)和產(chǎn)品創(chuàng)新經(jīng)驗(yàn)——尤其他不僅搭建了Salesforce亞洲人工智能研究體系，還將研究成果轉(zhuǎn)化為實(shí)際應(yīng)用——主導(dǎo)的多個AI創(chuàng)新項(xiàng)目，將學(xué)術(shù)成果轉(zhuǎn)化為商業(yè)應(yīng)用，推動了AI技術(shù)產(chǎn)業(yè)化進(jìn)程。

這種學(xué)術(shù)與產(chǎn)業(yè)的雙重背景，使得許主洪不僅具備深厚的學(xué)術(shù)研究功底，還擁有將技術(shù)轉(zhuǎn)化為實(shí)際產(chǎn)品的豐富經(jīng)驗(yàn)。這種能力就是阿里AI To C業(yè)務(wù)所需要的。

而以夸克為代表的阿里AI To C業(yè)務(wù)，在大模型能力上也一直注重實(shí)用性，強(qiáng)調(diào)以應(yīng)用產(chǎn)品驅(qū)動大模型的研發(fā)、升級方向。

產(chǎn)品追求的不是“顛覆”，而是拳拳到肉，解決用戶的核心需求。夸克大模型的典型特點(diǎn)就是不卷參數(shù)和打榜，而是依據(jù)使用場景提供專業(yè)技術(shù)能力，衍生出通識、醫(yī)療、教育等垂類模型。

這種對用戶價值的核心追求，也是AI驅(qū)動之下，夸克迅猛崛起，成為國內(nèi)增長最快、勢頭最猛、用戶使用最多的AI全能助手——沒有之一。

量子位智庫統(tǒng)計，在APP端，前10個月國內(nèi)AI APP三日留存數(shù)據(jù)顯示，夸克是唯一突破40%的產(chǎn)品，也是唯一突破兩億累計下載量的。

△圖源：量子位智庫

如果說一年前還相對低調(diào)，高速增長下的夸克現(xiàn)在也攤牌了，夸克已經(jīng)完成了品牌升級——2億人的AI全能助手。

當(dāng)然，這也是技術(shù)、產(chǎn)品、場景等全方位要素驅(qū)動之下的結(jié)果，天時地利皆具備，現(xiàn)在阿里整個AI To C業(yè)務(wù)要發(fā)力，就是時候在“人和”——人才上點(diǎn)燃東風(fēng)。

許主洪的加盟可能還只是開始的開始。有消息稱，阿里AI To C業(yè)務(wù)正在組建頂級AI算法研究和工程團(tuán)隊(duì)，吸引大量業(yè)內(nèi)頂級人才加盟。

而頂級科學(xué)家+頂尖團(tuán)隊(duì)，再加上高速前進(jìn)的AI業(yè)務(wù)和場景，夸克也好，阿里AI To C業(yè)務(wù)布局也好，有機(jī)會把AI創(chuàng)新帶入中國最熟悉的范式之下——技術(shù)驅(qū)動產(chǎn)品，產(chǎn)品反哺技術(shù)，并且在規(guī)模最大的用戶市場迭代之下，實(shí)現(xiàn)綜合實(shí)力的超車。

AI不是移動互聯(lián)網(wǎng)，但用戶需求和產(chǎn)品體驗(yàn)的價值線，大道至簡，一以貫之，未曾改變。