【零基础小白必看】万字解析！一文带你了解目前最火的多模态！

什么是多模态模态指的是数据或者信息的表现形式，如文本、图像、音频、视频等多模态指的是数据或者信息的多种表现形式，一个信息，它可以存在多种表现形式。

datian1234

957人浏览 · 2025-07-09 11:33:32

datian1234 · 2025-07-09 11:33:32 发布

前言

1 什么是多模态

模态指的是数据或者信息的表现形式，如文本、图像、音频、视频等

多模态指的是数据或者信息的多种表现形式，一个信息，它可以存在多种表现形式。

为什么会有多模态呢？

因为人类有多种感官来处理信息：比如听觉、嗅觉、视觉、触觉、味觉等，它们都可以获取并且处理不同形式的信息。

为了让计算机具备分析互联网数据的能力、模拟人类的认知方式，同时处理多个模态数据的多模态信息处理技术应运而生。

2 深度学习中的多模态

在目前的人工智能任务中，我们所说的多模态更多的是指对于文本、语音、视觉任务的支持

深度学习中有很多经典的任务，都是基于这三种任务之间互相转换的。比如图像生成任务，根据文本描述生成图像，反过来的图像描述任务，根据图像来生成文本，就像是我们小学学的看图作文一样。

3 多模态学习的关键技术

多模态学习是一种利用多模态数据进行学习的方法，这些数据模态可能包括文本、图像、音频、视频等，通过融合多种数据模态来训练模型，从而提高模型的感知与理解能力，实现跨模态的信息交互与融合

多模态学习涉及多种关键技术，包括模态表示、对齐、融合、转换以及协同学习等。这些技术有助于建立不同模态之间的对应关系，学习多模态的共享表征空间，以及利用各模态间的互补性来增强语义理解。

对齐vs融合

对齐关注的是如何在不同模态之间建立对应关系，而融合则是关于如何将这些多模态信息有效地结合起来，以提高模型的性能。

3.1 模态表示

什么是模态表示？

模态表示是将不同感官或交互方式的数据（如文本、图像、声音等）转换为计算机可理解和处理的形式，以便进行后续的计算、分析和融合。

文本模态的表示：文本模态的表示方法有多种，如独热表示、低维空间表示、词袋表示及其衍生出的n-grams词袋表示等。目前主流的文本表示方法是预训练文本模型，如BERT。

视觉模态的表示：分为图像模态和视频模态。图像模态主要通过CNN实现，如LeNet-5、AlexNet、VGG、GoogLeNet、ResNet等。视频模态则结合了图像的空间属性和时间属性，通常由CNN和RNN或LSTM等模型共同处理。

声音模态的表示：可通过梅尔频率倒谱系数、波形图或频谱图等形式表示，通常涉及音频信号的预处理、特征提取和表示学习等步骤，常用模型有深度神经网络、CNN和RNN等。

表征学习旨在从原始数据中自动提取有效特征，形成计算机可理解的模态表示，以保留关键信息并促进跨模态交互与融合。

什么是多模态联合表示？

多模态联合表示是一种将多个模态（如文本、图像、声音等）的信息共同映射到一个统一的多模态向量空间中的表示方法。

多模态联合表示通过神经网络、概率图模型将来自不同模态的数据进行融合，生成一个包含多个模态信息的统一表示。这个表示不仅保留了每个模态的关键信息，还能够在不同模态之间建立联系，从而支持跨模态的任务，如多模态情感分析、视听语音识别等。

什么是多模态协同表示？

多模态协同表示是一种将多个模态的信息分别映射到各自的表示空间，但映射后的向量或表示之间需要满足一定的相关性或约束条件的方法。这种方法的核心在于确保不同模态之间的信息在协同空间内能够相互协作，共同优化模型的性能。

联合表示vs协同表示

一个是映射到统一的空间中，一个是分别映射到各自空间，然后再建立联系/关联

3.2 多模态对齐

对齐是指在不同模态的数据之间发现和建立对应关系的过程

什么是显示对齐（Explicit Alignment）？

直接建立不同模态之间的对应关系，包括无监督对齐和监督对齐。显式对齐的一个重要工作是相似性度量。大多数方法都依赖于度量不同模态的子组件之间的相似性作为基本构建块。

无监督对齐： 利用数据本身的统计特性或结构信息，无需额外标签，自动发现不同模态间的对应关系。

CCA（典型相关分析）：通过最大化两组变量之间的相关性来发现它们之间的线性关系，常用于图像和文本的无监督对齐。
自编码器：通过编码-解码结构学习数据的低维表示，有时结合循环一致性损失（Cycle Consistency Loss）来实现无监督的图像-文本对齐。

监督对齐： 利用额外的标签或监督信息指导对齐过程，确保对齐的准确性。

多模态嵌入模型：如DeViSE（Deep Visual-Semantic Embeddings），通过最大化图像和对应文本标签在嵌入空间中的相似度来实现监督对齐。
多任务学习模型：同时学习图像分类和文本生成任务，利用共享层或联合损失函数来促进图像和文本之间的监督对齐。

什么是隐式对齐（Implicit Alignment）？

不直接建立对应关系，而是通过模型内部机制隐式地实现跨模态的对齐。这包括注意力对齐和语义对齐。

注意力对齐： 通过注意力机制动态地生成不同模态之间的权重向量，实现跨模态信息的加权融合和对齐。

Transformer模型：在跨模态任务中（如图像描述生成），利用自注意力机制和编码器-解码器结构，自动学习图像和文本之间的注意力分布，实现隐式对齐。
BERT-based模型：在问答系统或文本-图像检索中，结合BERT的预训练表示和注意力机制，隐式地对齐文本查询和图像内容。

**语义对齐：**在语义层面上实现不同模态之间的对齐，需要深入理解数据的潜在语义联系。

图神经网络（GNN）：在构建图像和文本之间的语义图时，利用GNN学习节点（模态数据）之间的语义关系，实现隐式的语义对齐。
预训练语言模型与视觉模型结合：如CLIP（Contrastive Language-Image Pre-training），通过对比学习在大量图像-文本对上训练，使模型学习到图像和文本在语义层面上的对应关系，实现高效的隐式语义对齐。

3.3 多模态融合

什么是多模态融合（MultiModal Fusion）？

多模态融合指的是抽取自不同模态的信息整合成一个稳定的多模态表征，能够充分利用不同模态之间的互补性。从数据处理的层次角度将多模态融合分为数据级融合、特征级融合和目标级融合。

数据级融合（Data-Level Fusion）：

数据级融合，也称为像素级融合或原始数据融合，是在最底层的数据级别上进行融合。这种融合方式通常发生在数据预处理阶段，即将来自不同模态的原始数据直接合并或叠加在一起，形成一个新的数据集。

应用场景：适用于那些原始数据之间具有高度相关性和互补性的情况，如图像和深度图的融合。

特征级融合（Feature-Level Fusion）：

特征级融合是在特征提取之后、决策之前进行的融合。不同模态的数据首先被分别处理，提取出各自的特征表示，然后将这些特征表示在某一特征层上进行融合。

应用场景：广泛应用于图像分类、语音识别、情感分析等多模态任务中。

目标级融合（Decision-Level Fusion）：

目标级融合，也称为决策级融合或后期融合，是在各个单模态模型分别做出决策之后进行的融合。每个模态的模型首先独立地处理数据并给出自己的预测结果（如分类标签、回归值等），然后将这些预测结果进行整合以得到最终的决策结果。

应用场景：适用于那些需要综合考虑多个独立模型预测结果的场景，如多传感器数据融合、多专家意见综合等。

4 多模态任务

早期的

视听语音识别：通过视频和音频识别出文字
多模态情感计算：通过肢体动作、面部表情、语音，生物电信号、心率等信息，进行情感识别
跨媒体检索：图文互搜

现代多模态任务

图像/视频描述：给定图像或视频，用文本描述出来，就像小学时的看图说话或看图写作
视觉问答：较为复杂，可能还涉及推理

指称表达理解与生成：表达描述->给出候选框，给出候选框->表达描述

文本生成图像/视频：根据描述的文本转成图像或视频
视觉对话：类似于ChatGPT
视觉语音导航：根据视觉信息，发出语音指令，操控机器

此外还有多模态自动驾驶、视觉常识推理、视觉语言推理、视觉蕴含等

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。