说实话，如果说 ChatGPT 给我的感觉是惊艳，那这篇论文演示的内容就有点惊吓了。

我开始期待有生之年究竟能看到什么样的科技飞升了。大厂们卷起来太狠了。

（我搬运其中几段演示视频[1]）

562B 的参数集成了 540B 的 PALM 和 22B 的 ViT，作为比较，GPT-3.5 的参数规模是 175B，ChatGPT 用的应该是百亿（10B）规模，Meta 开源的 LLaMA 则是 65B。

之前我就认为，ChatGPT 最大意义是给大厂们证明了「力大砖飞」的效果，让大厂们愿意不计成本地继续砸资源进去；同时带来的结果也是，大部分小机构很难有机会在大模型训练上做出成绩了。

大厂们马上都要把参数卷到上千 B 了，实验室那么穷怎么玩。

从这个角度上讲，接下来会有越来越多模型训练方向和人机交互方式的变化。

过去做模型，大家分着方向，你做 NLP，我做 CV，他做 ASR、STT 或者 TTS。大家各自做出了模型，再往一起集成耦合，做出各种产品。

以后多模态的融合是必然的。甚至有没有可能将来直接大模型一把梭，管你是文字、图片还是语音，直接扔到一起一锅乱炖，炼出个全能模型。

然后是人机交互方式的变化。

其实 ChatGPT 出来以后，已经有人在讨论 LUI（language user interface）了，激进派甚至认为，在未来几年，LUI 类产品会替代掉传统的 GUI 应用。其实想想也是，如果真的直接畅想机器人，我们总不会再拿个遥控器或者装个 App，对话式的产品会越来越多，不会再有那么多 UI 上的设计和门槛。

过去我们很少用 LUI，其实主要是因为产品没有足够的理解能力。HomePod 用 Siri 调节音量就是个经典例子，它永远不理解你想要的音量大小，你必须精确地告诉他调节音量的百分比。

但是即便是当前程度的人工智能，我也完全适应且习惯了用小爱同学开灯、关灯，调节空调温度，定闹钟等等操作。虽然有时偶尔智障，或者不那么精确，但说一句话就能完成的操作真的比找遥控器或者打开 App 点击几层菜单爽太多了。

总结一下：

1、融合的视觉语言模型，参数量本身很大；

2、多模态融合是方向；

3、人机交互方式会发生变化。

至于具体的实际效果，我期待尽快能够体验。

以上。