之前看 DeepSeek-OCR 的编码器中，用到了 CLIP 这个结构。
多模态大模型的一个难点是让模型能够能够理解视觉信息，即实现语言和图像在语义空间的对齐。
本文来回顾一下 OpenAI 2021年提出的 CLIP 这项基石性工作[1]，看看它具体是怎么做的。
一、动机
在 CLIP 出现之前，主流计算机视觉模型几乎都依赖人工标注数据集，如ImageNet、COCO等。
它们通过人工打标签，告诉模型“这是猫”、“那是飞机”，这种方式在小规模任务上行之有效，却存在三大局限：
- 类别封闭：模型只能识别预定义的有限类目；
- 标注成本高：大规模标注数据昂贵且慢；
- 泛化能力弱：一旦数据分布变化，模型性能急剧下降。
自然语言本身就蕴含了对世界的丰富描述，于是，OpenAI 提出了一个大胆设想：如果模型能从互联网的图文对中学习，而不是依赖人工标签，是否就能获得通用的视觉理解能力？
二、方法
CLIP 由两个编码器组成：
- 图像编码器（Image Encoder）：ResNet 或 Vision Transformer；
- 文本编码器（Text Encoder）：CBOW 或 Transformer 结构。
训练目标很简单：
在一个批次中，模型会看到 N 张图片与 N 段文字，它需要判断哪张图片与哪段文字配对。
通过计算每张图片与所有文字的相似度，可以得到一个 N×N 的相似度矩阵：理想情况下，对角线元素（i=j）最高，因为那是真正配对的图文。
模型通过对比学习（Contrastive Learning），让配对的图文嵌入在高维空间中靠近，不配对的远离，从而逼近理想情况。
论文中，还贴了这段内容的代码，从代码中可以看出，损失用的是常用的分类交叉熵损失，对于image和text两个模态都进行计算，最终损失为两者平均值
三、训练数据集
作者构建了一个前所未有的数据集 —— WebImageText（WIT），共计约 4 亿对（image, text）样本，来自各类公开网页、社交媒体与图像平台。
相比于分类数据集 ImageNet (包含 120 万张图片、1000 个类别)，这个数据集规模空前，非常符合 OpenAI 大力出奇迹的方式。
对于分类任务来说，往往存在一个语义多义性的问题，比如 remote 作为名词是遥控器，作为形容词，意思是遥远的。
如果给每个图片只分配一个单词，会有这种歧义，导致模型没法正确理解含义。
因此，CLIP 在训练的时候，用的是提示词模板，如下图所示，模板是A photo of a {具体内容}。
这样可以把词性限定为名词，同理，类似的模板还有很多种。
四、零样本学习能力
零样本学习是指模型在大规模数据上进行预训练，不在下游任务上微调，就能直接进行预测。
下图是 CLIP 用零样本的方式在一些经典分类数据集上进行推理，和 Linear Probe 方式的对比。
所谓 Linera Probe，就是把预训练模型的参数冻结住，加一个分类头，进行下游任务微调。
图中，正值表示 CLIP 零样本的方式比微调之后的效果还好，负值表示不如微调之后。
此情况说明 CLIP 也存在一定的局限性，在非常细粒度的分类任务上，例如区分汽车型号、飞机型号或花卉品种，零样本 CLIP 的表现逊于特定任务模型。
五、拓展阅读
OpenAI 提出 CLIP 之后，只开源了模型，没开源数据[2]。
为此，开源社区构建了一个 open_clip仓库[3]，不仅开源模型，也开源数据，并且该仓库仍在持续更新，并有一些更轻量的 CLIP 模型。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括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免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
