丰色 发自 凹非寺
量子位 | 公众号 QbitAI

最强组合：HuggingFace+ChatGPT ——

HuggingGPT，它来了！

只要给定一个AI任务，例如“下面这张图片里有什么动物，每种有几只”。

它就能帮你自动分析需要哪些AI模型，然后直接去调用HuggingFace上的相应模型，来帮你执行并完成。

整个过程，你要做的就只是用自然语言将你的需求输出。

这项由浙大与微软亚研院的合作成果，一经发布就迅速爆火。

英伟达AI研究科学家Jim Fan直呼：

这是我本周读到的最有意思的论文。它的思想非常接近“Everything App”（万物皆App，被AI直接读取信息）。

而一位网友则“直拍大腿”：

这不就是ChatGPT“调包侠”吗？

AI进化速度一日千里，给我们留口饭吃吧……

所以，具体怎么回事儿？

HuggingGPT：你的AI模型“调包侠”

其实，若说这个组合物只是“调包侠”，那格局小了。

它的真正用义，是AGI。

如作者所言，迈向AGI的关键一步是能够解决具有不同领域和模式的复杂AI任务。

我们目前的成果离此还有距离——大量模型只能出色地完成某一特定任务。

然而大语言模型LLM在语言理解、生成、交互和推理方面的表现，让作者想到：

可以将它们作为中间控制器，来管理现有的所有AI模型，通过“调动和组合每个人的力量”，来解决复杂的AI任务。

在这个系统中，语言是通用的接口。

于是，HuggingGPT就诞生了。

它的工程流程分为四步：

首先，任务规划。ChatGPT将用户的需求解析为任务列表，并确定任务之间的执行顺序和资源依赖关系。

其次，模型选择。ChatGPT根据HuggingFace上托管的各专家模型的描述，为任务分配合适的模型。

接着，任务执行。混合端点（包括本地推理和HuggingFace推理）上被选定的专家模型根据任务顺序和依赖关系执行分配的任务，并将执行信息和结果给到ChatGPT。

最后，输出结果。由ChatGPT总结各模型的执行过程日志和推理结果，给出最终的输出。

如下图所示。

假定我们给出这样一个请求：

请生成一个女孩正在看书的图片，她的姿势与example.jpg中的男孩相同。然后请用你的声音描述新图片。

可以看到HuggingGPT是如何将它拆解为6个子任务，并分别选定模型执行得到最终结果的。

具体效果怎么样？

作者采用gpt-3.5-turbo和text-davinci-003这俩可以通过OpenAI API公开访问的变体，进行了实测。

如下图所示：

在任务之间存在资源依赖关系的情况下，HuggingGPT可以根据用户的抽象请求正确解析出具体任务，完成图片转换。

在音频和视频任务中，它也展现了组织模型之间合作的能力，通过分别并行和串行执行两个模型的方式，完了一段“宇航员在太空行走”的视频和配音作品。

此外，它还可以集成多个用户的输入资源执行简单的推理，比如在以下三张图片中，数出其中有多少匹斑马。

一句话总结：HuggingGPT可以在各种形式的复杂任务上表现出良好的性能。

项目已开源，名叫「贾维斯」

目前，HuggingGPT的论文已经发布，项目则正在建设中，代码只开源了一部分，已揽获1.4k标星。

我们注意到，它的项目名称很有意思，不叫本名HuggingGPT，而是钢铁侠里的AI管家贾维斯（JARVIS）。

有人发现它和3月份刚发布的Visual ChatGPT的思想非常像：后者HuggingGPT，主要是可调用的模型范围扩展到了更多，包括数量和类型。

不错，其实它们都有一个共同作者：微软亚研院。

具体而言，Visual ChatGPT的一作是MSRA高级研究员吴晨飞，通讯作者为MSRA首席研究员段楠。

HuggingGPT则包括两位共同一作：

Shen Yongliang，TA来自浙江大学，在MSRA实习期间完成此项工作；

Song Kaitao，MSRA研究员。

其通讯作者为浙大计算机系教授庄越挺。

最后，对于这个强大新工具的诞生，网友们很是兴奋，有人表示：

ChatGPT已成为人类创建的所有AI的总指挥官了。

也有人据此认为：

AGI可能不是一个LLM，而是由一个“中间人”LLM连接的多个相互关联的模型。

那么，我们是否已经开启“半AGI”的时代了？

论文地址：
https://arxiv.org/abs/2303.17580
项目链接：
https://github.com/microsoft/JARVIS

参考链接：
https://twitter.com/DrJimFan/status/1642563455298473986