两个月前轰动网络的AI设计大师CLIP，刚刚被OpenAI“扒开”了脑子。
没想到，这个性能强大的AI竟和人类思维方式如此相像。
打个比方，无论你听到“炸鸡”二个字，还是看到炸鸡实物，都可能流口水。因为你的大脑里有一组“炸鸡神经元”，专门负责对炸鸡起反应。
这个CLIP也差不多。
无论听到“蜘蛛侠”三个字，还是看到蜘蛛侠的照片，CLIP的某个特殊区域就开始响应，甚至原本用来响应红色和蓝色的区域也会“躁动”。
OpenAI发现，原来CLIP有一个“蜘蛛侠神经元”。
在脑科学中，这并不是啥新鲜事。因为早在15年前，研究人脑的科学家就发现了，一张脸对应一组神经元。
但是对AI来说却是一个巨大的进步。过去，从文字到图像，和从图像到文字，用的是两套系统，工作方式都不一样。
而CLIP却有着和人脑极为相似的工作方式，CV和NLP不仅技术上打通，连脑子里想的都一样，还有专门的处理区域。
看到二者如此相像，有网友表示：
太可怕了，这说明通用人工智能(AGI)到来，比所有人想象的都快。
而且，OpenAI还惊讶地发现，CLIP对图片的响应似乎类似与癫痫患者颅内神经元，其中包括对情绪做出反应的神经元。说不定AI今后还能帮助治疗神经类疾病。
AI的“脑子”，其实和人类一样
先前情回顾一下，CLIP到底是神马。
不久前，OpenAI发布了脱胎于GPT-3的DALL·E，能按照文字描述准确生成图片。
DALL·E对自然语言和图像的理解和融汇贯通，做到了前无古人的水准。一经问世，立刻引来吴恩达、Keras之父等大佬点赞。
而DALL·E的核心部分，就是CLIP。
简单的说，CLIP是一个重新排序模型，检查DALL·E所有生成结果，挑出好的展现出来。
CLIP能做“裁判”，离不开将文字和图片意义“融合”理解的能力，但这样的能力从哪来，之前人们根本不清楚。
OpenAI紧接着深挖CLIP神经网络的原理结构，发现了它的多模态神经元，具有跟人类大脑类似的工作机制：能够对文字和图像中的相同意义同时做出响应。
而所谓模态，是指某个过程或某件事，包含多个不同的特征，图像通常与标签和文本解释相关联，是完整理解一个事物的要素。
比如，你看到蜘蛛侠三个字，或者是Spiderman，都能联想起穿着红蓝紧身衣的超级英雄。
熟悉这个概念以后，看到这样一幅黑白手绘，你也能马上明白这是“蜘蛛侠”：
CLIP中的多模态神经元，能力与人类没有任何区别。
这样专门负责某个事物的神经元，OpenAI发现了好几个，其中有18个是动物神经元，19个是名人神经元。
甚至还有专门理解情绪的神经元：
其实，人本身就是一个多模态学习的总和，我们能看到物体，听到声音，感觉到质地，闻到气味，尝到味道。
为了让AI摆脱以往“人工智障”式的机械工作方式，一条路径就是让它向人一样能够同时理解多模态信号。
所以也有研究者认为认为，多模态学习是真正的人工智能发展方向。
在实现过程中，通常是将识别不同要素子网络的输出加权组合，以便每个输入模态可以对输出预测有一个学习贡献。
根据任务不同，将不同的权值附加到子网后预测输出，就能让神经网络实现不同的性能。
而具体到CLIP上，可以从研究人员的测试结果中清楚的看到，从语言模型中诞生的它，对于文字，比对图像更加敏感。
攻击AI也更容易了
但是，文字和图像在AI“脑海”中的联动是一把双刃剑。
如果我们在贵宾犬的身上加上几串美元符号，那么CLIP就会把它识别为存钱罐。
OpenAI把这种攻击方式叫做“印字攻击”(typographic attacks)。
这意味着，我们可以在图片中插入文字实现对AI的攻击，甚至不需要复杂的技术。
只需一张纸、一支笔，攻破AI从未如此容易。
苹果就这样被改装成了“苹果”iPod。