本书以深入浅出的方式介绍近年来人工智能领域最热门的技术——多模态大模型的技术方法、开源平台和应用场景，并详细阐述因果推理、世界模型及多智能体与具身智能等前沿技术领域，有助于读者全面了解多模态大模型的特点及发展方向，对新一代人工智能技术范式和通用人工智能的发展起到重要推动作用。
全书共5章，第1章深入探讨最具代表性的大模型结构，第2章深度剖析多模态大模型的核心技术，第3章介绍多个具有代表性的多模态大模型，第4章深入分析视觉问答、AIGC和具身智能这3个典型应用，第5章探讨实现通用人工智能的可行思路。
本书不仅适合高校相关专业高年级本科生和研究生作为教材使用，更是各类IT从业者的必备参考之作。

刘阳
中山大学计算机学院副研究员，中山大学人机物智能融合实验室（HCP-Lab）骨干成员。主要研究方向为多模态认知理解、因果推理和具身智能。截至2023年12月，在IEEET-PAMI、T-IP、ICCV、ACM MM等期刊和会议上发表论文30余篇，2篇论文入选ESI高被引和热点论文。提出的视觉-语言因果推理开源框架CausalVLR受到国内外广泛关注。主持多项国家级、省部级科研项目，作为课题骨干参与国家人工智能重大专项。获得2023年中国软件大会”达闼杯”机器人大模型与具身智能挑战赛优胜奖，广东省第三届计算机科学青年学术秀一等奖。

1 大模型全家桶
1.1 多模态大模型基本概念
1.1.1 多模态
1.1.2 大模型和基础模型
1.1.3 多模态大模型
1.2 BERT技术详解
1.2.1 模型结构
1.2.2 预训练任务
1.2.3 下游应用场景
1.3 ViT技术详解
1.3.1 模型结构
1.3.2 预训练任务
1.4 GPT系列
1.4.1 GPT-1结构详解
1.4.2 GPT-2结构详解
1.4.3 GPT-3结构详解
1.5 ChatGPT简介
1.5.1 InstructGPT
1.5.2 ChatGPT
1.5.3 多模态GPT-4V
1.6 中英双语对话机器人ChatGLM
1.6.1 ChatGLM-6B模型
1.6.2 千亿基座模型GLM-130B的结构
1.7 百川大模型
1.7.1 预训练
1.7.2 对齐
1.8 本章小结
2 多模态大模型核心技术
2.1 预训练基础模型
2.1.1 基本结构
2.1.2 学习机制
2.2 预训练任务概述
2.2.1 自然语言处理领域的预训练任务
2.2.2 计算机视觉领域的预训练任务
2.3 基于自然语言处理的预训练关键技术
2.3.1 单词表征方法
2.3.2 模型结构设计方法
2.3.3 掩码设计方法
2.3.4 提升方法
2.3.5 指令对齐方法
2.4 基于计算机视觉的预训练关键技术
2.4.1 特定代理任务的学习
2.4.2 帧序列学习
2.4.3 生成式学习
2.4.4 重建式学习
2.4.5 记忆池式学习
2.4.6 共享式学习
2.4.7 聚类式学习
2.5 提示学习
2.5.1 提示的定义
2.5.2 提示模板工程
2.5.3 提示答案工程
2.5.4 多提示学习方法
2.6 上下文学习
2.6.1 上下文学习的定义
2.6.2 模型预热
2.6.3 演示设计
2.6.4 评分函数
2.7 微调
2.7.1 适配器微调
2.7.2 任务导向微调
2.8 思维链
2.8.1 思维链的技术细节
2.8.2 基于自洽性的思维链
2.8.3 思维树
2.8.4 思维图
2.9 RLHF
2.9.1 RLHF技术分解
2.9.2 RLHF开源工具集
2.9.3 RLHF的未来挑战
2.10 RLAIF
2.10.1 LLM的偏好标签化
2.10.2 关键技术路线
2.10.3 评测
2.11 本章小结
3 多模态基础模型
3.1 CLIP
3.1.1 创建足够大的数据集
3.1.2 选择有效的预训练方法
3.1.3 选择和扩展模型
3.1.4 预训练
3.2 BLIP
3.2.1 模型结构
3.2.2 预训练目标函数
3.2.3 标注过滤
3.3 BLIP-
3.3.1 模型结构
3.3.2 使用冻结的图像编码器进行视觉与语言表示学习
3.3.3 使用冻结的LLM进行从视觉到语言的生成学习
3.3.4 模型预训练
3.4 LLaMA
3.4.1 预训练数据
3.4.2 网络结构
3.4.3 优化器
3.4.4 高效实现
3.5 LLaMA-Adapter
3.5.1 LLaMA-Adapter的技术细节
3.5.2 LLaMA-Adapter V
3.6 VideoChat
3.6.1 VideoChat-Text
3.6.2 VideoChat-Embed
3.7 SAM
3.7.1 SAM任务
3.7.2 SAM的视觉模型结构
3.7.3 SAM的数据引擎
3.7.4 SAM的数据集
3.8 PaLM-E
3.8.1 模型结构
3.8.2 不同传感器模态的输入与场景表示
3.8.3 训练策略
3.9 本章小结
4 多模态大模型的应用
4.1 视觉问答
4.1.1 视觉问答的类型
4.1.2 图像问答
4.1.3 视频问答
4.1.4 未来研究方向
4.2 AIGC
4.2.1 GAN和扩散模型
4.2.2 文本生成
4.2.3 图像生成
4.2.4 视频生成
4.2.5 三维数据生成
4.2.6 HCP-Diffusion统一代码框架
4.2.7 挑战与展望
4.3 具身智能
4.3.1 具身智能的概念
4.3.2 具身智能模拟器
4.3.3 视觉探索
4.3.4 视觉导航
4.3.5 具身问答
4.3.6 具身交互
4.3.7 存在的挑战
4.4 本章小结
5 多模态大模型迈向AGI
5.1 研究挑战
5.1.1 缺乏评估准则
5.1.2 模型设计准则模糊
5.1.3 多模态对齐不佳
5.1.4 领域专业化不足
5.1.5 幻觉问题
5.1.6 鲁棒性威胁
5.1.7 可信性问题
5.1.8 可解释性和推理能力问题
5.2 因果推理
5.2.1 因果推理的基本概念
5.2.2 因果的类型
5.2.3 LLM的因果推理能力
5.2.4 LLM和因果发现的关系
5.2.5 多模态因果开源框架CausalVLR
5.3 世界模型
5.3.1 世界模型的概念
5.3.2 联合嵌入预测结构
5.3.3 Dynalang：利用语言预测未来
5.3.4 交互式现实世界模拟器
5.3.5 Sora：模拟世界的视频生成模型
5.4 超级智能体AGI Agent
5.4.1 Agent的定义
5.4.2 Agent的核心组件
5.4.3 典型的AGI Agent模型
5.4.4 AGI Agent的未来展望
5.5 基于Agent的具身智能
5.5.1 具身决策评测集