当AI学会“看图说话”

想象一下，如果你给一个从未见过“博美犬”的人看一张照片，并告诉他：“这是一只毛茸茸的小型犬，耳朵尖尖的，看起来像狐狸。”他很可能下次就能认出博美犬。这种通过语言描述来学习视觉概念的能力，对人类来说很自然，但对机器来说却长期是个难题。

传统的计算机视觉系统就像是一个只会背诵标签的学生：你给它看过一万张标着“猫”的图片，它才能认出猫。但如果你问它“这是什么动物？”，它却无法理解这个问题。直到2021年，OpenAI发布了CLIP（Contrastive Language–Image Pre-training）模型，才真正让机器学会了“看图说话”，也开启了多模态AI的新篇章。

一、背景知识：计算机视觉的“监督困境”

在CLIP出现之前，主流的计算机视觉模型（如ResNet、EfficientNet等）大多依赖有监督学习，尤其是在ImageNet这样的数据集上预训练。ImageNet包含1000个类别，每张图片都有一个“黄金标签”。这种方法的局限性非常明显：

• 类别固定：模型只能识别训练时见过的类别，新增类别需要重新标注和训练。

• 标注成本高：高质量标注需要大量人力，且容易出错。

• 缺乏语义理解：模型知道这是“猫”，但不知道猫“可爱”“毛茸茸”“会抓老鼠”。

与此同时，自然语言处理领域却因为无监督预训练（如BERT、GPT）而突飞猛进。这些模型从海量文本中学习语言规律，无需人工标注，就能完成翻译、问答、写作等任务。那么问题来了：计算机视觉能否也走同样的路？

CLIP模型：

二、为什么会做CLIP？——动机与愿景

CLIP的诞生，源自一个朴素而大胆的想法：如果能用互联网上无穷无尽的“图片-描述”对来训练模型，是否就能让机器像人一样，通过语言理解图像？

此前已有一些尝试（如Visual N-Grams、VirTex等），但效果远不及有监督模型。主要瓶颈在于：

• 数据规模不够大

• 训练效率低

• 模型表达能力有限

CLIP团队敏锐地意识到，如果能把对比学习（Contrastive Learning）和大规模多模态数据结合起来，或许能突破这个瓶颈。他们的目标不是做一个更好的分类器，而是做一个能理解图像语义、并能用语言交互的通用视觉系统。

三、CLIP是什么？——对比学习与多模态嵌入

CLIP是一个预训练模型，就像BERT、GPT、ViT等预训练模型一样。首先使用大量无标签数据训练这些模型，然后训练好得模型就能实现，输入一段文本（或者一张图像），输出文本（图像）的向量表示。

CLIP和BERT，GPT，ViT的区别在于，CLIP是多模态的，包含图像处理以及文本处理两个方面的内容，而BERT，GPT是单模态的，VIT是单模态图像的。

CLIP的核心思想非常简单：拉近匹配的图文对，推开不匹配的图文对。

具体来说，CLIP同时训练两个编码器：

• 图像编码器：可以是ResNet或Vision Transformer（ViT）

• 文本编码器：使用Transformer结构

训练时，模型会看到一批（图像，文本）对。它的任务不是预测文本内容，而是判断哪个文本与哪个图像是一对。通过对比学习，模型学会将相关的图像和文本映射到嵌入空间中相近的位置。

四、CLIP如何帮助我们？——零样本学习与强大泛化

CLIP最令人惊艳的能力是零样本学习：你不需要给它任何训练样本，只需要用文字描述任务，它就能尝试完成。

例如：

• 你想让它识别“新冠病毒的电子显微镜图像”，只需输入这个描述。

• 你想让它判断“这张图片是否适合儿童观看”，它也能尝试回答。

在实际测试中，CLIP在超过30个数据集上表现优异，包括：

• 图像分类（ImageNet、CIFAR）

• 场景识别（SUN397）

• 动作识别（Kinetics700）

• OCR（手写数字、场景文本）

• 地理定位（根据图片猜测拍摄国家）

更值得一提的是，CLIP在分布外泛化方面表现突出。传统模型在训练集和测试集分布不一致时性能大幅下降，而CLIP因为训练数据来自开放的互联网，见过更多样的图像，因此更稳健。

五、CLIP怎么做？——技术细节与工程实践

1. 数据集：WIT（WebImageText）

CLIP使用了自建的4亿个图文对数据集，来源包括网页、社交媒体、图库等。这是其成功的关键之一。

2. 高效的对比学习目标

CLIP采用InfoNCE损失，鼓励模型为真实配对赋予高相似度，为随机配对赋予低相似度。这种方式比生成式目标（如预测字幕）更高效。

3. 提示工程（Prompt Engineering）

CLIP团队发现，直接使用类别名（如“狗”）效果不如使用完整句子（如“一张狗的照片”）。他们为不同任务设计了提示模板，进一步提升零样本性能。

4. 可扩展的架构

CLIP支持多种骨干网络，并且模型性能随计算量和数据量增长而稳定提升，符合“缩放定律”。

CLIP 在零样本传输方面比我们的图像标题基线要高效得多，如下图所示：

零样本 CLIP 与完全监督的基线相比具有竞争力。在 27 个数据集评估套件中，零样本 CLIP 分类器的性能优于安装在 16 个数据集上的 ResNet-50 特征上的完全监督线性分类器。如下图所示：

可视化香蕉的分布变化，该类在 7 个自然分布变化数据集中的 5 个数据集中共享。将最佳零样本 CLIP 模型 的性能与在 ImageNet 验证集 ResNet-101 上具有相同性能的模型进行了比较。如下图所示：

六、意义与启示：迈向通用多模态AI

CLIP不仅是技术上的突破，更是方法论上的革新。它告诉我们：

1. 语言是强大的监督信号：无需人工标注，自然语言本身就能指导视觉学习。

2. 规模是关键：大数据+大模型+大计算，是当前AI进步的主要驱动力。

3. 零样本学习是可行的：模型可以通过语义理解泛化到新任务，而不是死记硬背。

当然，CLIP也有局限性：

• 对抽象、逻辑任务（如计数）表现欠佳

• 仍存在数据偏见和社会伦理问题

• 计算成本高昂

但这些并不妨碍它成为AI多模态理解的一个重要里程碑。

结语：当视觉与语言相遇

CLIP的出现，让我们离“通用人工智能”更近了一步。一个既能看懂世界，又能用语言描述世界的模型，不仅是技术工具，更是未来人机交互、内容理解、知识检索的基础设施。

正如论文作者所说：

“我们展示了从自然语言监督中学习可迁移视觉模型的可能性。”

而这，只是一个开始。