机器学习公司 OpenAI 今天宣布了两套多模态人工智能系统 DALL-E 和 CLIP。DALL-E 能将计算机视觉和自然语言处理（NLP）结合起来，能够从文本描述中生成图片。例如，下面这张照片就是由“穿着芭蕾舞裙遛狗的小萝卜插图”生成的。

在 OpenAI 今天分享的测试中，表明 Dall-E 有能力对生成的图像中的物体进行操作和重新排列，也能够创作出一些不存在的东西，例如豪猪的纹理或者云朵的立方体 。

OpenAI 今天在一篇关于 DALL-E 的网络日志中表示：“我们认识到，涉及生成式模型的工作有可能产生重大而广泛的社会影响。未来，我们计划分析像DALL-E这样的模型与社会问题的关系，比如对某些工作流程和职业的经济影响，模型输出中潜在的偏见，以及这项技术所隐含的更长期的道德挑战”。

OpenAI 今天还介绍了CLIP，这是一个多模态模型，教育了4亿对从万维网收集的图片和文字。CLIP 利用了类似于 GPT-2 和 GPT-3 语言模型的零射学习能力。

在关于该模型的论文中写道：“我们发现，CLIP与GPT家族类似，在前期训练中可以学习执行一系列广泛的任务，包括OCR、地理定位、动作识别等。我们通过在超过30个现有数据集上对CLIP的零点转移性能进行基准测试来衡量，发现它可以与之前的特定任务监督模型竞争。”