0
| 本文作者： 王玥 | 2022-11-28 20:57 |
公元2020年左右，也就是當(dāng)下，對(duì)于經(jīng)典科幻電影來(lái)說(shuō)是一個(gè)科技發(fā)展的重要節(jié)點(diǎn)。
1982年上映的電影《銀翼殺手》，對(duì)2019年的世界進(jìn)行了華麗冰冷的幻想 —— 復(fù)制人、飛行汽車、電子器官、星球殖民……
想象力爆炸的80時(shí)代，讓創(chuàng)造者充滿了對(duì)未來(lái)科技的渴望與信任，他們認(rèn)為40年時(shí)間已足夠科技發(fā)展到幻想水準(zhǔn)。
然而事實(shí)是，如今再品《銀翼殺手》，看著男主角在剛過(guò)去不久的2019年開著飛行汽車追擊復(fù)制人，實(shí)在讓科幻迷們有些笑不出來(lái)——當(dāng)初幻想的步子還是邁得太大了。我們的城市沒(méi)有變成賽博朋克風(fēng)格；機(jī)器人還沒(méi)有做到復(fù)制人以假亂真的水準(zhǔn)；汽車無(wú)人駕駛都還沒(méi)研究成，更別提飛了……
圖注：《銀翼殺手》中2019年的賽博朋克城市
當(dāng)人們感嘆如今的科技發(fā)展完全跟不上80年代的想象時(shí)，最近卻有一種技術(shù)野蠻生長(zhǎng)，一經(jīng)問(wèn)世便引起圈層地震。雖還沒(méi)有完全長(zhǎng)成，但它很有可能取代世界上最有才華的一群人類——?jiǎng)?chuàng)作者。
這就是 AIGC（ AI Generated Content）。
AIGC，即 AI 生成內(nèi)容技術(shù)，讓 AI 完成原本只有人類才能做到的原創(chuàng)性工作。這個(gè)科幻電影都沒(méi)敢想象能在2022年成真的技術(shù)，卻真的提前來(lái)到了我們身邊，并以天為單位不斷進(jìn)化。
就在2個(gè)月前，「文生圖（text-to-image）」還是外網(wǎng)網(wǎng)友和中國(guó)極客才能玩到的小眾黑科技，而2個(gè)月后的現(xiàn)在，直接通過(guò)微信小程序或手機(jī) APP 就能體驗(yàn)到 AI 繪畫。就算是完全不會(huì)畫畫的人，輸入一段文字，AI 便能生成一張像模像樣的圖片，要是文字調(diào)教得好，還能生成頗為驚艷的杰作。
這不由得讓藝術(shù)界警鈴大作：AI 都能帶著不會(huì)畫畫的人飛，我學(xué)藝幾十年圖個(gè)啥！
就當(dāng)文字愛(ài)好者以為文學(xué)置身事外時(shí)，早已有作者使用 AI 文本生成產(chǎn)品寫小說(shuō)。有人生成短篇小說(shuō)發(fā)表到知名平臺(tái)，有人制作長(zhǎng)篇小說(shuō)成功簽約賺訂閱費(fèi)，共同點(diǎn)是都隱瞞了使用 AI 的真相。讀者熬夜看玄幻小說(shuō)看得心潮澎湃，壓根不知道自己看的小說(shuō)根本不是人類寫的。
有人創(chuàng)意強(qiáng)但沒(méi)創(chuàng)作能力，認(rèn)為 AI 是幫助自己產(chǎn)出佳作的利器；有人熱愛(ài)原創(chuàng)，認(rèn)為 AI 生成內(nèi)容是對(duì)「原創(chuàng)」二字的褻瀆——無(wú)論事實(shí)更偏向何種情況，不可否認(rèn)的是，AIGC 顛覆了內(nèi)容創(chuàng)作的方式，且永遠(yuǎn)不可逆轉(zhuǎn)。
AIGC 爆火的真相，恰恰蘊(yùn)含在「人類被替代」的恐慌當(dāng)中 —— 內(nèi)容創(chuàng)作方式終于走下了神壇。
在上個(gè)世紀(jì)，只有專業(yè)人士能發(fā)表小說(shuō)、拍電影；而近年，已有大量非專業(yè)人士成功發(fā)表了原創(chuàng)網(wǎng)絡(luò)小說(shuō)，在抖音等短視頻平臺(tái)上發(fā)布自制短視頻甚至微電影 …… 生機(jī)愈見繁榮，但內(nèi)容創(chuàng)作方式僅僅是從 PGC （專業(yè)生成）轉(zhuǎn)向 UGC（用戶生成），開放的門縫不寬，對(duì)于「才華」的要求也只高不低。
而 AIGC 在今年秋天的問(wèn)世，激起學(xué)藝者慌亂之余，令世人看到一場(chǎng)內(nèi)容創(chuàng)作方式的革命開端 —— 每個(gè)人都能做編劇、作家、漫畫家、分鏡師、動(dòng)畫導(dǎo)演……每個(gè)人都能成為任何一種內(nèi)容創(chuàng)作者。
要知道，一切依靠互聯(lián)網(wǎng)而繁榮的生態(tài)都需要流量，而流量只會(huì)為了內(nèi)容而來(lái)。如果 AI 能將創(chuàng)作的大門開放給所有人，將創(chuàng)作權(quán)下放到每個(gè)人手中，AIGC 在這片藍(lán)海中創(chuàng)造的價(jià)值將突破想象！
然而，AIGC 這個(gè)概念似乎隨著井噴的「文生圖」產(chǎn)品出現(xiàn)并一舉成名?？烧覀€(gè)業(yè)內(nèi)人士打聽，會(huì)發(fā)現(xiàn)這個(gè)名詞其實(shí)早在數(shù)年前就出現(xiàn)在了產(chǎn)品經(jīng)理口中，只是沒(méi)什么人關(guān)注而已，但 AIGC 絕對(duì)不是一個(gè)新鮮玩意。
況且，讓 AI 畫圖的工作早已出現(xiàn)不少，其中有開辟之功的莫過(guò)于 2014 年問(wèn)世的對(duì)抗生成網(wǎng)絡(luò) GAN （Generative Adverserial Network）。
GAN 模型利用現(xiàn)成樣本來(lái)生成新圖像，最為人知的是其生成人臉的能力，喂入大量人臉數(shù)據(jù)，GAN 便可生成真假難辨的人臉圖片。
GAN 模型的現(xiàn)世激發(fā)了大量研究人員的靈感，紛紛下場(chǎng)打造各種基于 GAN 的生成技術(shù)：能夠合成高保真圖片的 BigGAN，能夠?qū)⑿l(wèi)星圖像轉(zhuǎn)化成谷歌地圖的 pix2pix 技術(shù)、能將藝術(shù)畫作和照片互相轉(zhuǎn)化的 CycleGAN …… 除了圖片生成技術(shù)，抖音、快手等短視頻平臺(tái)中層出不窮的「變老特效」、「假笑特效」、「讓老照片動(dòng)起來(lái)」等視頻特效的背后，其實(shí)也都是 GAN 在發(fā)揮妙用。
GAN 模型的出現(xiàn)明明推動(dòng)了 AI 繪畫的一大步，卻并沒(méi)有卷起 AIGC 風(fēng)潮。而當(dāng) AIGC 再出現(xiàn)，已經(jīng)貴為 2022 年度最熱詞匯……這讓人不由得疑惑：AIGC 到底做對(duì)了什么，才讓自己成功翻紅？
AIGC 概念的爆火，源于其前所未有的技術(shù)成熟度。而 AIGC 擺脫過(guò)去桎梏的圖像生成，走向商業(yè)化的成熟路線，正是由于這幾個(gè)機(jī)緣：
當(dāng)「一句話 AI 繪圖神器」走紅，世人皆以為重點(diǎn)在「AI 繪圖」上，可實(shí)際上，工作重點(diǎn)應(yīng)在于如何理解用戶輸入的那一句話。
理解語(yǔ)言，恰恰是大模型玄學(xué)般的能力之一。當(dāng) DALL·E 2 初推出時(shí)，便出了這么一個(gè)驚艷的案例：
當(dāng)用戶要求在人物畫上生成柯基時(shí)，DALL·E 2 會(huì)把柯基畫入畫中；
而當(dāng)用戶要求在座位上生成柯基的時(shí)候，它便生成了一只真實(shí)的、三次元的柯基。
這一操作驚呆了當(dāng)時(shí)關(guān)注 DALL·E 2 的網(wǎng)友，這一選擇性的動(dòng)作，說(shuō)明 DALL·E 2 確實(shí)理解了什么！
而這種非人之身理解人言的超強(qiáng)能力，要?dú)w功于 DALLE·2 所基于的 GPT-3 —— 由于喂入的數(shù)據(jù)多，語(yǔ)言大模型 GPT-3 已經(jīng)開始理解一些人類的常識(shí)。無(wú)論是 3D 還是 2D 的圖像，就算畫面再精美，仍然處于像素級(jí)別的較低水平創(chuàng)作；而 GPT-3 表現(xiàn)出對(duì)人類語(yǔ)言這種高水平產(chǎn)物的理解，這是在模型中極其罕見的能力。
不斷涌現(xiàn)的各類例子都證明：模型越大，理解能力越強(qiáng)?？墒?GAN 本身的結(jié)構(gòu)設(shè)計(jì)及其生成邏輯，恰恰阻礙了模型不斷變大，這與 AIGC 的發(fā)展需求相悖；反觀 Diffusion 模型，其已經(jīng)具備了大模型的特征：由簡(jiǎn)單元素構(gòu)成，通過(guò)不停重復(fù)造出一個(gè)超大網(wǎng)絡(luò)，且可訓(xùn)練穩(wěn)定。這正符合 AIGC 對(duì)于大模型的需求。
同時(shí)，在生成方面，AIGC 已不局限于僅僅生成人臉或任何特定的某種圖像。通過(guò)組合概念、元素生成更復(fù)雜的場(chǎng)景，走向「一個(gè)工具生成所有」的通用方向，這才是圖像生成的未來(lái)。
而 GAN 需要一個(gè)特定的數(shù)據(jù)集進(jìn)行學(xué)習(xí)。如要求生成人臉，就需要喂入人臉圖像數(shù)據(jù)集，拓展生成其他圖像的能力就稍弱。這就使得 GAN 不能成為通用的生成工具，想做一個(gè)特定功能的特效，就要為之訓(xùn)練專用的 GAN，而不能實(shí)現(xiàn)泛化使用。
研究人員們發(fā)現(xiàn)了大模型才是 AIGC 的正道， GAN 卻和大模型之路存在多個(gè)相悖之處，這導(dǎo)致 GAN 只預(yù)熱了圖像生成，卻從未敲開 AIGC 的大門。
美國(guó)物理學(xué)家費(fèi)曼說(shuō)過(guò)，「凡我不能創(chuàng)造的，我就還沒(méi)有理解」，AIGC 不僅僅是生成，更被定義為建立在認(rèn)知和理解基礎(chǔ)上的創(chuàng)作，這正需要大模型的語(yǔ)言理解能力。
大模型，是 AIGC 的來(lái)處，更是 AIGC 的未來(lái)發(fā)展之方向。
GAN 模型的問(wèn)世刺激了一波圖像生成，自然有人想到在 GAN 上做文章，使之能夠完成「文生圖」的幻想級(jí)任務(wù)。
然而，想通過(guò)文本這樣的抽象語(yǔ)義去控制 GAN 的生成是個(gè)大難題，GAN 難以按照用戶描述去可控地生成畫面。圈內(nèi)先行者嘗試基于 GAN 做文生圖的技術(shù)如 StackGAN、AttnGAN 等，都出現(xiàn)了描述文本細(xì)節(jié)缺失、分辨率低、難以理解高層次語(yǔ)義信息等問(wèn)題，生成質(zhì)量較低。
而讓 AIGC 爆火的兩大功臣：Diffusion + CLIP，卻解決了這個(gè)問(wèn)題。
Diffusion 模型本身是為 DALL·E 2、Imagen等知名繪圖神器所青睞的生成方式，不像 GAN 模型除了需要訓(xùn)練生成器，還需要額外訓(xùn)練判別器，Diffusion 模型只需要訓(xùn)練生成器，訓(xùn)練大大簡(jiǎn)化。同時(shí)，Diffusion 模型通過(guò)多步生成圖片，且每一步都是一個(gè)自編碼器，監(jiān)督信息非常強(qiáng)，所以訓(xùn)練要穩(wěn)定得多。
圖注：Diffusion 模型生成過(guò)程
在如此強(qiáng)大的生成模型上，研究人員又為其嫁接上負(fù)責(zé)圖文匹配驗(yàn)證的 CLIP 模型。當(dāng) Diffusion 生成圖片后，交由 CLIP 驗(yàn)證圖像特征值是否和輸入文字匹配。如果特征值能通過(guò)匹配驗(yàn)證，就說(shuō)明生成圖像符合文字描述，也就是達(dá)成了「輸入一段文字，輸出符合要求的圖片」的目標(biāo)。
是 Diffusion + CLIP 讓文字可控生成的夢(mèng)想照進(jìn)現(xiàn)實(shí)，做到了 GAN 未曾完成的事。
從此，人類終于可以通過(guò)文字與 AI 交流，征服 AI，讓 AI 真正為人所用。
AIGC 爆火的機(jī)緣，還與語(yǔ)言大模型的興起息息相關(guān)。
2020年左右，GPT-3 等語(yǔ)言大模型聲名鵲起，為 AI 系統(tǒng)在處理跨模態(tài)中提供了海量?jī)?yōu)秀的文本-圖像對(duì)的訓(xùn)練數(shù)據(jù)。正是這些高質(zhì)量的訓(xùn)練數(shù)據(jù)為 AIGC 產(chǎn)品打好了基礎(chǔ)，既幫助模型變大，又讓模型不斷學(xué)習(xí)并加深文本與圖像匹配的認(rèn)知。而這是在 GAN 初問(wèn)世時(shí)不具備的外部條件。
通過(guò)文字畫出絢爛圖畫，已然突破常人的想象，但仍有先行者思考，跨模態(tài)就是 AIGC 的盡頭了嗎？
想來(lái)不是。目前選擇文本來(lái)生成圖像，是因?yàn)槲谋粳F(xiàn)存數(shù)據(jù)最多，但世上存在如此多的模態(tài)，如果只用文本去做生成，那未免太局限了。
用手繪線條生成圖像，用草稿加上文字生成圖像，甚至是走向 3D模態(tài) …… AIGC 的未來(lái)一定能兼容更多模態(tài)，而每一種不同的模態(tài)可以作為不同尺度的信息指導(dǎo)，便于靈活地生成更多有需求的任務(wù)。
有 AI 圖像生成產(chǎn)品經(jīng)理認(rèn)為，國(guó)內(nèi)的 AI 圖像生成產(chǎn)品離真正走下去有不小差距，其中最本質(zhì)的原因，當(dāng)屬生成細(xì)節(jié)不夠好，達(dá)不到商業(yè)水平。
要知道圖像生成翹楚 Midjourney 正是大量收集用戶反饋的生成缺點(diǎn)，如手部奇怪、頭發(fā)生成不佳等問(wèn)題，按照用戶反饋去調(diào)節(jié)訓(xùn)練數(shù)據(jù)，進(jìn)行高頻率優(yōu)化，不斷打磨生成效果，才得到了圈內(nèi)幾乎最佳的圖片質(zhì)量。
而 AIGC 產(chǎn)品一開始的定位，就決定了生成模型的結(jié)構(gòu)設(shè)計(jì)和模型的優(yōu)化方向：
國(guó)內(nèi)的盜夢(mèng)師平臺(tái)出于別具匠心的產(chǎn)品設(shè)計(jì)，側(cè)重于生成幻想風(fēng)格的畫面。如果選擇生成真實(shí)風(fēng)格圖像，用戶難免會(huì)帶著挑刺的心理去比較生成圖片跟真實(shí)世界的差距、但如果是玄幻、動(dòng)漫等“二次元”風(fēng)格，用戶則會(huì)保持相對(duì)寬容的心態(tài)，傾向于欣賞圖片美感。
圖注：盜夢(mèng)師生成作品
而 ZMO 公司從一開始就選擇了真實(shí)圖像的賽道，這是因?yàn)?ZMO 團(tuán)隊(duì)認(rèn)為真實(shí)圖像的生成才能真正影響一個(gè)具體的行業(yè)，如建筑繪圖、電商圖片、網(wǎng)頁(yè)設(shè)計(jì)、商品外包裝設(shè)計(jì)等等。如果 AIGC 產(chǎn)品的水平足夠革新這些具體行業(yè)的內(nèi)容生產(chǎn)方式，完全用 AI 代替人力完成這些工作，其產(chǎn)生的行業(yè)效益將不可估量。
提到圖片生成水平， 還少不了提到一個(gè)叫做「組合性」的概念。
組合性首先是指生成模型掌握從生成單個(gè)物體、到生成整個(gè)場(chǎng)景，再到到生成整個(gè)世界的組合能力。
如今，生成一張人臉已很簡(jiǎn)單，但若要生成一個(gè)人在草地上玩耍，甚至是生成一個(gè)街區(qū)里有一群小孩在踢足球的畫面，難度便大大上升。
組合性同時(shí)也指概念的組合能力。如果用戶提出了現(xiàn)實(shí)世界沒(méi)有的、數(shù)據(jù)集中沒(méi)有的要求，比如牛油果椅子，騎在馬上的宇航員等等，模型如何形成畫面上的自洽，也是需要攻克的技術(shù)壁壘。
盜夢(mèng)師創(chuàng)始人藍(lán)振忠也說(shuō)，「畫得好看與畫得言之有物之間是有差距的」。如今的 AI 圖像生成產(chǎn)品能畫出夢(mèng)幻絢爛的圖，但僅限于靜態(tài)的表現(xiàn)，對(duì)于動(dòng)詞的理解力還較差。難以描述動(dòng)態(tài)畫面，更別提有連續(xù)性的情節(jié)，于是便出現(xiàn)了「唯美插圖，言之無(wú)物」的問(wèn)題。
如果 AIGC 能攻破這個(gè)技術(shù)壁壘，生成的不僅是一張單獨(dú)的插圖，而是能夠畫大場(chǎng)面、有動(dòng)作、多人物、有故事情節(jié)的圖，甚至能變成連環(huán)畫中的其中一張、或漫畫中的其中一頁(yè)，那么 AI 圖像生成就必然能走向更廣的消費(fèi)場(chǎng)景。
目前的 AIGC ，雖已跨出了文字控制的第一步，但可控性仍不盡如人意。
在圖像生成方面，prompt （輸入文本提示）的探索，已讓用戶們足夠發(fā)愁。小白用戶初次玩，輸入一個(gè)簡(jiǎn)短的“太陽(yáng)”，自以為已經(jīng)很好理解，沒(méi)想到生成出來(lái)的卻是……
小白用戶這才知道，prompt 沒(méi)有那么容易上手，一張好圖的背后，是資深創(chuàng)作者不厭其煩的多次嘗試、加詞、減字、生成……
因此，不乏有人提出，AI 公司得給肝時(shí)間和精力不斷調(diào)試的創(chuàng)作者們分成，才能讓有貢獻(xiàn)的創(chuàng)作者們留存下來(lái)。但有 AI 圖像生成產(chǎn)品的創(chuàng)始人指出，現(xiàn)在的 prompt 機(jī)制的確難以掌握，但這個(gè)技術(shù)問(wèn)題在未來(lái)一定會(huì)被攻克，那時(shí)候資深創(chuàng)作者和小白用戶的差距會(huì)被縮小，玩 AI 繪畫的門檻會(huì)一降再降。
同時(shí)，生成平臺(tái)在 prompt 輸入上也有字?jǐn)?shù)限制，這是因?yàn)槟壳澳Ｐ吞幚黹L(zhǎng)文本的能力還有限。要在輸入上繼續(xù)放寬條件，便要寄希望于大模型對(duì)人類語(yǔ)言理解能力的發(fā)展。
1個(gè)月前，AI 科技評(píng)論在某文生圖平臺(tái)中輸入「畫一輛自行車并將其在地面上滾動(dòng)的部分標(biāo)黃」，得到的結(jié)果是：
而在現(xiàn)有的文生圖平臺(tái)中輸入同樣的文本提示，得到的結(jié)果如下：
比起1個(gè)月以前輸入這個(gè)問(wèn)題得到的結(jié)果，以上圖片雖然沒(méi)有正確標(biāo)黃，但明顯生成了有條理的畫面，這足以體現(xiàn) AIGC 公司們對(duì)自家模型的快速迭代。但無(wú)法正確標(biāo)出「在地面上滾動(dòng)的部分」，說(shuō)明 AIGC 仍不理解自己筆下的世界，生成圖片不符合三次元邏輯的問(wèn)題，仍然急需改善。
AIGC 不是完全創(chuàng)造出一個(gè)不同的宇宙，AIGC 生成的結(jié)果，需要更貼合現(xiàn)實(shí)生活的物理規(guī)律與邏輯，換句話說(shuō)，AIGC 應(yīng)該在可解釋性問(wèn)題上做得更好，這應(yīng)該是 AIGC 公司們共同為之奮斗的目標(biāo)。
技術(shù)難題雖多，看似一片混沌，AIGC 技術(shù)卻依然體現(xiàn)出了前所未有的清晰發(fā)展道路。因?yàn)?AIGC 從未如此目標(biāo)明確，技術(shù)問(wèn)題清晰——所謂的技術(shù)壁壘，其實(shí)更應(yīng)該稱之為工程問(wèn)題，而解決工程，不過(guò)只是時(shí)間問(wèn)題。
雷峰網(wǎng) 雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
